Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Εφαρμογή αλγορίθμων βαθιάς μάθησης για τη βραχυπρόθεσμη και μεσοπρόθεσμη πρόβλεψη της ταχύτητας του ανέμου

Kourtidis Dimitrios

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/F47F8CDA-4D20-4D75-8AD2-20D0312BC570
Έτος 2024
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Δημήτριος 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, 2024 https://doi.org/10.26233/heallink.tuc.98920
Εμφανίζεται στις Συλλογές

Περίληψη

Η 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.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά