Back to search

National and Kapodistrian University of Athens

Προηγμένες Τεχνικές Πρόβλεψης Φορτίου με Χρήση Νευρωνικών Δικτύων

Abstract

dc:description

Η πρόβλεψη φορτίου ηλεκτρικής ενέργειας αποτελεί το πιό κρίσιμο στοιχείο για την αποδοτική διαχείριση και λειτουργία των ενεργειακών συστημάτων. Όσο πιο ακριβή εκτίμηση της ζήτησης ηλεκτρικής ενέργειας έχουμε, τόσο καλύτερα μπορούμε να σχεδιάσουμε την παραγωγή ,αποθήκευση και διανομή της, μειώνοντας έτσι το κόστος λειτουργίας και την βέλτιστη χρήση των πόρων. Ο ορισμός της ζήτησης ηλεκτρικής ενέργειας βάσει της Υπηρεσίας Πληροφοριών Ενέργειας των ΗΠΑ (EIA) είναι : «Ο ρυθμός με τον οποίο η ενέργεια παραδίδεται στα φορτία και στα σημεία προγραμματισμού ανά παραγωγή, εγκαταστάσεις μεταφοράς και διανομής», που ευθυγραμμίζεται με τον ορισμό τους για το ηλεκτρικό φορτίο ως «Συσκευή τελικής χρήσης ή πελάτης που λαμβάνει ισχύ από το ηλεκτρικό σύστημα» [19]. Η πρόβλεψη της κατανάλωσης έχει απευθείας σχέση με τη ζήτηση ηλεκτρικής ενέργειας όπως σε ένα οίκημα, σε ένα εργοστάσιο, σε μία πόλη ή σε μία χώρα. Βεβαίως όσο πιό μεγάλη είναι η κλίμακα για την πρόβλεψη τόσο πιό πολύπλοκα και ογκώδη δεδομένα χρειαζόμαστε . Με την ανάπτυξη της τεχνολογίας μεγάλων δεδομένων (Big Data), τα μεγάλα δεδομένα έχουν πλέον γίνει ερευνητικό θέμα και κοινή ανησυχία στον ακαδημαϊκό χώρο και τη βιομηχανία [10]. Η εις βάθος εφαρμογή της τεχνολογίας συλλογής δεδομένων, η ανάπτυξη του διαδικτύου, η αύξηση του αριθμού των διαφόρων αισθητήρων και έξυπνων συσκευών και η συνεχόμενη εξέλιξη στις λειτουργίες τους, όλα τα είδη των δεδομένων που προσλαμβάνονται είναι πλέον πιο διαφανή και εύκολο να αποκτηθούν. Η συχνότητα συλλογής και η ακρίβεια των δεδομένων της παραγωγής ηλεκτρικής ενέργειας και άλλες πληροφορίες βελτιώνονται επίσης συνεχώς, με τρόπο που μας επιτρέπει να έχουμε ένα υψηλής ποιότητας και μαζικό σύνολο δεδομένων για την έρευνα της πρόβλεψης φορτίου παραγωγής ενέργειας, όπου παρέχει επίσης μια βάση δεδομένων για τη χρήση βαθιάς μηχανικής μάθησης [10]. Στο πλαίσιο της διπλωματικής εργασίας εξετάζεται η χρήση τεχνικών μηχανικής μάθησης και συγκεκριμένα των νευρωνικών δικτύων, για την πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας. Τα νευρωνικά δίκτυα είναι εξαιρετικά ισχυρά στο να αναγνωρίζουν πρότυπα, να μπορούν να μάθουν να συσχετίζουν σύνθετα δεδομένα, γεγονός που τα κάνει κατάλληλα για την πρόβλεψη φορτίου ηλεκτρικής ενέργειας, το οποίο επηρεάζεται από μεγάλο αριθμό 6 παραγόντων όπως οι καιρικές συνθήκες, η οικονομική δραστηριότητα και οι κοινωνικές συμπεριφορές [6]. Η παρούσα διπλωματική εργασία στόχο έχει να σχεδιάσει και να εφαρμόσει ένα μοντέλο νευρωνικών δικτύων, που να ανταποκρίνεται στις σύγχρονες απαιτήσεις των ενεργειακών συστημάτων, και να μπορεί να μας δίνει αξιόπιστες προβλέψεις με το μικρότερο δυνατό στατιστικό λάθος για την βραχυπρόθεσμη, μεσοπρόθεσμη και μακροπρόθεσμη πρόβλεψη της κατανάλωσης ηλεκτρικού φορτίου. Το μοντέλο μας θα εκπαιδευτεί με ιστορικά δεδομένα φορτίου (Οι μετρήσεις αυτές καταγράφονται για την περιοχή Tocumen (toc) στην πόλη του Παναμά, καθώς και για τις πόλεις Santiago (san) και David (dav)) και με επιπλέον παραμέτρους που επηρεάζουν τη ζήτηση. Για την υλοποίηση της πρόβλεψης, χρησιμοποιήσαμε το Matlab, και συγκεκριμένα το Neural Network Toolbox, λόγω της ευρείας βιβλιοθήκης συναρτήσεών του για την υλοποίηση νευρωνικών δικτύων. Με βάση τα αποτελέσματα του πειράματος, καταλήξαμε σε συμπεράσματα για την αξιοπιστία του μοντέλου μας και, γενικότερα, για τα νευρωνικά δίκτυα στην πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας σε σύγκριση με τις παραδοσιακές μεθόδους.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Γραμματικός Δημήτριος
  • Grammatikos Dimitrios

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:5314008

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

Γραμματικός Δημήτριος; Grammatikos Dimitrios. Προηγμένες Τεχνικές Πρόβλεψης Φορτίου με Χρήση Νευρωνικών Δικτύων. 2025. https://pergamos.lib.uoa.gr/uoa/dl/object/5314008