Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Πρόβλεψη κατανάλωσης ενέργειας με χρήση αλγορίθμων μηχανικής μάθησης

Kontos Stefanos

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/0CE399F0-3A14-4B4B-80EC-A4C3936909DF
Έτος 2021
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Stefanos Kontos, "Energy consumption prediction via machine learning algorithms ", Diploma Work, School of Electronic and Computer Engineering, Technical University of Crete, Chania, Greece, 2021 https://doi.org/10.26233/heallink.tuc.90795
Εμφανίζεται στις Συλλογές

Περίληψη

Με την πάροδο των χρόνων η χρήση ανανεώσιμων πηγών ενέργειας σε κατοικίες αυξάνεται. Επίσης η χρήση των ηλεκτρικών αυτοκινήτων είναι σε αξιοσημείωτη αύξηση και αυτό αποτελεί αιτία για επένδυση σε ερευνητικό κομμάτι ώστε να αναβαθμιστεί το ηλεκτρικό δίκτυο. Για το λόγο αυτό ο διαγωνισμός Power Trading Agent (PowerTAC) παρέχει μια πλατφόρμα προσομοίωσης πολλαπλών πρακτόρων για αγοραπωλησίες ηλεκτρικής ενέργειας. Σε αυτή την πλατφόρμα αντίπαλοι πράκτορες - μεσίτες ανταγωνίζονται στις αγοραπωλησίες. Ο κύριος σκοπός τους είναι να αποκομίσουν το μέγιστο δυνατό κέρδος. Η πλατφόρμα αποτελείται από χονδρικό και λιανικό εμπόριο καθώς επίσης και από αγορά τιμολόγησης αλλά και αγορά εξισορρόπησης τιμών, οι οποίες ανεβάζουν την πολυπλοκότητα της στρατηγικής του μεσίτη. Η κάθε ομάδα φτιάχνει το δικό της μεσίτη ο οποίος πρέπει να είναι ευέλικτος ανάμεσα στους καταναλωτές, τους παραγωγούς και τις αγορές αποσκοπώντας στο κέρδος. Για το σκοπό αυτό μια ομάδα φοιτητών ΗΜΜΥ στην οποία συμμετείχε ο συγγραφέας, δημιούργησε τον TUC-TAC 2020, τον πράκτορα που εκπροσώπησε το Πολυτεχνείο Κρήτης στον διαγωνισμό PowerTAC 2020, ο οποίος στέφθηκε πρωταθλητής του διαγωνισμού. Σε αυτή τη διπλωματική, παρουσιάζουμε τη στρατηγική του πράκτορα από την πλευρά της πρόβλεψης κατανάλωσης ενέργειας των πελατών. Ο στόχος είναι να παράγουμε προβλέψεις της ζήτησης των πελατών του πράκτορά μας για μελλοντικές χρονικές στιγμές. Το πρόβλημα προσεγγίστηκε κυρίως με κλασικές μεθόδους Μηχανικής Μάθησης, συμπεριλαμβανoμένων και των Νευρωνικών Δικτύων. Το κομμάτι των προβλέψεων ενσωματώνεται στον υπόλοιπο πράκτορα με σκοπό να του παρέχει πληροφορίες που θα βοηθήσουν στη λήψη αποφάσεων κατά τη διάρκεια του διαγωνισμού. Όλες οι διαφορετικές προσεγγίσεις περιγράφονται με λεπτομέρειες, με πειραματικά αποτελέσματα και συγκρίσεις ώστε να καταλήξουμε στην καλύτερη στρατηγική πρόβλεψης κατανάλωσης για τους επερχόμενους διαγωνισμούς.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά