Please use this identifier to cite or link to this item:
http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18814
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Οικονόμου, Δήμητρα | - |
dc.date.accessioned | 2023-10-17T13:10:26Z | - |
dc.date.available | 2023-10-17T13:10:26Z | - |
dc.date.issued | 2023-10-16 | - |
dc.identifier.uri | http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18814 | - |
dc.description.abstract | Σκοπός της παρούσας διπλωματικής εργασίας είναι η αξιοποίηση των μεθόδων Μηχανικής Μάθησης και των Τεχνητών Νευρωνικών Δικτύων, για την υλοποίηση αλγορίθμων, που εξάγουν αποτελέσματα για βραχυπρόθεσμη πρόβλεψη της ισχύος ενός φωτοβολταϊκού πάρκου, χρησιμοποιώντας ιστορικά δεδομένα του πάρκου, που προέκυψαν ύστερα από κατάλληλες μετρήσεις. Συγκεκριμένα, στόχος είναι η μελέτη δύο βασικών μοντέλων πρόβλεψης, καθώς και του υβριδικού μοντέλου που προκύπτει από τον συνδυασμό τους. Κατόπιν, μελετώνται τα αντίστοιχα σφάλματα κάθε μεθόδου, τα οποία θα οδηγήσουν σε σαφή συμπεράσματα, όσον αφορά την ακρίβεια της πρόβλεψης ισχύος για κάθε περίπτωση, τις απαιτήσεις των μοντέλων, την αποτελεσματικότητά τους και την καταλληλότητά τους για εφαρμογές σε πραγματικό χρόνο. Αρχικά, μελετώνται οι συνθήκες που οδήγησαν στην ανάγκη αναζήτησης μεθόδων πρόβλεψης της ηλιακής ισχύος και οι νέες απαιτήσεις στον χώρο της ενέργειας. Στη συνέχεια, αναπτύσσονται διεξοδικά οι μέθοδοι των Τεχνητών Νευρωνικών Δικτύων, η ανάγκη αξιοποίησής τους και η αιτία διείσδυσής τους στον χώρο της ενέργειας. Έπειτα, γίνεται ενδελεχής ανάπτυξη δύο βασικών αλγορίθμων των Τεχνητών Νευρωνικών Δικτύων, με αναλυτική περιγραφή της υλοποίησής τους σε Η/Υ σε γλώσσα Python και συγκρίνονται τα αντίστοιχα αποτελέσματα. Με βάση τα αποτελέσματα αυτά, γίνεται αυτόματα σύγκριση των μοντέλων μεταξύ τους και με το υβριδικό και προτείνονται ορισμένες πιθανές επεκτάσεις της εργασίας. | en_US |
dc.language | el | en_US |
dc.subject | Βραχυπρόθεσμη πρόβλεψη ισχύος, Μηχανική Μάθηση, Τεχνητά Νευρωνικά Δίκτυα, Αλγόριθμοι LSTM, ARIMA, υβριδικό μοντέλο | en_US |
dc.title | Βραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής με χρήση τεχνητών νευρωνικών δικτύων τύπου μακράς βραχείας μνήμης (long-short term memory)) | en_US |
dc.description.pages | 107 | en_US |
dc.contributor.supervisor | Γεωργιλάκης Παύλος | en_US |
dc.department | Τομέας Ηλεκτρικής Ισχύος | en_US |
dc.description.notes | Η ανάγκη πρόβλεψης της παραγόμενης ισχύος αποτελεί βασικό αντικείμενο ενδιαφέροντος της παρούσας διπλωματικής εργασίας. Λόγω της εξάρτησης της ισχύος από τις καιρικές συνθήκες, όπως το νέφος ή ο άνεμος, η ανάγκη αυτή γίνεται ολοένα και πιο επιτακτική. Έτσι, με την βοήθεια της Μηχανικής Μάθησης και των Τεχνητών Νευρωνικών Δικτύων αναπτύσσονται δύο βασικοί αλγόριθμοι για πρόβλεψη για μία ημέρα. Μελετώνται τα σφάλματα για πρόβλεψη συννεφιασμένων, ηλιόλουστων και ημι-συννεφιασμένων ημερών αντίστοιχα. Έπειτα, κατασκευάζεται το υβριδικό μοντέλο και αποτυπώνονται τα τελικά συμπεράσματα. Με τον τρόπο αυτό, προκύπτουν αποτελέσματα σχετικά με την ικανότητα και απόδοση του φωτοβολταϊκού (ΦΒ) πάρκου, καθώς και για το εάν και πως αυτή η απόδοση θα μπορούσε να βελτιστοποιηθεί. | en_US |
Appears in Collections: | Διπλωματικές Εργασίες - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
τελικό_διπλωματικής.pdf | 2.61 MB | Adobe PDF | View/Open |
Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.