Μονάδα:
Τμήμα Πληροφορικής & ΤηλεπικοινωνιώνΠληροφορική
Ημερομηνία κατάθεσης:
2023-04-03
Συγγραφέας:
ΦΛΩΡΟΣ ΓΕΩΡΓΙΟΣ
Στοιχεία επιβλεπόντων καθηγητών:
Ιωάννης Εμίρης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, ΕΚΠΑ
Πρωτότυπος Τίτλος:
Wind Energy Prediction Using Deep Learning Architectures
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Πρόβλεψη Αιολικής Ενέργειας με τη Χρήση Αρχιτεκτονικών Βαθιάς Μάθησης
Περίληψη:
Η παρούσα πτυχιακή εργασία διερευνά τη χρήση διαφόρων αρχιτεκτονικών βαθιάς μάθησης για πρόβλεψη ενέργειας, χρησιμοποιώντας δεδομένα πρόβλεψης καιρού (WRF) και πραγματικές μετρήσεις από δύο αιολικά πάρκα. Η μέθοδος προ-επεξεργασίας περιγράφεται λεπτομερώς, ενώ ακολουθούν πειράματα με διαφορετικές τεχνικές εξαγωγής χαρα- κτηριστικών όπως συνελικτικά νευρωνικά δίκτυα (CNN), μέσο διάνυσμα (mean vector) και κεντρικό διάνυσμα (central vector), μαζί με χρονικά μοντέλα όπως τα νευρωνικά δίκτυα μακράς βραχείας μνήμης (LSTM), το μηχανισμό προσοχής (Attention mechanism) και τα μπλοκ μετασχηματιστή (Transformer blocks). Τα αποτελέσματα δείχνουν ότι η αποτελεσματική προ-επεξεργασία είναι ζωτικής σημασίας για τη βέλτιστη απόδοση και ότι οι μέθοδοι που βασίζονται στον μηχανισμό προσοχής αποδίδουν συγκρίσιμα ή ακόμα καλύτερα από τα LSTM ως χρονικά μοντέλα σε ορισμένες περιπτώσεις. Επιπλέον, η μελέτη εγείρει ερωτήματα σχετικά με την ουσιαστικότητα του CNN ως εξαγωγέα χαρακτηριστικών σε μερικές περιπτώσεις. Υποδηλώνει επίσης ότι η μεταφορά μάθησης (transfer learning) μεταξύ κοντινών πάρκων είναι πολλά υποσχόμενη προσέγγιση για την αντιμετώπιση περιορισμένων δεδομένων και μπορεί επίσης να χρησιμοποιηθεί για νέα πάρκα όπου υπάρχουν ανεπαρκή δεδομένα. Τέλος, η μελέτη επισημαίνει ορισμένα προβλήματα που αντιμετωπίσαμε και προτείνει μελλοντικές κατευθύνσεις.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
Μηχανική Μάθηση, Πρόβλεψη Αιολικής Ενέργειας, Νευρωνικά Δίκτυα, Μηχανισμός Προσοχής, Κωδικοποιητής Μετασχηματιστή
Αρ. σελίδων ευρετηρίου:
4
Αρ. βιβλιογραφικών αναφορών:
41
