Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Application and deep learning algorithms for the short-term and medium-term wind speed prediction

Kourtidis Dimitrios

Simple record


URIhttp://purl.tuc.gr/dl/dias/F47F8CDA-4D20-4D75-8AD2-20D0312BC570-
Identifierhttps://doi.org/10.26233/heallink.tuc.98920-
Languageen-
Extent9.6 megabytesen
Extent107 pagesen
TitleApplication and deep learning algorithms for the short-term and medium-term wind speed predictionen
TitleΕφαρμογή αλγορίθμων βαθιάς μάθησης για τη βραχυπρόθεσμη και μεσοπρόθεσμη πρόβλεψη της ταχύτητας του ανέμουel
CreatorKourtidis Dimitriosen
CreatorΚουρτιδης Δημητριοςel
Contributor [Thesis Supervisor]Stavrakakis Georgiosen
Contributor [Thesis Supervisor]Σταυρακακης Γεωργιοςel
Contributor [Committee Member]Zervakis Michailen
Contributor [Committee Member]Ζερβακης Μιχαηλel
Contributor [Committee Member]Kanellos Fotiosen
Contributor [Committee Member]Κανελλος Φωτιοςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryWind speed forecasting plays a pivotal role in various industries, particularly in the realms of environmental management and investments. Accurate predictions of wind speed are crucial for optimizing the performance of wind energy systems, aiding in efficient power generation and grid integration. Machine learning methods for wind speed forecasting leverage historical meteorological data and advanced algorithms to enhance prediction accuracy. Supervised and unsupervised learning techniques, including regression and neural networks, analyze past weather patterns to identify relationships and patterns for predicting future wind speeds. A big challenge in machine learning lies in the size and quality of the available datasets. When dealing with small datasets, models may struggle to generalize effectively, potentially leading to overfitting and limited predictive capabilities. Due to the small of the used dataset in this study, one of the primary goals is to increase its size using signal augmentation techniques. This was necessary for increasing the efficiency of wind speed forecasting which counts as the second goal of this thesis. Τhe generation of the new data was done in the frequency domain according to the Adjusted Amplitude Fourier Transform (AAFT) algorithm. Then, the goal was to develop and apply advanced deep learning for wind speed forecasting. The two models were a stacked autoencoder (SAE) and stacked independently recurrent autoencoder (SIRAE). The innovation in the present work lies in the design, implementation and application of SAE and SIRAE on the basis of signal based augmentation by means of AAFT. We first apply the AAFT algorithm to increase the size of the used dataset and we then divide it by month due to the seasonality of the wind speed,then we create subsequences, of different sizes, of the data that will be taken into account for the current forecast and then we train the models. The aim of this work is to create models with very high success rates and robustness and to be compared with the results from literature as well as the most suitable data subsequence size. The comparison between these two models made taking into account the MSE and RMSE of the forecasts. Both models showed high performance, so to draw clearer conclusions the RMSE of the two models was averaged. en
Content SummaryΗ πρόβλεψη ταχύτητας ανέμου διαδραματίζει κεντρικό ρόλο σε διάφορους κλάδους, ιδιαίτερα στους τομείς της περιβαλλοντικής διαχείρισης και των επενδύσεων. Οι ακριβείς προβλέψεις της ταχύτητας του ανέμου είναι ζωτικής σημασίας για τη βελτιστοποίηση της απόδοσης των συστημάτων αιολικής ενέργειας, βοηθώντας στην αποδοτική παραγωγή ενέργειας και στην ενοποίηση του δικτύου. Οι μέθοδοι μηχανικής εκμάθησης για την πρόβλεψη της ταχύτητας του ανέμου αξιοποιούν ιστορικά μετεωρολογικά δεδομένα και προηγμένους αλγόριθμους για τη βελτίωση της ακρίβειας πρόβλεψης. Οι εποπτευόμενες και μη εποπτευόμενες τεχνικές εκμάθησης, συμπεριλαμβανομένων της παλινδρόμησης και των νευρωνικών δικτύων, αναλύουν προηγούμενα καιρικά μοτίβα για να εντοπίσουν σχέσεις και μοτίβα για την πρόβλεψη μελλοντικών ταχυτήτων ανέμου. Μια μεγάλη πρόκληση στη μηχανική μάθηση έγκειται στο μέγεθος και την ποιότητα των διαθέσιμων συνόλων δεδομένων. Όταν ασχολούμαστε με μικρά σύνολα δεδομένων, τα μοντέλα μπορεί να δυσκολεύονται να γενικεύσουν αποτελεσματικά, οδηγώντας δυνητικά σε υπερβολική προσαρμογή και περιορισμένες δυνατότητες πρόβλεψης. Λόγω του μικρού συνόλου δεδομένων που χρησιμοποιείται σε αυτή τη μελέτη, ένας από τους πρωταρχικούς στόχους είναι να αυξηθεί το μέγεθός του χρησιμοποιώντας τεχνικές αύξησης σήματος. Αυτό ήταν απαραίτητο για την αύξηση της αποτελεσματικότητας της πρόβλεψης ταχύτητας ανέμου που μετράει ως ο δεύτερος στόχος αυτής της διατριβής. Η παραγωγή των νέων δεδομένων έγινε στο πεδίο συχνοτήτων σύμφωνα με τον αλγόριθμο προσαρμοσμένου πλάτους μετασχηματισμού Fourier (AAFT). Στη συνέχεια, ο στόχος ήταν να αναπτυχθεί και να εφαρμοστεί προηγμένη βαθιά εκμάθηση για την πρόβλεψη ταχύτητας ανέμου. Τα δύο μοντέλα ήταν ένας αυτοκωδικοποιητής στοίβαξης (SAE) και αυτοκωδικοποιητές επαναλαμβανόμενων ανεξάρτητων νευρωνικών δικτύων (SIRAE). Η καινοτομία στην παρούσα εργασία έγκειται στον σχεδιασμό, την υλοποίηση και την εφαρμογή του SAE και του SIRAE με βάση την ενίσχυση σήματος μέσω του AAFT. Αρχικά εφαρμόζουμε τον αλγόριθμο AAFT για να αυξήσουμε το μέγεθος του χρησιμοποιούμενου συνόλου δεδομένων και στη συνέχεια το διαιρούμε ανά μήνα λόγω της εποχικότητας της ταχύτητας του ανέμου και μετά δημιουργούμε υποακολουθίες, διαφορετικών μεγεθών, των δεδομένων που θα ληφθούν υπόψη για τη τρέχουσα πρόβλεψη και μετά εκπαιδεύουμε τα μοντέλα. Στόχος αυτής της εργασίας είναι η δημιουργία μοντέλων με πολύ υψηλά ποσοστά επιτυχίας και ευρωστίας και η σύγκριση με τα αποτελέσματα από τη βιβλιογραφία καθώς και το καταλληλότερο μέγεθος υποακολουθίας δεδομένων. Η σύγκριση μεταξύ αυτών των δύο μοντέλων έγινε λαμβάνοντας υπόψη το MSE και το RMSE των προβλέψεων. Και τα δύο μοντέλα εμφάνισαν υψηλές επιδόσεις, επομένως για να βγουν πιο ξεκάθαρα συμπεράσματα το RMSE των δύο μοντέλων υπολογίστηκε κατά μέσο όρο. el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2024-03-01-
Date of Publication2024-
SubjectWind speed forecastingen
SubjectAutoencodersen
SubjectData augmentationen
Bibliographic CitationDimitrios Kourtidis, "Application and deep learning algorithms for the short-term and medium-term wind speed prediction", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024en
Bibliographic CitationΔημήτριος Κουρτίδης, "Εφαρμογή αλγορίθμων βαθιάς μάθησης για τη βραχυπρόθεσμη και μεσοπρόθεσμη πρόβλεψη της ταχύτητας του ανέμου", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el

Available Files

Services

Statistics