{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2866935"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2866935","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Βελτίωση της πρόγνωσης του ανέμου με την εφαρμογή Bayesian Kalman φίλτρων","abstract":"Τα αιολικά πάρκα για τη λειτουργία τους απαιτούν ακριβέστερες προγνώσεις του ανέμου για την εκτίμηση και πρόγνωση της παραγόμενης ενέργειας. Τα πρωτογενή αποτελέσματα των ατμοσφαιρικών μοντέλων (NWP) εμπεριέχουν μια σειρά σφαλμάτων από παράγοντες όπως οι αρχικές και οριακές συνθήκες, η δομή και η παραμετροποίηση του μοντέλου, η οριζόντια ανάλυση, η εξομάλυνση της ορογραφίας και των άλλων φυσιογραφικών χαρακτηριστικών. Στην παρούσα εργασία χρησιμοποιούνται τα συνδυαστικά Bayesian Kalman φίλτρα προκειμένου να βελτιωθεί η πρόγνωση του ανέμου κοντά στην επιφάνεια του εδάφους. Τα συγκεκριμένα φίλτρα χρησιμοποιούν μη γραμμικές εξισώσεις σε συνδυασμό με τη συμπερασματολογία του Bayes. Η εφαρμογή των φίλτρων έγινε για δύο διαφορετικές περιοχές αιολικών πάρκων της Κρήτης. Οι διορθώσεις έγιναν πάνω σε δεδομένα πρόγνωσης από το ατμοσφαιρικό μοντέλο υψηλής ανάλυσης, RAMS. Μελετήθηκαν οι παράμετροι των φίλτρων και οι συνθήκες κάτω από τις οποίες αυτά εμφανίζουν τη μέγιστη αποδοτικότητα στη βελτίωση της πρόγνωσης του ανέμου. Δόθηκε έμφαση στην ανάδειξη της βελτίωσης αυτής, σε σχέση με τη χαμηλή υπολογιστική ισχύ η οποία απαιτούνταν. Ιδιαίτερη προσοχή δόθηκε στους χρονικούς ορίζοντες αξιοποίησης του φίλτρου, από όπου προέκυψε ότι στους πολύ βραχυπρόθεσμους τα αποτελέσματα ήταν πολύ καλά. Αποδείχθηκε ότι η διαθεσιμότητα μετρήσεων και αποτελεσμάτων του μετεωρολογικού μοντέλου με μικρότερα χρονικά βήματα βοηθάει σημαντικά στην επίτευξη καλύτερων ακόμη αποτελεσμάτων. Η δεκάλεπτη δειγματοληψία αποδείχθηκε η βέλτιστη.","abstract_html":"Τα αιολικά πάρκα για τη λειτουργία τους απαιτούν ακριβέστερες προγνώσεις του ανέμου για την εκτίμηση και πρόγνωση της παραγόμενης ενέργειας. Τα πρωτογενή αποτελέσματα των ατμοσφαιρικών μοντέλων (NWP) εμπεριέχουν μια σειρά σφαλμάτων από παράγοντες όπως οι αρχικές και οριακές συνθήκες, η δομή και η παραμετροποίηση του μοντέλου, η οριζόντια ανάλυση, η εξομάλυνση της ορογραφίας και των άλλων φυσιογραφικών χαρακτηριστικών. Στην παρούσα εργασία χρησιμοποιούνται τα συνδυαστικά Bayesian Kalman φίλτρα προκειμένου να βελτιωθεί η πρόγνωση του ανέμου κοντά στην επιφάνεια του εδάφους. Τα συγκεκριμένα φίλτρα χρησιμοποιούν μη γραμμικές εξισώσεις σε συνδυασμό με τη συμπερασματολογία του Bayes. Η εφαρμογή των φίλτρων έγινε για δύο διαφορετικές περιοχές αιολικών πάρκων της Κρήτης. Οι διορθώσεις έγιναν πάνω σε δεδομένα πρόγνωσης από το ατμοσφαιρικό μοντέλο υψηλής ανάλυσης, RAMS. Μελετήθηκαν οι παράμετροι των φίλτρων και οι συνθήκες κάτω από τις οποίες αυτά εμφανίζουν τη μέγιστη αποδοτικότητα στη βελτίωση της πρόγνωσης του ανέμου. Δόθηκε έμφαση στην ανάδειξη της βελτίωσης αυτής, σε σχέση με τη χαμηλή υπολογιστική ισχύ η οποία απαιτούνταν. Ιδιαίτερη προσοχή δόθηκε στους χρονικούς ορίζοντες αξιοποίησης του φίλτρου, από όπου προέκυψε ότι στους πολύ βραχυπρόθεσμους τα αποτελέσματα ήταν πολύ καλά. Αποδείχθηκε ότι η διαθεσιμότητα μετρήσεων και αποτελεσμάτων του μετεωρολογικού μοντέλου με μικρότερα χρονικά βήματα βοηθάει σημαντικά στην επίτευξη καλύτερων ακόμη αποτελεσμάτων. Η δεκάλεπτη δειγματοληψία αποδείχθηκε η βέλτιστη.","abstract_has_math":false,"creators":["Γκάζικας Χρήστος","Gkazikas Christos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:34:53Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2866935"],"render_values":[{"text":"uoadl:2866935","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2866935","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2866935","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2866935","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γκάζικας Χρήστος","Gkazikas Christos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2866935","https://pergamos.lib.uoa.gr/uoa/dl/object/2866935"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα αιολικά πάρκα για τη λειτουργία τους απαιτούν ακριβέστερες προγνώσεις του ανέμου για την εκτίμηση και πρόγνωση της παραγόμενης ενέργειας. Τα πρωτογενή αποτελέσματα των ατμοσφαιρικών μοντέλων (NWP) εμπεριέχουν μια σειρά σφαλμάτων από παράγοντες όπως οι αρχικές και οριακές συνθήκες, η δομή και η παραμετροποίηση του μοντέλου, η οριζόντια ανάλυση, η εξομάλυνση της ορογραφίας και των άλλων φυσιογραφικών χαρακτηριστικών. Στην παρούσα εργασία χρησιμοποιούνται τα συνδυαστικά Bayesian Kalman φίλτρα προκειμένου να βελτιωθεί η πρόγνωση του ανέμου κοντά στην επιφάνεια του εδάφους. Τα συγκεκριμένα φίλτρα χρησιμοποιούν μη γραμμικές εξισώσεις σε συνδυασμό με τη συμπερασματολογία του Bayes. Η εφαρμογή των φίλτρων έγινε για δύο διαφορετικές περιοχές αιολικών πάρκων της Κρήτης. Οι διορθώσεις έγιναν πάνω σε δεδομένα πρόγνωσης από το ατμοσφαιρικό μοντέλο υψηλής ανάλυσης, RAMS. Μελετήθηκαν οι παράμετροι των φίλτρων και οι συνθήκες κάτω από τις οποίες αυτά εμφανίζουν τη μέγιστη αποδοτικότητα στη βελτίωση της πρόγνωσης του ανέμου. Δόθηκε έμφαση στην ανάδειξη της βελτίωσης αυτής, σε σχέση με τη χαμηλή υπολογιστική ισχύ η οποία απαιτούνταν. Ιδιαίτερη προσοχή δόθηκε στους χρονικούς ορίζοντες αξιοποίησης του φίλτρου, από όπου προέκυψε ότι στους πολύ βραχυπρόθεσμους τα αποτελέσματα ήταν πολύ καλά. Αποδείχθηκε ότι η διαθεσιμότητα μετρήσεων και αποτελεσμάτων του μετεωρολογικού μοντέλου με μικρότερα χρονικά βήματα βοηθάει σημαντικά στην επίτευξη καλύτερων ακόμη αποτελεσμάτων. Η δεκάλεπτη δειγματοληψία αποδείχθηκε η βέλτιστη.","Wind farms operation requires accurate wind forecasts in order to estimate accurate forecasts in the energy load production. Raw data derived from Numerical Weather Prediction (NWP) models contain uncertainties emerging from parameterization, averaging in landscape characteristics, technical inabilities in simulating subscale processes, as well as potential problems in the utilized boundary and initial conditions. In this thesis the “hybrid” Bayesian Kalman filter is used in order to improve wind forecasts near surface areas. This hybrid optimization model combines Bayesian inference with Kalman filters. Forecasting data used for this work are from a high-resolution NWP model, RAMS, and observational data from two different wind farms, located on the island of Crete. Bayesian Kalman filters were applied targeting the elimination of bias and the reduction of RMSE, highlighting the low CPU cost needed for this process. Emphasis was given in very short-term forecasts, where the statistics of the final outputs were apparently improved. Finally, it was established that a higher sampling frequency leads to better results."]},{"key":"dc:title","label":"Title","values":["Βελτίωση της πρόγνωσης του ανέμου με την εφαρμογή Bayesian Kalman φίλτρων"]}]}],"canonical_facts":{"dc:creator":["Γκάζικας Χρήστος","Gkazikas Christos"],"dc:date":["2019"],"dc:description":["Τα αιολικά πάρκα για τη λειτουργία τους απαιτούν ακριβέστερες προγνώσεις του ανέμου για την εκτίμηση και πρόγνωση της παραγόμενης ενέργειας. Τα πρωτογενή αποτελέσματα των ατμοσφαιρικών μοντέλων (NWP) εμπεριέχουν μια σειρά σφαλμάτων από παράγοντες όπως οι αρχικές και οριακές συνθήκες, η δομή και η παραμετροποίηση του μοντέλου, η οριζόντια ανάλυση, η εξομάλυνση της ορογραφίας και των άλλων φυσιογραφικών χαρακτηριστικών. Στην παρούσα εργασία χρησιμοποιούνται τα συνδυαστικά Bayesian Kalman φίλτρα προκειμένου να βελτιωθεί η πρόγνωση του ανέμου κοντά στην επιφάνεια του εδάφους. Τα συγκεκριμένα φίλτρα χρησιμοποιούν μη γραμμικές εξισώσεις σε συνδυασμό με τη συμπερασματολογία του Bayes. Η εφαρμογή των φίλτρων έγινε για δύο διαφορετικές περιοχές αιολικών πάρκων της Κρήτης. Οι διορθώσεις έγιναν πάνω σε δεδομένα πρόγνωσης από το ατμοσφαιρικό μοντέλο υψηλής ανάλυσης, RAMS. Μελετήθηκαν οι παράμετροι των φίλτρων και οι συνθήκες κάτω από τις οποίες αυτά εμφανίζουν τη μέγιστη αποδοτικότητα στη βελτίωση της πρόγνωσης του ανέμου. Δόθηκε έμφαση στην ανάδειξη της βελτίωσης αυτής, σε σχέση με τη χαμηλή υπολογιστική ισχύ η οποία απαιτούνταν. Ιδιαίτερη προσοχή δόθηκε στους χρονικούς ορίζοντες αξιοποίησης του φίλτρου, από όπου προέκυψε ότι στους πολύ βραχυπρόθεσμους τα αποτελέσματα ήταν πολύ καλά. Αποδείχθηκε ότι η διαθεσιμότητα μετρήσεων και αποτελεσμάτων του μετεωρολογικού μοντέλου με μικρότερα χρονικά βήματα βοηθάει σημαντικά στην επίτευξη καλύτερων ακόμη αποτελεσμάτων. Η δεκάλεπτη δειγματοληψία αποδείχθηκε η βέλτιστη.","Wind farms operation requires accurate wind forecasts in order to estimate accurate forecasts in the energy load production. Raw data derived from Numerical Weather Prediction (NWP) models contain uncertainties emerging from parameterization, averaging in landscape characteristics, technical inabilities in simulating subscale processes, as well as potential problems in the utilized boundary and initial conditions. In this thesis the “hybrid” Bayesian Kalman filter is used in order to improve wind forecasts near surface areas. This hybrid optimization model combines Bayesian inference with Kalman filters. Forecasting data used for this work are from a high-resolution NWP model, RAMS, and observational data from two different wind farms, located on the island of Crete. Bayesian Kalman filters were applied targeting the elimination of bias and the reduction of RMSE, highlighting the low CPU cost needed for this process. Emphasis was given in very short-term forecasts, where the statistics of the final outputs were apparently improved. Finally, it was established that a higher sampling frequency leads to better results."],"dc:identifier":["uoadl:2866935","https://pergamos.lib.uoa.gr/uoa/dl/object/2866935"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Βελτίωση της πρόγνωσης του ανέμου με την εφαρμογή Bayesian Kalman φίλτρων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:34:53Z"}