{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3359632"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3359632","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Next Frame Prediction using Deep Learning for Short-Term Solar Irradiance Forecasting","abstract":"Η παραγωγή ενέργειας από φωτοβολταϊκά συστήματα έχει διαδοθεί ευρέως ως μια εναλλακτική πηγή ενέργειας σε σχέση με τα ορυκτά καύσιμα, καλύπτοντας την αυξανόμενη ζήτηση για ανανεώσιμες πηγές ενέργειας. Ωστόσο, η απόδοσή της είναι στενά συνδεδεμένη στενά με τα μετεωρολογικά φαινόμενα κοντά στο φωτοβολταϊκό πάρκο, ιδιαίτερα τις βραχυπρόθεσμες αλλαγές στην κάλυψη του ουρανού από νέφη. Οι διακυμάνσεις στη νέφωση επηρεάζουν σημαντικά την προσπίπτουσα ηλιακή ακτινοβολία, θέτοντας μια πρόκληση για τη λειτουργία του φωτοβολταϊκού πάρκου. Η αποτελεσματική πρόβλεψη της κίνησης των νεφών και των αλλαγών στις τιμές της προσπίπτουσας ακτινοβολίας είναι κρίσιμη για τη βελτίωση της συνολικής απόδοσης των φωτοβολταϊκών συστημάτων, διασφαλίζοντας έτσι τη σταθερότητα του ηλεκτρικού δικτύου. Για την αντιμετώπιση αυτού του φαινομένου, η παρούσα διπλωματική εργασία ασχολείται με τον σχεδιασμό και την ανάπτυξη μιας αρχιτεκτονικής Βαθιάς Μηχανική Μάθησης, ικανής όχι μόνο να προβλέπει μελλοντικές εικόνες του ουρανού αλλά και μελλοντικές τιμές ακτινοβολίας. Στα επόμενα κεφάλαια, θα αναλυθούν οι προκλήσεις που σχετίζονται με το πρόβλημα της πρόβλεψης του επόμενου καρέ σε μια ακολουθία βίντεο, και ειδικά της κίνησης ενός νέφους, μαζί με τις προκλήσεις της πρόβλεψης ακτινοβολίας. Επιπλέον, η προτεινόμενη αρχιτεκτονική Βαθιάς Μηχανική Μάθησης θα παρουσιαστεί διεξοδικά μαζί με μια εις βάθος εξέταση των δεδομένων των οποίων χρησιμοποιεί. Η αξιολόγηση αυτής της αρχιτεκτονικής καταδεικνύει την αποτελεσματικότητα του προτεινόμενου συστήματος αλλά και τις εγγενείς προκλήσεις.","abstract_html":"Η παραγωγή ενέργειας από φωτοβολταϊκά συστήματα έχει διαδοθεί ευρέως ως μια εναλλακτική πηγή ενέργειας σε σχέση με τα ορυκτά καύσιμα, καλύπτοντας την αυξανόμενη ζήτηση για ανανεώσιμες πηγές ενέργειας. Ωστόσο, η απόδοσή της είναι στενά συνδεδεμένη στενά με τα μετεωρολογικά φαινόμενα κοντά στο φωτοβολταϊκό πάρκο, ιδιαίτερα τις βραχυπρόθεσμες αλλαγές στην κάλυψη του ουρανού από νέφη. Οι διακυμάνσεις στη νέφωση επηρεάζουν σημαντικά την προσπίπτουσα ηλιακή ακτινοβολία, θέτοντας μια πρόκληση για τη λειτουργία του φωτοβολταϊκού πάρκου. Η αποτελεσματική πρόβλεψη της κίνησης των νεφών και των αλλαγών στις τιμές της προσπίπτουσας ακτινοβολίας είναι κρίσιμη για τη βελτίωση της συνολικής απόδοσης των φωτοβολταϊκών συστημάτων, διασφαλίζοντας έτσι τη σταθερότητα του ηλεκτρικού δικτύου. Για την αντιμετώπιση αυτού του φαινομένου, η παρούσα διπλωματική εργασία ασχολείται με τον σχεδιασμό και την ανάπτυξη μιας αρχιτεκτονικής Βαθιάς Μηχανική Μάθησης, ικανής όχι μόνο να προβλέπει μελλοντικές εικόνες του ουρανού αλλά και μελλοντικές τιμές ακτινοβολίας. Στα επόμενα κεφάλαια, θα αναλυθούν οι προκλήσεις που σχετίζονται με το πρόβλημα της πρόβλεψης του επόμενου καρέ σε μια ακολουθία βίντεο, και ειδικά της κίνησης ενός νέφους, μαζί με τις προκλήσεις της πρόβλεψης ακτινοβολίας. Επιπλέον, η προτεινόμενη αρχιτεκτονική Βαθιάς Μηχανική Μάθησης θα παρουσιαστεί διεξοδικά μαζί με μια εις βάθος εξέταση των δεδομένων των οποίων χρησιμοποιεί. Η αξιολόγηση αυτής της αρχιτεκτονικής καταδεικνύει την αποτελεσματικότητα του προτεινόμενου συστήματος αλλά και τις εγγενείς προκλήσεις.","abstract_has_math":false,"creators":["Καλέκης Βασίλειος","Kalekis Vasileios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:23:29Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3359632"],"render_values":[{"text":"uoadl:3359632","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3359632","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3359632","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%3A3359632","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καλέκης Βασίλειος","Kalekis Vasileios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3359632","https://pergamos.lib.uoa.gr/uoa/dl/object/3359632"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παραγωγή ενέργειας από φωτοβολταϊκά συστήματα έχει διαδοθεί ευρέως ως μια εναλλακτική πηγή ενέργειας σε σχέση με τα ορυκτά καύσιμα, καλύπτοντας την αυξανόμενη ζήτηση για ανανεώσιμες πηγές ενέργειας. Ωστόσο, η απόδοσή της είναι στενά συνδεδεμένη στενά με τα μετεωρολογικά φαινόμενα κοντά στο φωτοβολταϊκό πάρκο, ιδιαίτερα τις βραχυπρόθεσμες αλλαγές στην κάλυψη του ουρανού από νέφη. Οι διακυμάνσεις στη νέφωση επηρεάζουν σημαντικά την προσπίπτουσα ηλιακή ακτινοβολία, θέτοντας μια πρόκληση για τη λειτουργία του φωτοβολταϊκού πάρκου. Η αποτελεσματική πρόβλεψη της κίνησης των νεφών και των αλλαγών στις τιμές της προσπίπτουσας ακτινοβολίας είναι κρίσιμη για τη βελτίωση της συνολικής απόδοσης των φωτοβολταϊκών συστημάτων, διασφαλίζοντας έτσι τη σταθερότητα του ηλεκτρικού δικτύου. Για την αντιμετώπιση αυτού του φαινομένου, η παρούσα διπλωματική εργασία ασχολείται με τον σχεδιασμό και την ανάπτυξη μιας αρχιτεκτονικής Βαθιάς Μηχανική Μάθησης, ικανής όχι μόνο να προβλέπει μελλοντικές εικόνες του ουρανού αλλά και μελλοντικές τιμές ακτινοβολίας. Στα επόμενα κεφάλαια, θα αναλυθούν οι προκλήσεις που σχετίζονται με το πρόβλημα της πρόβλεψης του επόμενου καρέ σε μια ακολουθία βίντεο, και ειδικά της κίνησης ενός νέφους, μαζί με τις προκλήσεις της πρόβλεψης ακτινοβολίας. Επιπλέον, η προτεινόμενη αρχιτεκτονική Βαθιάς Μηχανική Μάθησης θα παρουσιαστεί διεξοδικά μαζί με μια εις βάθος εξέταση των δεδομένων των οποίων χρησιμοποιεί. Η αξιολόγηση αυτής της αρχιτεκτονικής καταδεικνύει την αποτελεσματικότητα του προτεινόμενου συστήματος αλλά και τις εγγενείς προκλήσεις.","Photovoltaic power is rapidly gaining traction as an alternative power source to traditional fossil fuels, meeting the growing demand for sustainable energy sources. However, the photovoltaic power production efficiency is closely related to on-site meteorological phenomena, especially the short-term changes in the cloud coverage. These fluctuations in cloud cover significantly impact the incident solar irradiance, posing a challenge for the function of the photovoltaic park. Effectively anticipating cloud movement and irradiance changes is critical in enhancing the overall efficiency and performance of photovoltaic systems, thus ensuring grid stability. To tackle this challenge, this thesis addresses the design and development of a Deep Learning architecture, capable of not only predicting future sky images but also forecast future irradiance values. In the subsequent chapters, the challenges associated with the problem of predicting the next frame in a sequence, and especially cloud movement, will be analyzed along with the challenges of irradiance forecasting. Furthermore, the proposed Deep Learning architecture will be presented thoroughly along with an in-depth examination of the dataset employed. The evaluation of this model will not only showcase the efficiency of the proposed system but also will shed light on the inherent challenges involved."]},{"key":"dc:title","label":"Title","values":["Next Frame Prediction using Deep Learning for Short-Term Solar Irradiance Forecasting"]}]}],"canonical_facts":{"dc:creator":["Καλέκης Βασίλειος","Kalekis Vasileios"],"dc:date":["2023"],"dc:description":["Η παραγωγή ενέργειας από φωτοβολταϊκά συστήματα έχει διαδοθεί ευρέως ως μια εναλλακτική πηγή ενέργειας σε σχέση με τα ορυκτά καύσιμα, καλύπτοντας την αυξανόμενη ζήτηση για ανανεώσιμες πηγές ενέργειας. Ωστόσο, η απόδοσή της είναι στενά συνδεδεμένη στενά με τα μετεωρολογικά φαινόμενα κοντά στο φωτοβολταϊκό πάρκο, ιδιαίτερα τις βραχυπρόθεσμες αλλαγές στην κάλυψη του ουρανού από νέφη. Οι διακυμάνσεις στη νέφωση επηρεάζουν σημαντικά την προσπίπτουσα ηλιακή ακτινοβολία, θέτοντας μια πρόκληση για τη λειτουργία του φωτοβολταϊκού πάρκου. Η αποτελεσματική πρόβλεψη της κίνησης των νεφών και των αλλαγών στις τιμές της προσπίπτουσας ακτινοβολίας είναι κρίσιμη για τη βελτίωση της συνολικής απόδοσης των φωτοβολταϊκών συστημάτων, διασφαλίζοντας έτσι τη σταθερότητα του ηλεκτρικού δικτύου. Για την αντιμετώπιση αυτού του φαινομένου, η παρούσα διπλωματική εργασία ασχολείται με τον σχεδιασμό και την ανάπτυξη μιας αρχιτεκτονικής Βαθιάς Μηχανική Μάθησης, ικανής όχι μόνο να προβλέπει μελλοντικές εικόνες του ουρανού αλλά και μελλοντικές τιμές ακτινοβολίας. Στα επόμενα κεφάλαια, θα αναλυθούν οι προκλήσεις που σχετίζονται με το πρόβλημα της πρόβλεψης του επόμενου καρέ σε μια ακολουθία βίντεο, και ειδικά της κίνησης ενός νέφους, μαζί με τις προκλήσεις της πρόβλεψης ακτινοβολίας. Επιπλέον, η προτεινόμενη αρχιτεκτονική Βαθιάς Μηχανική Μάθησης θα παρουσιαστεί διεξοδικά μαζί με μια εις βάθος εξέταση των δεδομένων των οποίων χρησιμοποιεί. Η αξιολόγηση αυτής της αρχιτεκτονικής καταδεικνύει την αποτελεσματικότητα του προτεινόμενου συστήματος αλλά και τις εγγενείς προκλήσεις.","Photovoltaic power is rapidly gaining traction as an alternative power source to traditional fossil fuels, meeting the growing demand for sustainable energy sources. However, the photovoltaic power production efficiency is closely related to on-site meteorological phenomena, especially the short-term changes in the cloud coverage. These fluctuations in cloud cover significantly impact the incident solar irradiance, posing a challenge for the function of the photovoltaic park. Effectively anticipating cloud movement and irradiance changes is critical in enhancing the overall efficiency and performance of photovoltaic systems, thus ensuring grid stability. To tackle this challenge, this thesis addresses the design and development of a Deep Learning architecture, capable of not only predicting future sky images but also forecast future irradiance values. In the subsequent chapters, the challenges associated with the problem of predicting the next frame in a sequence, and especially cloud movement, will be analyzed along with the challenges of irradiance forecasting. Furthermore, the proposed Deep Learning architecture will be presented thoroughly along with an in-depth examination of the dataset employed. The evaluation of this model will not only showcase the efficiency of the proposed system but also will shed light on the inherent challenges involved."],"dc:identifier":["uoadl:3359632","https://pergamos.lib.uoa.gr/uoa/dl/object/3359632"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Next Frame Prediction using Deep Learning for Short-Term Solar Irradiance Forecasting"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:29Z"}