ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη
Συλλογές :

Τίτλος :Βελτιστοποίηση βραχυπρόθεσμης πρόβλεψης ζήτησης φορτίου με χρήση συστάδας νευρωνικών δικτύων
Εναλλακτικός τίτλος :Optimization of short-term load forecasting using a cluster of artificial neural networks
Δημιουργός :Αδαμάκος, Α. Ν.
Συντελεστής :Τίτσιας, Μιχαήλ (Επιβλέπων καθηγητής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής (Degree granting institution)
Τύπος :Text
Φυσική περιγραφή :79σ.
Γλώσσα :el
Περίληψη :Στόχος της παρούσας διπλωματικής εργασίας είναι ο σχεδιασμός και η υλοποίηση ενός λογισμικού βραχυπρόθεσμης πρόβλεψης ζήτησης φορτίου για το ελληνικό διασυνδεδεμένο σύστημα μεταφοράς, το οποίο θα εμφανίζει βελτιωμένη συμπεριφορά σε σύγκριση με τον ανταγωνισμό. Το πρόβλημα της βραχυπρόθεσμης πρόβλεψης ζήτησης φορτίου περιγράφεται από δύο (2) βασικές ομάδες δεδομένων: φορτίο και θερμοκρασία. Τα διαθέσιμα δεδομένα για το φορτίο καλύπτουν την περίοδο 20/01/2008 – 08/10/2014 ενώ αντίστοιχα για τη θερμοκρασία την περίοδο 01/01/2008 – 11/09/2014. Για τη μοντελοποίηση του συγκεκριμένου προβλήματος θα χρησιμοποιηθεί το μεγαλύτερο μέρος της τομής των δύο συνόλων, δηλαδή η περίοδος 23/01/2008 – 31/08/2014. Τα δεδομένα του φορτίου χωρίζονται σε δύο (2) υπο-ομάδες, διασπώντας την αρχική περίοδο στα χρονικά διαστήματα 23/01/2008 – 04/07/2012 & 05/07/2012 – 31/08/2014. Ο λόγος για το συγκεκριμένο διαχωρισμό οφείλεται στο γεγονός ότι μέχρι και τις 04/07/2012 στην κάλυψη της συνολικής ζήτησης δεν καταγράφονταν η κάλυψη της ζήτησης από ανανεώσιμες πηγές ενέργειας που βρίσκονταν συνδεδεμένες στο Δίκτυο, δηλαδή στο επίπεδο της Μέσης (ΜΤ) και Χαμηλής Τάσης (ΧΤ). Τα διαθέσιμα δεδομένα φορτίου για την περίοδο 23/01/2008 – 04/07/2012 περιλαμβάνουν μόνο τις εγχύσεις εκείνες από μονάδες παραγωγής που βρίσκονται συνδεδεμένες στο Σύστημα, δηλαδή στο επίπεδο της Υψηλής Τάσης (ΥΤ). Λόγω της συγκεκριμένης διαφοροποίησης, από 05/07/2012 το συνολικό φορτίο ζήτησης εμφανίζεται αυξημένο κατά το φορτίο Δικτύου, όπως απεικονίζεται στο παρακάτω γράφημα. Η σημαντική μείωση της ζήτησης κατά περίπου 25% που παρατηρείται από τον Ιούνιο 2012 και μετά οφείλεται στην οικονομική κρίση που έπληξε την Ελληνική Επικράτεια.
The objective of this thesis is the design and implementation of short-term load forecasting software for the Greek Energy Market that will exhibit improved performance compared with the existing software used by the incumbent supplier. The problem of short-term load forecasting is described by two (2) basic groups of data: load and temperature. Load data extends through the period [20/01/2008 - 10/08/2014] and temperature data through the period [01/01/2008 - 11/09/2014] respectively. The intersection of these two datasets will be used, i.e. the period [23/01/2008 - 08/31/2014]. Load data is divided into two (2) subgroups: [23/01/2008 - 04/07/2012] & [05/07/2012 - 08/31/2014]. The need for two distinct subgroups is justified by the fact that up to 04/07/2012, demand satisfied by renewable energy sources connected to the Medium (MV) and Low Voltage (LV) was not incorporated in the aggregated demand of the Greek Energy System. Available load data for the period [23/01/2008 - 04/07/2012] includes only injections from production units which are connected to the system, i.e. at the level of High Voltage (HV). Consequently, as of 05/07/2012, the total energy consumption seems elevated by the corresponding renewable load, as illustrated in the graph below. The significant decrease in demand of around 25% observed from June 2012 onwards is attributed to Greece’s financial crisis.
Λέξη κλειδί :Λογισμικό βραχυπρόθεσμης πρόβλεψης
Νευρωνικά δίκτυα
Ζητηση φορτίου
Short-term load forecasting
Neural Networks (NN)
Ημερομηνία :31-07-2015
Άδεια χρήσης :

Αρχείο: Adamakos_2015.pdf

Τύπος: application/pdf