Σύνοψη έξυπνου δικτύου και βραχυπρόθεσμη πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας σε οικιακούς χρήστες

Καρμοίρης, Γεώργιος

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Καρμοίρης, Γεώργιος
dc.date.accessioned	2023-05-08T10:48:34Z
dc.date.available	2023-05-08T10:48:34Z
dc.date.issued	2023
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/15380
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/2802
dc.description.abstract	Η παρούσα έρευνα έχει διεξαχθεί στο πλαίσιο του μεταπτυχιακού προγράμματος στο Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων, κατεύθυνση Μεγάλα Δεδομένα & Αναλυτική. Η εργασία χωρίζεται σε δύο κύριες ενότητες: επισκόπηση των έξυπνων δικτύων και βραχυπρόθεσμη πρόβλεψη ηλεκτρικής κατανάλωσης για οικιακούς χρήστες. Το ενεργειακό δίκτυο βρίσκεται σε φάση μετάβασης από συμβατικό δίκτυο σε έξυπνο. Αυτή η εργασία παρουσιάζει τις κύριες διαφορές μεταξύ αυτών και υπογραμμίζει τα κύρια χαρακτηριστικά και τα οφέλη ενός έξυπνου δικτύου. Η ανάπτυξη μιας τέτοιας υποδομής και πιο συγκεκριμένα η εγκατάσταση έξυπνων μετρητών, έχει αυξήσει σε τεράστιο βαθμό τον όγκο των δεδομένων που συλλέγονται. Οι πάροχοι ηλεκτρικής ενέργειας άρχισαν να εξετάζουν αυτά τα δεδομένα προκειμένου να εντοπίσουν μοτίβα και να βελτιώσουν τις υπηρεσίες και τα περιθώρια κέρδους τους. Η τεχνητή νοημοσύνη και οι τεχνικές μηχανικής μάθησης χρησιμοποιούνται επί του παρόντος σε μεγάλη κλίμακα για την πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας, κάτι απαραίτητο για τον σχεδιασμό, την απόκριση της ζήτησης, την ισορροπία προσφοράς-ζήτησης. Τα τελευταία πέντε χρόνια υπάρχει μεγάλο ενδιαφέρον για την πρόβλεψη φορτίου για οικιακούς καταναλωτές, πράγμα πολύ δύσκολο λόγω της αστάθειας τέτοιων δεδομένων. Υπάρχουν πολλά διαφορετικά μοτίβα κατανάλωσης ανάλογα με την περιοχή, τον τύπο του σπιτιού, τα δημογραφικά στοιχεία των κατοίκων, τον καιρό, την ύπαρξη ηλιακών συλλεκτών, την ύπαρξη ηλεκτρικού οχήματος. Τα δεδομένα, που εξετάστηκαν σε αυτή την εργασία, συλλέχθηκαν κατά τη διάρκεια του έργου GridFlexHeeten [97]. Τα δεδομένα συλλέχθηκαν μεταξύ Αυγούστου 2018 και Αυγούστου 2020 για 77 νοικοκυριά που βρίσκονται όλα στο Heeten (Ολλανδία) και αποτελούνται από κατανάλωση ηλεκτρικής ενέργειας ανά λεπτό ανά νοικοκυριό. Αφού κάναμε μια επεξηγηματική ανάλυση, δημιουργήσαμε μεμονωμένα μοντέλα, SARIMAX, Vanilla-LSTM, Encoder-Decoder LSTM, για τρία σπίτια και συγκρίναμε τα αποτελέσματα.	el
dc.format.extent	77	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Σύνοψη έξυπνου δικτύου και βραχυπρόθεσμη πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας σε οικιακούς χρήστες	el
dc.title.alternative	An overview on smart grid and short-term residential load forecasting	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This research has been conducted as part of the postgraduate program at the University of Piraeus, Department of Digital Systems, Big Data & Analytics. The work is divided in two main sections: overview of smart grids and short-term load forecasting for residential users. Energy grid is on a transition phase from a conventional grid to a smart one. This work presents the main differences between those two and highlights the main components and the benefits of a smart grid. The deployment of such an infrastructure and more specifically the installation of smart meter, has increased massively the amount of collected data. Providers started diving into those data in order to identify patterns and improve their services and profit margins. Artificial intelligence and machine learning technics are currently used in large scale for load forecasting, which is necessary for planning, demand response, supply-demand equilibrium. The past five years there is a high interest in load forecasting for residential consumers; a task that is very challenging due to the volatility of such data. There many different consumption patterns depending on the area, type of house, demographics of the residents, weather, existence of solar panels, existence of an electric vehicle. The data, examined in this work, was collected during the GridFlex Heeten project [99]. The data was collected between August 2018 and August 2020 in 77 households all situated in Heeten (The Netherlands) and consists of electricity consumption per minute per household. After performing an exploratory data analysis, we created individual models, SARIMAX, Vanilla-LSTM, Encoder-Decoder LSTM, for three houses and compared the results.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Έξυπνο δίκτυο	el
dc.subject.keyword	Smart grid	el
dc.subject.keyword	AMI	el
dc.subject.keyword	Χρονοσειρές	el
dc.subject.keyword	Timeseries	el
dc.subject.keyword	SARIMAX	el
dc.subject.keyword	LSTM	el
dc.subject.keyword	Encoder-Decoder LSTM	el
dc.date.defense	2023-02-28

Αρχεία σε αυτό το τεκμήριο

Name:: Karmoiris.pdf
Μέγεθος:: 3.993Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα