ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη
Συλλογές :

Τίτλος :Short-term electric load forecasting using machine learning & neural networks
Εναλλακτικός τίτλος :Βραχυπρόθεσμη πρόβλεψη ηλεκτρικού φορτίου με χρήση τεχνικών μηχανικής μάθησης & νευρωνικών δικτύων
Δημιουργός :Νταρζάνος, Παναγιώτης
Ntarzanos, Panagiotis
Συντελεστής :Λουρίδας, Παναγιώτης (Επιβλέπων καθηγητής)
Athens University of Economics and Business, Department of Management Science and Technology (Degree granting institution)
Τύπος :Text
Φυσική περιγραφή :86p.
Γλώσσα :en
Αναγνωριστικό :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7791
Περίληψη :Η πρόβλεψη ηλεκτρικού φορτίου αποτελεί σημαντικό στοιχείο για τη διαδικασία ενεργειακής διαχείρισης του συστήματος ενέργειας.Δεδομένου ότι στα συστήματα ισχύος η παραγωγή ενέργειας των επόμενων ημερών πρέπει να προγραμματίζεται καθημερινά, η βραχυπρόθεσμη πρόβλεψη ηλεκτρικού φορτίου (STLF) είναι μια απαραίτητη ημερήσια εργασία για τον υπολογισμό και την αποστολή της προβλεπόμενης ισχύος για την επόμενη μέρα. Η πρόβλεψη φόρτου ήταν πάντα ένας από τους πιο κρίσιμους, ευαίσθητους και απαιτητικούς παραγοντες που σχετίζονται με την ακρίβεια και τη διαχείριση των συστημάτων ισχύος. Εκτός από το ότι διαδραματίζει βασικό ρόλο στη μείωση του κόστους παραγωγής, μια ακριβής πρόβλεψη βελτιώνει όχι μόνο την οικονομική βιωσιμότητα ολόκληρου του συστήματος αλλά και την ασφάλεια, τη σταθερότητα και την αξιοπιστία του.Η πρόβλεψη του ηλεκτρικού φορτίου είναι ένα σημαντικό εργαλείο που χρησιμοποιείται για να εξασφαλίσει ότι η ενέργεια που παρέχεται από τις επιχειρήσεις κοινής ωφέλειας ικανοποιεί τις ανάγκες των καταναλωτών. Η πρόβλεψη του φορτίου ορίζεται πάντοτε ως η επιστήμη της πρόβλεψης του μελλοντικού φορτίου σε ένα δεδομένο σύστημα ενέργειας, για συγκεκριμένο χρονικό διάστημα. Μια υποεκτιμημένη πρόβλεψη ηλεκτρικού φορτίου, οδηγεί σε ανεπαρκή προετοιμασία της εφεδρικής χωριτικότητας για το φορτίο και, ως εκ τούτου, αυξάνει το κόστος λειτουργίας χρήσιμοποιώντας μονάδες φορτίου σε ώρες αιχμής, που είναι ακριβότερες. Από την άλλη πλευρά, η υπερεκτίμηση στην πρόβλεψη του ηλεκτρικού φορτίου οδηγεί σε περιττή προτετοιμάσία και αγοράτης εφεδρικής χωριτικότητας για το φορτίο, η οποία σχετίζεται επίσης με υψηλό λειτουργικό κόστος. Δεδομένου ότι η ακριβής πρόβλεψη φορτίου παραμένει μεγάλη πρόκληση, το ερευνητικό έργο σε αυτή την εργασία είναι η ανάπτυξη αποτελεσματικών και ακριβών προγνωστικών μοντέλων για την πρόβλεψη της ζήτησης ηλεκτρικού φορτίου σεβραχυπρόθεσμο ορίζοντα (για 1-2 ημέρες μετά) -για το ελληνικό ηλεκτρικό δίκτυο- με χρήση νέων αλγορίθμων και βέλτιστων τεχνικών. Πιο συγκεκριμένα, αναπτύξαμε αρκετά προγνωστικά μοντέλαχρησιμοποιώντας τεχνικές μηχανικής μάθησης και νευρωνικά δίκτυα, τα οποία θεωρείται ότι είναι αλγόριθμοι τελευταίας τεχνολογίας για προγνωστικές αναλύσεις, όχι μόνο για τις λεγόμενες κανονικές ημέρες αλλά και για τις ειδικές ημέρες (π.χ. διακοπές, Σαββατοκύριακα κ.λπ.). Σύμφωνα με την έρευνά μας, τα προγνωστικά μοντέλα που βασίζονται στις προαναφερθείσες τεχνικές παράγουν καλύτερα αποτελέσματα σε σύγκριση με τις προβλέψεις συστημάτων που χρησιμοποιούνται επί του παρόντος. Τα δεδομένα εισόδου που χρησιμοποιούνται στην παρούσα διατριβή προέρχονται από τον ΛΑΓΗΕ, ο οποίος αντιπροσωπεύει τον ανεξάρτητο φορέα εκμετάλλευσης του συστήματος μεταφοράς ηλεκτρικής ενέργειας και απεικονίζουν ιστορικά το ωριαίο πραγματικό φορτίο του ελληνικού ηλεκτρικού δικτύου. Επιπλέον, χρησιμοποιήσαμε ιστορικά δεδομένα πρόβλεψης φορτίου που δήλωσαν οι αναλυτές της Protergia στηνπλατφόρμα δήλωσης φορτίου του ΛΑΓΗΕ, προκειμένου να είναι δυνατή η σύγκριση τους με τις προβλέψεις της διατριβής μας και να ποσοτικοποιήσουμε τη βελτίωση αυτη.
Load forecasting is an important component for power system’s energy management procedure.Since in power systems the next days’ power generation must be scheduled everyday, day-aheadShort-Term Load Forecasting (STLF) is a necessary daily task for power dispatch. Short-TermLoad Forecasting has always been one of the most critical, sensitive and accuracy demanding factorsof the power systems. Besides playing a key role in reducing the generation cost, an accurate STLFimproves not only the whole system’s economic viability but also its safety, stability and reliabilityin operation, in order to realize futuristic Smart Power System.Electric load forecasting is an important tool, used to ensure that the energy supplied by utilitiesmeets the consumers needs. Load forecasting has always been defined as the science of predictingthe future load on a given system, for a specified period of time ahead. Underprediction of STLFleads to insufficient reserve capacity preparation and thus increases the operating cost by usingexpensive peaking units. On the other hand, overprediction of STLF leads to the unnecessarilylarge reserve capacity, which is also related to high operating cost.Since precise load forecasting remains a great challenge, the research work in this master thesis is to develop efficient and accurate predictive models for electric load demand forecasting inshort-term horizon (for 1-2 days ahead), concerning the Greek Electric Network Grid, by utilizing novel algorithms and up-to-date techniques. More specifically, we developed several modelsby using Machine Learning techniques and Recurrent Neural Networks, which are considered tobe State of the Art algorithms for predictive analytics, not only for normal days but also takingaccount special days (e.g Holidays, Weekends etc). Validation of our research points out that thesetechniques generate better results in comparison with the currently used systems predictions. Theinput data that this thesis uses originate, from IPTO which stands for Independent Power Transmission Operator, and depict the historically hourly actual load of the Greek Electric NetworkGrid. Moreover, we also used historical load prediction data that Protergia’s analysts declared inIPTO’s load declaration platform, in order to be able to compare them with the thesis predictionsand quantify the improvement.
Λέξη κλειδί :Μηχανική μάθηση
Χρονοσειρές
Νευρωνικά δίκτυα
Βαθιά μάθηση
Machine learning
Time series
Neural Networks (NN)
Deep learning
ARIMA
Ημερομηνία έκδοσης :26-01-2020
Ημερομηνία κατάθεσης :16-04-2020
Ημερομηνία αποδοχής :16-04-2020
Άδεια χρήσης :

Αρχείο: Ntarzanos_2020.pdf

Τύπος: application/pdf