Towards broad, low-cost solar radiation forecasting using machine learning

Chantampakis Nikolaos

URI	http://purl.tuc.gr/dl/dias/67FD5A4A-4F2A-4644-813F-5EE5F86816A4	-
Identifier	https://doi.org/10.26233/heallink.tuc.103051	-
Language	en	-
Extent	55 pages	en
Title	Towards broad, low-cost solar radiation forecasting using machine learning	en
Title	Μηχανική μάθηση για χαμηλού κόστους πρόβλεψη ηλιακής ακτινοβολίας σε ευρεία περιοχή	el
Creator	Chantampakis Nikolaos	en
Creator	Χανταμπακης Νικολαος	el
Contributor [Thesis Supervisor]	Chalkiadakis Georgios	en
Contributor [Thesis Supervisor]	Χαλκιαδακης Γεωργιος	el
Contributor [Committee Member]	Samoladas Vasilis	en
Contributor [Committee Member]	Σαμολαδας Βασιλης	el
Contributor [Committee Member]	Panagopoulos Aris-Athanasios	en
Contributor [Committee Member]	Παναγοπουλος Αρης-Αθανασιος	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Technical University of Crete::School of Electrical and Computer Engineering	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Description	Διπλωματική εργασία που κατατέθηκε στη σχολή ΗΜΜΥ του Πολυτεχνείου Κρήτης για την πλήρωση των προϋποθέσεων λήψης προπτυχιακού διπλώματος.	el
Content Summary	In the past few years, solar radiation prediction has been paramount in a multitude of sectors, from energy production via renewable energy sources, to tracking climate change, among others. So far, work in the area lacks in large area coverage, ease of access, or uses past solar radiation readings, relying on related equipment being already on-site. In this work, we provide insight into the efficacy of neural networks in the area, accompanied with data sourced from varying providers. In order to achieve this, we create and vet a weather reading dataset from a large variety of stations, which are more indicative of what smaller organizations or individuals may have access to, instead of more tailored datasets. We utilize this dataset to train a number of neural networks, each with different architectures, and evaluate their results so as to set a standard to be improved upon in later work utilizing a similar type of dataset. The results indicate that, even utilizing a much broader dataset than what has been used in the past, neural networks show promise in this area, especially with more targeted implementations.	en
Content Summary	Τα τελευταία χρόνια, η πρόβλεψη ηλιακής ακτινοβολίας έχει γίνει αναπόσπαστο κομμάτι πλήθους τομέων, όπως, μεταξύ άλλων, η παραγωγή ενέργειας μέσω ανανεώσιμων πηγών και η παρακολούθηση της κλιματικής αλλαγής. Ως τώρα, οι σχετικές εργασίες γύρω από το θέμα είτε καλύπτουν πολύ μικρό χώρο, είτε είναι δυσπρόσιτες/μη προσβάσιμες από τον περισσότερο κόσμο, είτε χρησιμοποιούν χρονοσειρές μετρήσεων ηλιακής ακτινοβολίας ως εισόδους, βασιζόμενες στην ύπαρξη σχετικού εξοπλισμού στο σημείο-στόχο. Στην παρούσα διπλωματική εργασία, εξετάζουμε την αποδοτικότητα των νευρωνικών δικτύων εκπαιδευμένων με δεδομένα από διάφορες πηγές. Συγκεκριμένα, δημιουργούμε και ελέγχουμε ένα σύνολο μετρήσεων καιρικών συνθηκών από μεγάλο πλήθος σταθμών, ως πιο ενδεικτικό του τύπου δεδομένων στα οποία μπορούν να έχουν πρόσβαση μικρότερες οργανώσεις ή επιμέρους άτομα. Προτεραιοποιούμε τη χρήση τέτοιων μετρήσεων έναντι της χρήσης πιο προσαρμοσμένων δεδομένων. Αξιοποιούμε το σύνολο δεδομένων μας για να εκπαιδεύσουμε ένα πλήθος νευρωνικών δικτύων με διαφορετικές αρχιτεκτονικές, και αξιολογούμε τα αποτελέσματά τους ώστε να θέσουμε ένα πρότυπο προς βελτίωση σε μελλοντικές εργασίες που θα χρησιμοποιούν ένα παρόμοιο σύνολο δεδομένων. Τα αποτελέσματα δείχνουν ότι ακόμη και με ένα πολύ μεγαλύτερο/ευρύτερο σύνολο δεδομένων από όσα έχουν χρησιμοποιηθεί ως τώρα, συγκεκριμένες στοχευμένες υλοποιήσεις νευρωνικών δικτύων μπορεί να είναι αποτελεσματικές στο συγκεκριμένο πρόβλημα.	el
Type of Item	Διπλωματική Εργασία	el
Type of Item	Diploma Work	en
License	http://creativecommons.org/licenses/by-nc-sa/4.0/	en
Date of Item	2025-05-05	-
Date of Publication	2025	-
Subject	Μηχανική μάθηση	el
Subject	Machine learning	en
Subject	Renewable Energy Sources	en
Subject	Ανανεώσιμες Πηγές Ενέργειας	el
Subject	Solar radiation forecasting	en
Subject	Πρόβλεψη ηλιακής ακτινοβολίας	el
Subject	Neural networks	en
Subject	Νευρωνικά δίκτυα	el
Bibliographic Citation	Nikolaos Chantampakis, "Towards broad, low-cost solar radiation forecasting using machine learning", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025	en
Bibliographic Citation	Νικόλαος Χανταμπάκης, "Μηχανική μάθηση για χαμηλού κόστους πρόβλεψη ηλιακής ακτινοβολίας σε ευρεία περιοχή", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025	el

Search

Browse

My Space

Towards broad, low-cost solar radiation forecasting using machine learning

Chantampakis Nikolaos

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: