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/123456789/19057
Τίτλος: | Προβλέψεις παραγωγής από ανανεώσιμες πηγές ενέργειας: Προσεγγίσεις με επίκεντρο την Ομοσπονδιακή Μάθηση και την Ιδιωτικότητα |
Συγγραφείς: | Σαραντινόπουλος, Ευστάθιος Αλέξανδρος Μαρινάκης Ευάγγελος |
Λέξεις κλειδιά: | πρόβλεψη παραγωγής ομοσπονδιακή μάθηση διαφορική ιδιωτικότητα ανάλυση χρονοσειρών νευρωνικά δίκτυα ομαδοποίηση δεδομένων generation forecasting federated learning differential privacy time series analysis neural networks data clustering |
Ημερομηνία έκδοσης: | 29-Φεβ-2024 |
Περίληψη: | Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή της ομοσπονδιακής μάθησης για την πρόβλεψη παραγωγής ενέργειας από ανανεώσιμες πηγές, με στόχο την επίτευξη ισορροπίας μεταξύ της ακρίβειας πρόβλεψης και της ιδιωτικότητας. Ξεκινά καλύπτοντας τις βασικές αρχές της ανάλυσης χρονοσειρών, της μηχανικής μάθησης και των νευρωνικών δικτύων που σχετίζονται με τις εργασίες πρόβλεψης. Ταυτόχρονα, εξετάζονται οι αρχές της ομοσπονδιακής μάθησης με εγγυήσεις διαφορικής ιδιωτικότητας, αναδεικνύοντας τις δυνατότητές τους για κατανεμημένη μάθηση με διατήρηση της ιδιωτικότητας. Μέσω πειραμάτων σε ένα σύνολο δεδομένων 30 μικρής κλίμακας παραγωγών/καταναλωτών ηλεκτρικής ενέργειας, η εργασία συγκρίνει την ομοσπονδιακή μάθηση έναντι της συγκεντρωτικής, της τοπικής και της ενισχυμένης με διαφορική ιδιωτικότητα ομοσπονδιακής μάθησης. Τα αποτελέσματα δείχνουν ότι ενώ η συγκεντρωτική αποδίδει την υψηλότερη ακρίβεια, η ομοσπονδιακή παρέχει μια πειστική εναλλακτική λύση, διατηρώντας την ιδιωτικότητα χωρίς σημαντική υποβάθμιση της απόδοσης. Η υλοποίηση με διαφορική ιδιωτικότητα, αν και προσφέρει ισχυρότερες εγγυήσεις ιδιωτικότητας έχει χαμηλότερη επίδοση από τις άλλες συγκεντρωτικές μεθόδους ενώ υπερισχύει της τοπικής. Ακόμη εξετάζεται μια πρωτοποριακή μέθοδος ομαδοποίησης των δεδομένων με βάση τις υπερπαραμέτρους των μοντέλων καθώς και η επίδραση της ομαδοποίησης στην απόδοση. Συμπερασματικά, η παρούσα διπλωματική εργασία επιβεβαιώνει τη βιωσιμότητα της ομοσπονδιακής μάθησης για την πρόβλεψη παραγωγής, ιδίως σε σενάρια ευαίσθητων δεδομένων. Ακόμη, προσφέρει πληροφορίες σχετικά με τους συμβιβασμούς επιδόσεων που σχετίζονται με τη διαφορική ιδιωτικότητα και διερευνά τον ρόλο της ομαδοποίησης δεδομένων σε περιπτώσεις όπου υπάρχουν περιορισμοί πρόσβασης στα δεδομένα. |
URI: | http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19057 |
Εμφανίζεται στις συλλογές: | Διπλωματικές Εργασίες - Theses |
Αρχεία σε αυτό το τεκμήριο:
Αρχείο | Περιγραφή | Μέγεθος | Μορφότυπος | |
---|---|---|---|---|
sarantinopoulos thesis final.pdf | κύριο άρθρο | 17.5 MB | Adobe PDF | Εμφάνιση/Άνοιγμα |
Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.