Πρόβλεψη μέσης ωριαίας κατανάλωσης ηλεκτρικής ισχύος με χρήση μεθόδων μηχανικής μάθησης

Abstract

Ο σκοπός της παρούσας εργασίας είναι να προσαρμόσει διάφορους αλγορίθμους μηχανικής μάθησης και αρχιτεκτονικές βαθιάς μάθησης στο πρόβλημα της πρόβλεψης χρονοσειρών. Με άλλα λόγια μετατρέπουμε το πρόβλημα της παλινδρόμησης στην πρόβλεψη χρονοσειρών. Για να το πετύχουμε αυτό εξετάζουμε διάφορες τεχνικές με τις οποίες τα μοντέλα εκπαιδεύονται και παράγουν τις ζητούμενες προβλέψεις. Τα δεδομένα μας προέρχονται από ένα σύνολο μετρήσεων της κατανάλωσης ισχύος σε μία τριφασική γραμμή, οι οποίες μετά από κατάλληλη επεξεργασία μας δίνουν τις τελικές χρονοσειρές. Αρχικά, παρουσιάστηκαν οι βασικές έννοιες που αφορούν τις χρονοσειρές. Αναφερθήκαμε στην ανάλυση χρονοσειρών μέσω διαφόρων δεικτών και στην διαδικασία πρόβλεψης με στατιστικές μεθόδους. Οι στατιστικές μέθοδοι που αναλύθηκαν είναι η απλοϊκή, οι μέθοδοι εκθετικής εξομάλυνσης, τα μοντέλα ARIMA, η αποσύνθεση και ο απλός μέσος όρος. Για τις τρεις πρώτες παρουσιάσαμε και τις εποχιακές εκδοχές τους. Επίσης, κάναμε μία σύντομη αναφορά στην μέθοδο Θ, στην γραμμική παλινδρόμηση και στον αλγόριθμο Facebook Prophet. Είναι λογικό να θέλουμε να αξιολογήσουμε τις προβλέψεις μας. Για να γίνει αυτό είναι απαραίτητο να έχουμε τα πραγματικά δεδομένα ώστε να τα αντιπαραβάλλουμε με την πρόβλεψή μας. Αν τα δεδομένα αυτά είναι μελλοντικές τιμές πρέπει να περιμένουμε μέχρι να γίνουν διαθέσιμα. Στην εργασία μας προβλέπουμε τις τελευταίες τιμές των χρονοσειρών, τις οποίες θεωρούμε άγνωστες. Στην παρούσα εργασία θα δουλέψουμε με το MAPE, που ανήκει στην κατηγορία των ποσοστιαίων σφαλμάτων. Οι μέθοδοι μηχανικής μάθησης που χρησιμοποιήσαμε για να κάνουμε προβλέψεις είναι η γραμμική παλινδρόμηση, οι μηχανές διανυσμάτων υποστήριξης, οι κ-κοντινότεροι γείτονες, το δένδρο απόφασης, το τυχαίο δάσος και η ενίσχυση κλίσης. Από το κομμάτι της βαθιάς μάθησης χρησιμοποιούμε τα τεχνητά νευρωνικά δίκτυα και τον σύγχρονο αλγόριθμο N-Beats. Σύντομη αναφορά γίνεται στα συνελικτικά νευρωνικά δίκτυα και στα αναδρομικά νευρωνικά δίκτυα. Η εκπαίδευση των μοντέλων σε κάθε περίπτωση γίνεται μετατρέποντας την χρονοσειρά σε δείγματα, όπου ως εισόδους θα έχουν παρελθοντικές τιμές. Για την διευκόλυνση της διαδικασίας δημιουργίας προβλέψεων δημιουργήσαμε μία εφαρμογή. Στην εφαρμογή αυτή ο χρήστης μπορεί να κάνει πρόβλεψη με όσους από τους έξι αλγορίθμους επιθυμεί ή να δημιουργήσει ένα νευρωνικό δίκτυο για τον σκοπό αυτό. Πέραν αυτού, η εφαρμογή δίνει την δυνατότητα στον χρήστη να δει τα δεδομένα καθώς και τις προβλέψεις που έκανε στο παρελθόν. Τέλος, πραγματοποιήσαμε διάφορα πειράματα πρόβλεψης και συγκρίναμε τους αλγορίθμους και τις τεχνικές βάσει των αποτελεσμάτων τους.