Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Πρόβλεψη ενεργειακού προφίλ του λιμένα Σούδας για το έτος 2030

Kouletakis Konstantinos

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/E21479BC-1189-4BC8-993B-D526C1E071C4
Έτος 2021
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Κωνσταντίνος Κουλετάκης, "Πρόβλεψη ενεργειακού προφίλ του λιμένα Σούδας για το έτος 2030", Διπλωματική Εργασία, Σχολή Χημικών Μηχανικών και Μηχανικών Περιβάλλοντος, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021 https://doi.org/10.26233/heallink.tuc.89674
Εμφανίζεται στις Συλλογές

Περίληψη

Τα λιμάνια χαρακτηρίζονται από τη γεωγραφική συγκέντρωση των δραστηριοτήτων υψηλής ενεργειακής ζήτησης λόγω της εγγύτητας τους σε μητροπολιτικές περιοχές, καθώς και την λειτουργία τους ως κεντρικών κόμβων για τη μεταφορά πρώτων υλών. Τις τελευταίες δεκαετίες, η ανάγκη για καλύτερη κατανόηση και παρακολούθηση των δραστηριοτήτων που σχετίζονται με την ενέργεια, οι οποίες πραγματοποιούνται κοντά ή μέσα στο λιμάνι, έχει γίνει πιο εμφανής ως συνέπεια της αυξανόμενης συνάφειας των ενεργειακών συναλλαγών, της ευαισθητοποίησης του κοινού για το περιβάλλον και της μεγαλύτερης εστίασης στην βιομηχανική ενεργειακή απόδοση. Με στόχο μια μακροπρόθεσμη αναπτυξιακή στρατηγική, η εκτίμηση της μελλοντικής ενεργειακής απαίτησης είναι απαραίτητη, πράγμα το οποίο υλοποιείται μέσα από μοντέλα πρόβλεψης.Στην παρούσα διπλωματική εργασία μελετήθηκε το εγχείρημα δημιουργίας ενός υπερσύγχρονου μοντέλου πρόβλεψης του προφίλ της κατανάλωσης ηλεκτρικής ενέργειας που αναμένεται να έχει ο λιμένας Σούδας για το έτος 2030. Για την εκπλήρωση του σκοπού αυτού δημιουργήθηκαν 11 μοντέλα πρόβλεψης χρησιμοποιώντας πραγματικά δεδομένα κατανάλωσης ενέργειας του λιμένα της πενταετίας 2015-2019, καθώς και μετεωρολογικά δεδομένα της περιοχής, διαχωρισμένα σε τρεις βασικές κατηγορίες – ωριαία, ημερήσια και μηνιαία. Ως μέθοδοι χρησιμοποιήθηκαν η Απλή Γραμμική Παλινδρόμηση, η Μέθοδος Διάσπασης Χρονοσειρών, η Box-Jenkins μέθοδος ARIMA καθώς και αλγόριθμοι Μηχανικής Μάθησης και Τεχνητά Νευρωνικά Δίκτυα.Από την διεξαγωγή της μελέτης και την ανάλυση των αποτελεσμάτων, αρχικά αποκαλύφθηκε πως κύριος παράγοντας ηλεκτρικής απαίτησης αποτελεί ο εξοπλισμός φωτισμού του λιμενικού χώρου, με μεγαλύτερες καταναλώσεις κατά την διάρκεια της νύχτας και την χειμερινή περίοδο. Κατόπιν, το καλύτερο μοντέλο πρόβλεψης κατανάλωσης ενέργειας, σύμφωνα με το μέσο τετραγωνικό σφάλμα MSE (4,86 kWh2), ήταν αυτό του αλγορίθμου μηχανικής μάθησης Exponential GPR, με βάση τα ωριαία δεδομένα, το οποίο εκτιμά ετήσια κατανάλωση ενέργειας στις 1.027.649,94 kWh, αυξημένο κατά περίπου 54% σε σχέση με το 2019. Παράλληλα, όλα τα μοντέλα πρόβλεψης εκτιμούν κατανάλωση ηλεκτρικής ενέργειας πάνω από 1.000.000 kWh, γεγονός το οποίο απαιτεί άμεσες ενέργειες στο παρόν για την αντιμετώπιση της ζήτησης αυτής και αναδεικνύει επιπλέον την ανάγκη για περαιτέρω έρευνα στoν τομέα δημιουργίας αξιόπιστων μοντέλων πρόβλεψης.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά