Βραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής με χρήση τεχνητών νευρωνικών δικτύων τύπου μακράς βραχείας μνήμης (long-short term memory))

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.