Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

21
Ιουλ

Παρουσίαση Διπλωματικής Εργασίας κ. Ευσταθόπουλου Νικολάου - Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας  
ΤοποθεσίαΗ παρουσίαση θα γίνει με τηλεδιάσκεψη
Ώρα21/07/2020 13:30 - 14:30

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Νικόλαος Ευσταθόπουλος

θέμα
Μεσοπρόθεσμη Πρόβλεψη Ηλιακής Ακτινοβολίας και Ταχύτητας Ανέμου βασισμένη σε Δεδομένα Ωριαίων Χρονοσειρών Μικρής Κλίμακας
Medium Term Solar Radiation and Wind Speed Prediction based on Hourly Time Series Data

Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Σταυρακάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Ευτύχιος Κουτρούλης 
Επίκουρος Καθηγητής Ιωάννης Κατσίγιαννης (ΕΛ.ΜΕ.ΠΑ)

Περίληψη
Είναι γεγονός ότι τα τελευταία χρόνια η ζήτηση για ηλεκτρική ενέργεια αυξάνει συνεχώς, ενώ ταυτόχρονα τα αποθέματα σε ορυκτά καύσιμα μειώνονται σταδιακά. Συνεπώς, η ενσωμάτωση των ανανεώσιμων πηγών ενέργειας σε μεγάλη κλίμακα στα Συστήματα Ηλεκτρικής Ενέργειας καθώς και η αναδιάρθρωση των αγορών ηλεκτρικής ενέργειας αποτελούν βασικό μέλημα της ενεργειακής πολιτικής σε παγκόσμιο επίπεδο. Επίσης αν συνυπολογιστεί το γεγονός ότι είναι φιλικές προς το περιβάλλον, σε αντίθεση με τις συμβατικές πηγές ενέργειας, τότε γίνεται φανερό ότι οι ανανεώσιμες πηγές ενέργειας θα διαδραματίσουν καθοριστικό ρόλο στην κάλυψη των ενεργειακών απαιτήσεων στο άμεσο μέλλον. Τόσο η αιολική όσο και η ηλιακή ενέργεια είναι απ’ τις πιο ευρέως χρησιμοποιούμενες εναλλακτικές  μορφές ενέργειας, πράγμα που επαληθεύεται από την ολοένα και περισσότερο αυξανόμενη εγκατεστημένη ισχύ τους παγκοσμίως. Ωστόσο τόσο στην ηλιακή αλλά ακόμα περισσότερο στην αιολική, παρατηρείται έντονη μεταβλητότητα, πράγμα που καθιστά δύσκολη την διείσδυση τους στα δίκτυα ηλεκτρισμού. Συνεπώς η πρόβλεψη της αιολικής και ηλιακής ισχύος αποτελούν υψηλής σημασίας ζητήματα, τόσο για την ασφαλή λειτουργία του συστήματος και τη διαχείριση των ΑΠΕ, όσο και για την παροχή υψηλής ποιότητας ισχύος με το μικρότερο δυνατό κόστος.
Δεδομένης της σχέσης μεταξύ ηλιακής ακτινοβολίας-ηλιακής ενέργειας, καθώς και ταχύτητας του ανέμου και της ισχύος που παράγουν οι ανεμογεννήτριες, καθίσταται αναγκαίο  να δημιουργηθούν μοντέλα τα οποία θα μπορούν να προβλέψουν  με την καλύτερη ακρίβεια τις παραπάνω ατμοσφαιρικές μεταβλητές. 
Απόρροια όλων όσων αναφέρθηκαν, στα πλαίσια της παρούσας διπλωματικής εργασίας κατασκευάστηκαν  μοντέλα μεσοπρόθεσμης πρόβλεψης ταχύτητας ανέμου  και ηλιακής ακτινοβολίας. Τα μοντέλα αυτά υπάγονται τόσο στην κατηγορία της τεχνητής νοημοσύνης και μηχανικής μάθησης, όσο και σε προηγμένες μαθηματικές μεθόδους πρόβλεψης. Συγκεκριμένα κατασκευάστηκαν δέντρα απόφασης, νευρωνικά δίκτυα, βαθιά νευρωνικά δίκτυα και αναδρομικά μοντέλα πρόβλεψης με ARMA σφάλματα. Τα δεδομένα που χρησιμοποιήθηκαν σαν είσοδο στα μοντέλα, είναι δεδομένα που έχουν καταγραφτεί απ’ το νησί Ντία βόρεια του Ηρακλείου Κρήτης (ακατοίκητη περιοχή). Τα δεδομένα αυτά χωρίστηκαν ανά μήνα και στην συνέχεια ακολούθησε η διαδικασία της εκπαίδευσης των μοντέλων και της μεσοπρόθεσμης πρόβλεψης. Η μεσοπρόθεσμη πρόβλεψη έγινε κατά βάση με τη μέθοδο της αναδρομικής πρόβλεψης πολλαπλών βημάτων, σ’ όλα τα μοντέλα επιμέρους. Ωστόσο δοκιμάστηκε και η στρατηγική πολλαπλής πρόβλεψης και έγινε σύγκριση με τη βασική μέθοδο πρόβλεψης που εφαρμόστηκε και αναφέρθηκε πιο πάνω. Επιπλέον, χρησιμοποιήθηκαν και δεδομένα τα οποία καταγράφτηκαν εντός της περιοχής των Χανίων και συγκεκριμένα απ’ τη Χαλέπα. Αυτό έγινε προκειμένου να αναδειχθεί η αξία των δεδομένων στη διαδικασία της εκπαίδευσης και κατ’ επέκταση στην πρόβλεψη των χρονοσειρών. Τέλος γίνεται μια αξιολόγηση των σφαλμάτων απ’ την εφαρμογή των μοντέλων, καθώς επίσης καταγράφονται συμπεράσματα και ιδέες για μελλοντική έρευνα.

Abstract
It is a fact that in recent years the demand for electricity has been steadily increasing, while at the same time reserves of fossil fuels are gradually declining. Therefore, the integration of renewable energy sources (RES) on a large scale in the Electricity Systems as well as the restructuring of electricity markets are of a major concern to global energy policy. Also, if we take into account the fact that they are environmentally friendly, in contrast to conventional energy sources, then it is obvious that renewable energy sources will play a decisive role in meeting energy requirements in the near future. Both wind and solar energy are among the most widely used alternative forms of energy, as evidenced by their growing global power. However, there is intense variability both in solar and even more in wind energy, which makes it difficult for them to be introduced in electricity networks. Therefore, the forecasting of wind and solar power are very important issues, both for the safe operation of the system and the management of RES, as well as for the provision of high quality power at the lowest possible cost.
Given the relationship between solar radiation and solar energy, as well as wind speed and power generated by wind turbines, it is necessary to create models that can better predict the above atmospheric variables.
As a result of all the above, in the framework of the present dissertation, models of medium-term wind speed and solar radiation prediction were constructed. These models fall into both the category of artificial intelligence and machine learning, as well as advanced mathematical prediction methods. Specifically, regression trees, neural networks, deep neural networks and regression models with ARMA errors were made. The data which were used as input to the models, were recorded from the island Dia (uninhabited area), which is located north of Heraklion, Crete. These data were divided by month and then followed by the process of training the models and the medium-term forecast. The medium-term forecast was basically done using the Recursive Multi-step Forecast method, in all individual models. However, the Multiple Output Forecast Strategy was tested and compared with the basic prediction method mentioned above. In addition, data were used, which were recorded within the area of Chania, specifically in Chalepa. This was done in order to highlight the value of data in the training process and consequently in the forecasting of time series. Finally, the errors from the application of the models are evaluated, as well as conclusions and ideas for future research are recorded.

Meeting ID: 941 4982 7273
Password: 666666

© Πολυτεχνείο Κρήτης 2012