| Περίληψη: | Σκοπός της παρούσας διπλωματικής εργασίας είναι η πρόβλεψη της κατανάλωσης ηλεκτρικής ενέργειας χρησιμοποιώντας τεχνικές βαθιάς μάθησης(Deep Learning). Τα δεδομένα που χρησιμοποιούνται αποτελούν ωριαίες μετρήσεις τα έτη 2004 έως 2018 σε ένα δίκτυο μετάδοσης στις Η.Π.Α..
Τα δεδομένα λαμβάνονται στην πρωταρχική μορφή τους και ύστερα υφίστανται προ-επεξεργασία διαφόρων ειδών(αφαίρεση ελλειματικών τιμών, κανονικοποίηση κλπ), για την τροφοδότηση τους με την κατάλληλη μορφή στο μοντέλο βαθιάς μάθησης.
To δίκτυο βαθιάς μάθησης που χρησιμοποιείται είναι το τεχνητό νευρωνικό δίκτυο LSTM και παράγονται 5 διαφορετικές προσεγγίσεις πρόβλεψης για βέλτιστη ανάλυση και αξιολόγηση των μοντέλων. Κάθε προσέγγιση αναλύεται διεξοδικά στο τρόπο κατασκευής του μοντέλου και στις υπερπαραμέτρους που χρησιμοποιήθηκαν. Επίσης, παρουσιάζονται αναλυτικά αποτελέσματα της κάθε προσέγγισης και τα γραφήματα των προβλέψεων. Τα αποτελέσματα δείχνουν ότι η εκπαίδευση των μοντέλων σε όλες τις προσεγγίσεις είναι άριστη, ενώ και η πρόβλεψη σε όλες τις προσεγγίσεις είναι πολύ ικανοποιητική, υποδεικνύοντας πως όλα τα μοντέλα έχουν «μάθει» την συμπεριφορά των δεδομένων και την ακολουθούν ενεργά. Στην ολοκλήρωση της έρευνας παρουσιάζονται κάποιες προτάσεις για βελτίωση των προσεγγίσεων, όπως η εξαγωγή εποχιακών χαρακτηριστικών και μοτίβων.
|
|---|
