Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης
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...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16429 |
| id |
nemertes-10889-16429 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-164292022-09-05T20:25:20Z Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης Prediction of electricity consumption using deep learning techniques Ζαρμακούπης, Πολύκαρπος-Παρασκευάς Zarmakoupis, Polykarpos-Paraskevas Βαθιά μάθηση Νευρωνικά δίκτυα Πρόβλεψη κατανάλωσης ενέργειας Τεχνητή νοημοσύνη Deep learning Neural networks Prediction of electricity consumption Artificial intelligence 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. The purpose of this thesis is to predict electricity consumption using deep learning techniques. The data refer to hourly measurements in the years 2004 to 2018 on a transmission network in USA. The data is taken in its primitive form and then undergoes pre-processing of various kinds (removal of missing values, normalization, etc.), to feed it in the appropriate form to the deep learning model. The deep learning network used is the LSTM artificial neural network and there are produced 5 different prediction approaches for optimal analysis and evaluation of the models. Each approach is thoroughly analyzed in how the model was constructed and the hyperparameters used. Also, detailed results of each approach and the forecast graphs are presented. The results show that the training of the models in all approaches is excellent, while the prediction in all approaches is very satisfactory, indicating that all models have "learned" the behavior of the data and actively follow it. At the conclusion of the research, some proposals are presented to improve the approaches, such as the extraction of seasonal characteristics and patterns. 2022-07-07T11:20:20Z 2022-07-07T11:20:20Z 2022-07-07 http://hdl.handle.net/10889/16429 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Βαθιά μάθηση Νευρωνικά δίκτυα Πρόβλεψη κατανάλωσης ενέργειας Τεχνητή νοημοσύνη Deep learning Neural networks Prediction of electricity consumption Artificial intelligence |
| spellingShingle |
Βαθιά μάθηση Νευρωνικά δίκτυα Πρόβλεψη κατανάλωσης ενέργειας Τεχνητή νοημοσύνη Deep learning Neural networks Prediction of electricity consumption Artificial intelligence Ζαρμακούπης, Πολύκαρπος-Παρασκευάς Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης |
| description |
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. |
| author2 |
Zarmakoupis, Polykarpos-Paraskevas |
| author_facet |
Zarmakoupis, Polykarpos-Paraskevas Ζαρμακούπης, Πολύκαρπος-Παρασκευάς |
| author |
Ζαρμακούπης, Πολύκαρπος-Παρασκευάς |
| author_sort |
Ζαρμακούπης, Πολύκαρπος-Παρασκευάς |
| title |
Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης |
| title_short |
Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης |
| title_full |
Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης |
| title_fullStr |
Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης |
| title_full_unstemmed |
Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης |
| title_sort |
πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας με χρήση τεχνικών βαθιάς μάθησης |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16429 |
| work_keys_str_mv |
AT zarmakoupēspolykarposparaskeuas problepsēkatanalōsēsēlektrikēsenergeiasmechrēsētechnikōnbathiasmathēsēs AT zarmakoupēspolykarposparaskeuas predictionofelectricityconsumptionusingdeeplearningtechniques |
| _version_ |
1771297290247471104 |
