Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Στατιστική ανάλυση δεδομένων παραγωγής ηλεκτρικής ενέργειας αιολικών πάρκων

Exarchakos Georgios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/3DA63488-0336-480C-9CC3-2EEE150543D6-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.98373-
Γλώσσαel-
Μέγεθος183 σελίδεςel
Μέγεθος3.9 megabytesen
ΤίτλοςΣτατιστική ανάλυση δεδομένων παραγωγής ηλεκτρικής ενέργειας αιολικών πάρκων el
ΤίτλοςStatistical analysis of wind farms’ electricity production dataen
ΔημιουργόςExarchakos Georgiosen
ΔημιουργόςΕξαρχακος Γεωργιοςel
Συντελεστής [Επιβλέπων Καθηγητής]Christopoulos Dionysiosen
Συντελεστής [Επιβλέπων Καθηγητής]Χριστοπουλος Διονυσιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Kanellos Fotiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Κανελλος Φωτιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Stavrakakis Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Σταυρακακης Γεωργιοςel
Συντελεστής [Βοηθός Καθηγητή]Tsakiridou Sofiaen
Συντελεστής [Βοηθός Καθηγητή]Τσακιριδου Σοφιαel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηΤα τελευταία χρόνια, εντατικοποιείται η παραγωγή ηλεκτρικής ενέργειας από ανανεώσιμες πηγές ενέργειας. Η πολιτική αυτή συντελεί στην αντιμετώπιση της κλιματικής κρίσης. Τα συστήματα παραγωγής γίνονται υβριδικά και για να επιτυγχάνεται σωστά ο ημερήσιος ενεργειακός προγραμματισμός απαιτούνται ακριβείς προβλέψεις των φορτίων της κάθε μονάδας. Για το λόγο αυτό, με τη παρούσα διπλωματική εργασία γίνεται πρόβλεψη παραγωγής ηλεκτρικής ενέργειας και δίδεται έμφαση στα αιολικά πάρκα λόγω της απρόβλεπτης φύσης του ανέμου. Αρχικά, συλλέγονται τα δεδομένα και στη συνέχεια αφού ελεγχθούν ποιοτικά, δημιουργούνται οι απαραίτητες χρονοσειρές. Ακολουθεί η στατιστική ανάλυση τους ώστε να διαπιστωθεί η φύση τους και να ανιχνευθούν τάσεις, μοτίβα και αυτοσυσχετίσεις μεταξύ αυτών. Αφού γίνουν οι απαραίτητες μετατροπές, ελέγχονται και εκπαιδεύονται όλα τα πιθανά μοντέλα AR, MA, ARMA, ARIMA και SARIMA προκειμένου να επιλεχθεί το καταλληλότερο. Με βάση αυτό παράγονται προβλέψεις εκτός δείγματος εκπαίδευσης οι οποίες στη συνέχεια αξιολογούνται. Με το πέρας της διαδικασίας αυτής, αναπτύσσεται μια διαδικασία εκπαίδευσης μοντέλων μηχανικής μάθησης XGBoost με σκοπό τη παραγωγή ακόμα καλύτερων προβλέψεων από αυτές που προσέδωσαν τα στατιστικά μοντέλα. Με αυτόν τον τρόπο παράγουμε τις απαιτούμενες προβλέψεις οι οποίες μπορούν να αξιοποιηθούν στον ημερήσιο ενεργειακό προγραμματισμό.el
ΠερίληψηIn recent years, the production of electricity from renewable energy sources has intensified. This policy is helping to tackle the climate crisis. Generation systems are becoming hybrid and accurate forecasts of the loads of each plant are required to achieve proper daily energy planning. For this reason, with this thesis, power generation forecasting is done and emphasis is given to wind farms due to the unpredictable nature of wind. Initially, data are collected and then after being quality checked, the necessary time series are generated. This is followed by statistical analysis to establish their nature and detect trends, patterns and autocorrelations between them. Once the necessary transformations have been made, all possible AR, MA, ARMA, ARIMA and SARIMA models are tested and trained in order to select the most appropriate one. Based on this, out-of-sample training predictions are produced and evaluated. At the end of this process, an XGBoost machine learning model training process is developed to produce even better predictions than those provided by the statistical models. In this way we produce the required forecasts which can be used in daily energy planning.en
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2023-12-19-
Ημερομηνία Δημοσίευσης2023-
Θεματική ΚατηγορίαTimeseriesen
Βιβλιογραφική ΑναφοράΓεώργιος Εξαρχάκος, "Στατιστική ανάλυση δεδομένων παραγωγής ηλεκτρικής ενέργειας αιολικών πάρκων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023el
Βιβλιογραφική ΑναφοράGeorgios Exarchakos, "Statistical analysis of wind farms’ electricity production data", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2023en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά