National and Kapodistrian University of Athens
Prediction Solar energy potential for use in energy aware network with the use of Machine Learning
Abstract
dc:descriptionΤα τελευταία χρόνια, η κατανάλωση ενέργειας έχει φτάσει ακόμα σε υψηλότερα επίπεδα και συνεχίζει να αυξάνεται με ταχύτατους ρυθμούς, ανάλογα με τις αυξανόμενες απαιτήσεις της καθημερινότητας (είτε λόγω της δημογραφικής ανάπτυξης είτε και της συνολικής βελτίωσης της ποιότητας ζωής). Η καταλληλότερη διαχείριση της ενέργειας αποτελεί αντικείμενο έρευνας τόσο σε ακαδημαϊκό επίπεδο όσο και σε επιχειρηματικό επίπεδο, στοχεύοντας στην ανάλυση και πρόβλεψη της ενεργειακής κατανάλωσης. Με αυτό τον τρόπο θα επιτευχθεί περαιτέρω βελτίωση της υποδομής του υφιστάμενου δικτύου και θα ενσωματωθούν νέες ενεργειακές πηγές, με απώτερο στόχο να διασφαλιστεί η συνεχής προμήθεια ενέργειας προς στους καταναλωτές. Η ραγδαία εξέλιξη των αλγορίθμων/ τεχνικών μηχανικής μάθησης και τεχνητής νοημοσύνης τις τελευταίες δύο δεκαετίες έχει δημιουργήσει νέες δυνατότητες στην πρόβλεψη της ενεργειακής ζήτησης με ακόμα μεγαλύτερη ακρίβεια και ταχύτητα. Οι μέθοδοι που εφαρμόζονται εκτείνονται από απλούς αλγορίθμους, όπως τα Δέντρα Απόφασης και οι Μηχανές Διανυσμάτων Υποστήριξης, έως και πιο προηγμένες προσεγγίσεις, όπως τα Τεχνητά Νευρωνικά Δίκτυα. Στην παρούσα διπλωματική εργασία, εφαρμόστηκαν μοντέλα μηχανικής μάθησης για τη εκτίμηση της κατανάλωσης ενέργειας στην πόλη της Calgary στην Alberta του Καναδά, όπου η χρήση της ενέργειας διαφοροποιείται ανάλογα με τις ανάγκες, όπως η θέρμανση, ο κλιματισμός και η τεχνολογική λειτουργία. Τα δεδομένα εισόδου αποτελούνταν από χρονοσειρές, στις οποίες η κατανάλωση καταγραφόταν ανά μία ώρα σε KWh. Η ανάλυση βασίστηκε σε ωριαία δεδομένα παραγωγής ενέργειας από φωτοβολταϊκά και δεδομένα καιρού. Δοκιμάστηκαν τέσσερις προσεγγίσεις για την πρόβλεψη: οι δύο από αυτές λάμβαναν υπόψη και το ιστορικό κατανάλωσης ενώ οι άλλες δύο όχι. Για την αξιολόγηση της απόδοσης των μοντέλων χρησιμοποιήθηκαν διάφορες μετρικές, όπως το Μέσο Απόλυτο Σφάλμα (Mean Absolute Error), το Τετραγωνικό Μέσο Σφάλμα (Mean Squared Error). Τα δεδομένα εκπαίδευσης εφαρμόστηκαν με Long Short-Term Memory (LSTM) και XGBoost. Τα αποτελέσματα των πειραμάτων κατέδειξαν ότι τα χαρακτηριστικά των χρονοσειρών διαδραματίζουν καθοριστικό ρόλο στην ακρίβεια των προβλέψεων των μοντέλων. Η επιλογή του κατάλληλου αλγορίθμου και της μεθόδου αξιολόγησης δεν αποτελεί μια απλή διαδικασία, αλλά απαιτεί προσεκτική ανάλυση και εξατομικευμένη προσέγγιση, ώστε να εξασφαλιστεί η βέλτιστη απόδοση σε κάθε περίπτωση πρόβλεψης χρονοσειρών. Με βάση τα δεδομένα που χρησιμοποιήθηκαν αναδείχθηκε ο XGBoost χωρίς ιστορικό κατανάλωσης KWh ο καλύτερος αλγόριθμος για την πρόβλεψη.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Μαργέτης Αλέξανδρος
- Margetis Alexandros
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5311755