Back to search

National and Kapodistrian University of Athens

Machine Learning Algorithms for Very-Short Term Load Forecasting

Abstract

dc:description

Η ακριβής πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας πολύ βραχυπρόθεσμα, είναι πολύ σημαντική για τη σταθερότητα και τον προγραμματισμό ανά ώρα με την ώρα ή την ημέρα, τη λειτουργία, τον προγραμματισμό του συστήματος ηλεκτρικής ενέργειας. Σε αυτή τη μελέτη, εστιάζουμε στην πρόβλεψη της ενεργού ισχύος για οικιακή κατανάλωση ηλεκτρικής ενέργειας, καθώς πιστεύουμε ότι, παρά τη συνολική πολυπλοκότητά τους, τα ακριβή μοντέλα υψηλής ευαισθησίας μπορούν να βοηθήσουν τις διαδικασίες ελέγχου στο περίπλοκο και σε μεγάλο βαθμό άγνωστο τοπίο των αγορών ηλεκτρικής ενέργειας, να οδηγήσουν σε ακριβείς αποτελέσματα. Κατά την ανάπτυξη αυτών των μοντέλων, χρησιμοποιούμε μοντέλα Machine Learning, Neural Networks και Time Series. Το σύνολο δεδομένων που χρησιμοποιούμε αποτελείται από δεδομένα κατανάλωσης ηλεκτρικής ενέργειας με ανάλυση λεπτού, κάποιων νοικοκυριών που ανακτήθηκαν από την πλατφόρμα UCI - The Center for Machine Learning and Intelligent Systems στο UC Irvine. Ο κύριος σκοπός αυτού του έργου είναι να συγκρίνει την απόδοση κάθε μοντέλου στο ίδιο σύνολο δεδομένων και να παρέχει χρήσιμες παρατηρήσεις σχετικά με τη διαδικασία εκπαίδευσης κάθε μοντέλου. Για αυτήν τη σύγκριση, θα προβλέψουμε την κατανάλωση ενέργειας μιας εβδομάδας, μίας ημέρας και μερικών ωρών και τέλος θα συγκρίνουμε τα μοντέλα. Υπάρχει πολύ λίγη βιβλιογραφία στον τομέα της πολύς βραχυπρόθεσμης πρόβλεψης και η μελέτη μας είναι μια από τις πρώτες συνοπτικές συγκρίσεις των τύπων νέων νευρωνικών δικτύων και ορισμένων μοντέλων Μηχανικής Μάθησης σε αυτόν τον ορίζοντα πρόβλεψης. Τα αποτελέσματά μας δείχνουν ότι τέτοια μοντέλα παλινδρόμησης και μοντέλα νευρωνικών δικτύων που χρησιμοποιήσαμε στο έργο μας για τα συγκεκριμένα δεδομένα λειτουργούν πολύ καλά. Η απόδοση των μοντέλων παλινδρόμησης εξαρτάται κυρίως από την ακρίβεια των χαρακτηριστικών και από την άλλη πλευρά, η απόδοση των νευρωνικών δικτύων εξαρτάται από την ομοιότητα δεδομένων μεταξύ της εκπαίδευσης και του συνόλου δοκιμών. Στο Κεφάλαιο 1, παρουσιάζουμε τα βασικά χαρακτηριστικά Machine Learning και τα μοντέλα Machine Learning που θα χρησιμοποιήσουμε στο έργο μας. Στο Κεφάλαιο 2, παρέχουμε μια επισκόπηση της ακαδημαϊκής έρευνας σχετικά με την πολύ βραχυπρόθεσμη πρόβλεψη φορτίου (VSTLF) με τη χρήση διαφορετικών μεθόδων Μηχανικής Μάθησης. Επιπλέον, σε αυτό το κεφάλαιο παρουσιάζουμε τις πλατφόρμες ανάπτυξης ανάλυσης δεδομένων και μηχανικής μάθησης και τις βασικές μετρήσεις αξιολόγησης μοντέλων. Στο Κεφάλαιο 3, εξηγούμε τα χαρακτηριστικά των δεδομένων, τη μεθοδολογία και τις έννοιες που χρησιμοποιήθηκαν για τη διεξαγωγή των προσομοιωμένων πειραμάτων. Επιπλέον, παρουσιάζουμε τα αποτελέσματα των πειραμάτων μας μέσω μετρήσεων αξιολόγησης που σχετίζονται με τη διαδικασία εκπαίδευσης και την ποιότητα πρόβλεψης κάθε μοντέλου. Επίσης, αναλύουμε και εντοπίζουμε την ποιότητα κάθε μεθόδου σε σύγκριση με τις άλλες και επιλέγουμε την καταλληλότερη για την περίπτωση χρήσης μας. Τέλος, στο Κεφάλαιο 4, συζητάμε τα αποτελέσματα που προέκυψαν και προτείνουμε κάποιες κατευθύνσεις για μελλοντική εργασία.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Τσότσος Ευάγγελος
  • Tsotsos Evangelos

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3218652

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Τσότσος Ευάγγελος; Tsotsos Evangelos. Machine Learning Algorithms for Very-Short Term Load Forecasting. 2022. https://pergamos.lib.uoa.gr/uoa/dl/object/3218652