Δημιουργία μοντέλων πρόγνωσης της παραγομένης ενέργειας σε αιολικό πάρκο με την χρήση τεχνητών νευρωνικών δικτύων
Development of forecasting models concerning the energy produced in a wind farm using artificial neural networks
Λέξεις-κλειδιά
Μηχανική μάθηση ; Νευρωνικά δίκτυα ; Τεχνητή νοημοσύνη ; Τεχνητά νευρωνικά δίκτυα ; Μοντέλα πρόβλεψης ; Χρονοσειρές ; Αιολικά πάρκα ; Πρόβλεψη φορτίου παραγωγήςΠερίληψη
Η παρούσα διπλωματική εργασία μελετά την δυνατότητα πρόβλεψης παραγόμενης ενέργειας μίας ανεμογεννήτριας στο Μεσσόπιο Όρος . Αρχικά , πραγματοποιήθηκε βιβλιογραφική ανασκόπηση του παρόντος θέματος ,όπου εκεί εξετάστηκε εκτενέστερα η ανεμογεννήτρια του αιολικού πάρκου με αναφορά στα δεδομένα χρονοσειρών και οι μέθοδοι βραχυπρόθεσμης πρόβλεψης φορτίου παραγωγής. Έπειτα, έλαβε χώρα η ανάλυση των τεχνικών νευρωνικών δικτύων (ΤΝΔ) και μελετήθηκε ο τρόπος που χρησιμοποιούνται για την κατανόηση και ανάλυση σύνθετων προβλημάτων. ¨Όσον αναφορά το πρακτικό κομμάτι όπου παρουσιάζονται η μεθοδολογία και τα αποτελέσματα της πειραματικής διαδικασίας, έγινε η εφαρμογή των μοντέλων βραχυπρόθεσμης πρόβλεψης με τη χρήση της γλώσσας προγραμματισμού Python. Στις παραπάνω εφαρμογές έγινε πρόβλεψη με τη χρήση δύο μοντέλων τεχνητής νοημοσύνης. Αναλυτικότερα έγινε χρήση ενός μοντέλου πολυστρωματικής αντίληψης-νόησης MLP (Multilayer Perceptron) και ένα αναδρομικό νευρωνικό δίκτυο (RNN) LSTM (Long Short-Term Memory) . Πιο αναλυτικά , για την διεξαγωγή της ανάλυσης έγινε χρήση δεδομένων από μία ελεύθερης πρόσβασης βάση δεδομένων (Reneables.ninja.com) για μία ανεμογεννήτρια τύπου Vestas V90 με μορφή χρονοσειρών , για το έτος 2019. Ως δεδομένα για τα μοντέλα προβλέψεων χρησιμοποιήθηκαν η ταχύτητα του ανέμου με ωριαίο βήμα , η ονομαστική-Θεωρητική παραγόμενη ενέργεια της ανεμογεννήτριας και η πραγματική παραγόμενη ενέργεια. Μετά την κατάλληλη εκπαίδευση, παρουσιάζονται διαγράμματα όπου φαίνεται η ακρίβεια πρόβλεψης των μοντέλων για πρόβλεψη 48 εμπρόθεσμων ωρών ( με ωριαίο βήμα) και γίνεται σύγκριση των αποτελεσμάτων. Τέλος , παρουσιάζονται τα συμπεράσματα και η βιβλιογραφία που χρησιμοποιήθηκε για την παρούσα διπλωματική εργασία.
Περίληψη
This thesis examines the potential for predicting the energy output of a wind turbine on Messopeio Mountain. Initially, a literature review on the subject was conducted, which extensively examined the wind turbine of the wind farm with reference to time series data and short-term load forecasting methods. Subsequently, the analysis of neural network techniques (NNT) was carried out, studying how they are used for understanding and analyzing complex problems.Regarding the practical section, which presents the methodology and the results of the experimental process, short-term prediction models were implemented using the Python programming language. In these applications, predictions were made using two models: an MLP (Multilayer Perceptron) neural network and an LSTM (Long Short-Term Memory) recurrent neural network (RNN).More specifically, for the analysis, data from an open-access database (Reneables.ninja.com) were used for a Vestas V90 wind turbine in the form of time series for the year 2019. The data used for the prediction models included wind speed, the nominal energy output of the wind turbine, and the actual energy output. Subsequently, diagrams are presented showing the prediction accuracy of the models for a forecast of 48 hours ahead, and a comparison of the results is made. Finally, the conclusions and the bibliography used for this thesis are presented.
Αριθμός σελίδων
60Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανολόγων ΜηχανικώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές