Στατιστική ανάλυση δεδομένων παραγωγής ηλεκτρικής ενέργειας αιολικών πάρκων Στατιστική ανάλυση δεδομένων παραγωγής ηλεκτρικής ενέργειας αιολικών πάρκων Statistical analysis of wind farms’ electricity production data Διπλωματική Εργασία Diploma Work 2023-12-192023elΤα 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.In 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.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνExarchakos_Georgios_Dip_2023.pdfChania [Greece]Library of TUC2023-12-19application/pdf3.9 MBfree Exarchakos Georgios Εξαρχακος Γεωργιος Christopoulos Dionysios Χριστοπουλος Διονυσιος Kanellos Fotios Κανελλος Φωτιος Stavrakakis Georgios Σταυρακακης Γεωργιος Tsakiridou Sofia Τσακιριδου Σοφια Πολυτεχνείο Κρήτης Technical University of Crete Timeseries