Βραχυπρόθεσμη πρόβλεψη φορτίου ηλεκτρικής ενέργειας με χρήση τεχνητών νευρωνικών δικτύων τύπου Long-Short Term Memory

Abstract

Στην παρούσα διπλωματική εργασία επιδιώκεται να πραγματοποιηθεί βραχυπρόθεσμη πρόβλεψη ορίζοντα μίας ώρας, 12 ωρών της ίδια ημέρας και των επόμενων 24 ωρών της επόμενης ημέρας. Η ανάγκη για τέτοια πρόβλεψη αναδείχτηκε με την απελευθέρωση της αγοράς και τη διείσδυση πολλών συμμετεχόντων σε αυτήν. Στο περιβάλλον του ανταγωνισμού και της μεταβλητότητας που χαρακτηρίζει την αγορά, μια εύστοχη πρόγνωση του φορτίου της ηλεκτρικής ενέργειας της επόμενης ημέρας επωφελεί όλους τους συμμετέχοντες, για διαφορετικούς λόγους έκαστο. Η προσέγγισή μας για αυτή την πρόγνωση γίνεται με δύο τρόπους, αρχικά με στατιστικές μεθόδους, δηλαδή με αυτοπαλιδρομικά μοντέλα κινητού μέσου όρου (ARΙMA) , και με τη χρήση ενός απλού νευρωνικού δικτύου (Αrtificial Neural Networks ή ANN) τύπου πολυεπίπεδου Perceptron (MLP ή Multilayer Perceptron) και στην συνέχεια με Αναδρομικά Νευρωνικά Δίκτυα που αποτελούνται από στρώματα νευρώνων Μακράς Βραχείας Μνήμης (Long Short Term Memory ή LSTM). Προκειμένου να μελετηθεί η αποδοτικότητα πρόβλεψης φορτίου μεταξύ των δύο κατηγοριών μοντέλων υλοποιούνται με χρήση δύο διαφορετικών διαστημάτων δεδομένων εισόδου: Το πρώτο διάστημα περιλαμβάνει τις προηγούμενες 24 ώρες και το δεύτερο διάστημα περιλαμβάνει τις προηγούμενες 168 ώρες, δηλαδή ωριαίες τιμές φορτίου της προηγούμενης ημέρας και εβδομάδας αντίστοιχα. Στη συνέχεια, εκτιμάται η απόδοση των μοντέλων, συγκρίνονται τα σφάλματα που προκύπτουν από τις διαφορετικές μεθόδους πρόβλεψης, διαπιστώνεται η υπεροχή των νευρωνικών έναντι των στατιστικών μοντέλων και αξιολογείται η βελτίωση που προσφέρει η χρήση μηχανικής μάθησης στην πρόγνωση της κατανάλωσης ηλεκτρικής ενέργειας.