Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18416
Title: Electric Load Modeling Using Machine Learning
Authors: Πετρόπουλος, Ορέστης
Χατζηαργυρίου Νικόλαος
Keywords: μηχανική μάθηση
βαθιά μάθηση
νευρωνικά δίκτυα
μεταβλητός αυτοκωδικοποιητής
μοντελοποίηση φορτίου
παραγωγή δεδομένων
ανωνυμοποίηση δεδομένων
δεδομένα δικτύου
machine learning
neural network
variational autoencoder
load modeling
data generation
Issue Date: 12-Jul-2022
Abstract: Τα σύγχρονα συστήματα διανομής ηλεκτρικής ενέργειας αντιμετωπίζουν αυξανόμενες προ- κλήσεις, τόσο λόγω της μετάβασης σε έξυπνα δίκτυα όσο και λόγω της ενσωμάτωσης νέων τύπων φορτίων, όπως τα ηλεκτρικά οχήματα και τα συστήματα αποθήκευσης ενέργειας. Οι παράγοντες αυτοί, καθιστούν αναγκαία τη μελέτη των δικτύων διανομής υπό πολλές διαφο- ρετικές συνθήκες και με τη χρήση νέων εργαλείων, όπως η επιστήμη των δεδομένων και τα νευρωνικά δίκτυα. Σε αυτή τη διπλωματική εργασία, εξετάζουμε την υλοποίηση ενός νευρωνικού δικτύου και συγκεκριμένα ενός Μεταβλητού Αυτοκωδικοποιητή, για τους σκοπούς που αναφέρθηκαν πα- ραπάνω. Το μοντέλο είναι ικανό να εκπαιδευτεί πάνω σε μικρό αριθμό δεδομένων, να μάθει τα κύρια χαρακτηριστικά τους και να τα κωδικοποιήσει σε ένα χώρο απεικόνισης, με τρό- πο χρήσιμο και συνάδοντα με την ανθρώπινη αντίληψη. Κατόπιν, το εκπαιδευμένο πλέον μοντέλο χρησιμοποιείται για την κωδικοποιήση και αποκωδικοποίηση υπάρχοντων δεδομέ- νων, κρατώντας μόνο τα κύρια χαρακτηριστικά τους , δυσχεραίνοντας έτσι την ταυτοποίηση συγκεκριμένων χρηστών του δικτύου μέσω των χρονοσειρών φορτίου και καθιστώντας πιο ασφαλή το διαμοιρασμό των δεδομένων. Επίσης, χρησιμοποιώντας τη χαρτογράφηση του χώρου απεικόνισης και τον εκπαιδευμένο αποκωδικοποιητή, μπορούμε να παράξουμε κατά το δοκούν νέες χρονοσειρές φορτίων, κρατώντας τα βασικά χαρακτηριστικά και αλλάζοντας κάποια άλλα, όπως η μέγιστη τιμή και η κατανομή των διαφόρων ειδών χρονοσειρών μέσα στο χρόνο. Μετά την εκπαίδευση, το μοντέλο είναι ικανό να ανακατασκευάσει επαρκώς τα υπάρχοντα δεδομένα, κρατώντας σχεδόν ανέπαφα τα κύρια χαρακτηριστικά τους όπως η μέση τιμή, η μέγιστη τιμή και η ώρα της μέρας που αυτή παρατηρείται. Επίσης είναι ικανό να απο- κωδικοποιήσει οποιοδήποτε δείγμα 2 αριθμών σε μια πλήρη ημέρα, αποτελούμενη από 576 μετρήσεις (96 μετρήσεις ενεργού και αέργου ισχύος για 3 αλληλοσυσχετιζόμενα φορτία). Η μέθοδος που χρησιμοποιήθηκε για την παραγωγή νέων χρονοσειρών, είναι η τροποποίηση της κωδικοποιημένης μορφής των υπάρχοντων δεδομένων, μέσω της προσθήκης μιας κανο- νικής κατανομής, ώστε τα νέα δεδομένα να αναπαριστούν ένα υπαρκτό πλήρες έτος αλλά με τροποποιημένα χαρακτηριστικά. Ο χρήστης μπορεί επίσης να κάνει οποιαδήποτε αυθαίρετη επιλογή σημείων από το χώρο αναπαράστασης, ώστε να δημιουργήσει ένα νέο σετ δεδομέ- νων οποιουδήποτε μεγέθους και με χαρακτηριστικά που να ταιριάζουν στη συμπεριφορά του δικτύου που θέλει να μελετήσει.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18416
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Electric Load Modeling Using Machine Learning.pdfΑρχείο Εργασίας σε pdf5.56 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.