Βέλτιστη Πρόβλεψη Φορτίου Ενέργειας για Ανάγκες Οικειών

Abstract

Η εξισορρόπηση μεταξύ πρόβλεψης παραγωγής και κατανάλωσης ενέργειας αποτελεί μια σημαντική πρόκληση, ειδικά με την ενσωμάτωση ανανεώσιμων πηγών ενέργειας (ΑΠΕ) σε οικιακές εγκαταστάσεις, η οποία αυξάνει την πολυπλοκότητα των ενεργειακών συστημάτων. Η ανάγκη για όσο το δυνατόν ακριβέστερες προβλέψεις γίνεται όλο και πιο επιτακτική, προκειμένου να διασφαλιστεί η σταθερότητα του δικτύου και η βέλτιστη διαχείριση των ενεργειακών πόρων.

Στην παρούσα εργασία εξετάστηκε η σχετική βιβλιογραφία σε παραδοσιακές τεχνικές πρόβλεψης μηχανικής μάθησης και στη συνέχεια συγκρίθηκε η απόδοση τεχνικών και μοντέλων βαθιάς μάθησης, από πρώιμα μοντέλα, όπως τα RNN, έως πιο προηγμένα, όπως τα BiLSTM. Προτάθηκε ένα νέο υβριδικό μοντέλο που συνδύασε υπάρχοντα μοντέλα βαθιάς μάθησης με την τεχνική των Τransformers, με στόχο την αξιοποίηση των πλεονεκτημάτων κάθε μεθόδου, ενώ ταυτόχρονα αναιρούνται τα μειονεκτήματά τους. Τέλος, συμπεριλήφθηκαν εποχιακά και καιρικά δεδομένα στη διαδικασία εκπαίδευσης των μοντέλων, ώστε να εξεταστεί η ευαισθησία των προβλέψεων σε εξωτερικούς παράγοντες. Understanding and predicting energy production and consumption is an exciting challenge, especially with the growing integration of renewable energy sources (RES). This variability can be complex, but it opens up incredible opportunities for innovative forecasting methods that ensure grid stability and efficient resource management. In this thesis, we explored various traditional machine learning forecasting approaches and conducted a thorough comparison with deep learning models, from the foundational Recurrent Neural Networks (RNN) to state-of-the-art Bidirectional Long Short-Term Memory (BiLSTM) networks. I’m thrilled to introduce a new hybrid model that creatively combines deep learning techniques with transformer methods, harnessing their strengths while overcoming limitations. Additionally, I incorporated seasonal and weather-related data into the training process, which has revealed fascinating insights into how these external factors influence prediction sensitivity. This work not only contributes to the field but also paves the way for more reliable and effective energy solutions!