Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18620
Τίτλος: Ανάπτυξη συστήματος διαδικασιών μηχανικής μάθησης για τη βραχυπρόθεσμη πρόβλεψη ζήτησης ηλεκτρικής ενέργειας
Συγγραφείς: Πουντρίδης, Θεοδόσιος
Ασκούνης Δημήτριος
Λέξεις κλειδιά: Διαδικασίες Μηχανικής Μάθησης (MLOps)
MLflow
Μηχανική Μάθηση (ML)
Βαθιά Μάθηση (DL)
Πρόβλεψη Χρονοσειρών
Πρόβλεψη Φορτίου Βραχυπρόθεσμου Χρόνου (STLF)
NBeats
LightGBM
Πολλαπλές Χρονοσειρές
Ημερομηνία έκδοσης: Μαρ-2023
Περίληψη: Η βραχυπρόθεσμη πρόβλεψη ζήτησης ηλεκτρικής ενέργειας αποτελεί σημαντικό εργαλείο για την διασφάλιση της εύρυθμης λειτουργίας των συστημάτων ηλεκτρικής ενέργειας και για την αγοραπωλησία ενέργειας. Επίσης, μειώνει το κόστος αγοράς και παραγωγής της ενέργειας από τους παρόχους, πράγμα που μπορεί να μειώσει την τιμή και για τους καταναλωτές. Για την επίτευξη του προαναφερθέντος στόχου είναι ιδιαίτερα χρήσιμη η χρήση μηχανικής μάθησης. Ωστόσο, η διαδικασία της εφαρμογής τεχνικών μηχανικής μάθησης δύναται να καταστεί μια περίπλοκη και χρονοβόρα διαδικασία. Στην παρούσα εργασία πραγματοποιείται ανάπτυξη εργαλείου λογισμικού με σκοπό την αυτοματοποίηση του κύκλου ζωής μηχανικής μάθησης της πρόβλεψης φορτίου με χρήση των μεθόδων διαδικασιών μηχανικής μάθησης (MLOps - Machine Learning Operations). Η εφαρμογή αυτή διευκολύνει και επιταχύνει κατά πολύ την διαδικασία αυτή. Από την εφαρμογή αυτή υποστηρίζεται πληθώρα μοντέλων τόσο μηχανικής μάθησης, όσο και βαθιάς μάθησης, καθώς και πολυμεταβλητές (multivariate) και πολλαπλές (multiple) χρονοσειρές. Επίσης, παρέχεται και υποστήριξη για συμμεταβλητές (covariates). Σε αυτό το πλαίσιο, πραγματοποιείται εφαρμογή του εν λόγω εργαλείου στο πρόβλημα πρόβλεψης πολλαπλών χρονοσειρών είκοσι χωρών της Ευρώπης. Γίνεται συγκριτική μελέτη για τα μοντέλα Light Gradient Boosting Machine (LightGBM) και Neural Basis Expansion Analysis for Time Series forecasting (NBeats). Για τις δύο μεθόδους αυτές εκτελείται βελτιστοποίηση υπερπαραμέτρων, η οποία δείχνει την σημαντικότητα των παραμέτρων του κάθε μοντέλου. Επιπλέον, πραγματοποιείται αξιολόγηση των βέλτιστων μοντέλων, και εξήγηση των αποτελεσμάτων τους και των πλεονεκτημάτων του κάθε μοντέλου. Επιπροσθέτως, για την χρονοσειρά της Πορτογαλίας πραγματοποιείται εξήγηση της συμβολής της κάθε χρονικής στιγμής του παραθύρου πρότερης γνώσης των προαναφερθέντων μοντέλων με χρήση SHapley Additive exPlanations (SHAP). Ακόμα, πραγματοποιείται σύγκριση με τα αποτελέσματα των μοντέλων αν εκπαιδευτούν σε κάθε χρονοσειρά ξεχωριστά. Τελικά, η αυτοματοποίηση που προσφέρει η εφαρμογή της παρούσας εργασίας, καθώς και η επιτάχυνση του κύκλου ζωής μηχανικής μάθησης και η υψηλή ακρίβεια των αποτελεσμάτων την καθιστά απαραίτητο εργαλείο για τους παρόχους ηλεκτρικής ενέργειας
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18620
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
Thesis_.pdf3.68 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.