Κατάλογος Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Βασίλειου Πέτικα

με θέμα

Νευρο-ασαφείς Τεχνικές Πρόβλεψης Παραγωγής Ενέργειας
Neuro-fuzzy Techniques for Energy Production Forecasting

Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Σταυρακάκης (επιβλέπων)
Καθηγητής Ευτύχιος Κουτρούλης 
Αναπληρωτής Καθηγητής Γεώργιος Ατσαλάκης (Σχολή ΜΠΔ, Πολυτεχνείο Κρήτης)

Περίληψη

Η αυξημένη ζήτηση για καθαρές και βιώσιμες πηγές ενέργειας, σε συνδυασμό με τις ανησυχίες για την κλιματική αλλαγή και τη μείωση των ορυκτών καυσίμων, έχει οδηγήσει στην προώθηση των ανανεώσιμων πηγών ενέργειας (ΑΠΕ) ως βασικό στόχο της παγκόσμιας ενεργειακής πολιτικής. Η στροφή προς τις ανανεώσιμες πηγές, όπως η ηλιακή, η αιολική και η υδροηλεκτρική ενέργεια, κρίνεται αναγκαία για τη μείωση των εκπομπών αερίων θερμοκηπίου, την ενίσχυση της ενεργειακής ασφάλειας και την επίτευξη βιώσιμης ανάπτυξης.
Σε αυτό το πλαίσιο, η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή νευρο-ασαφών τεχνικών, ειδικότερα του Προσαρμοστικού Νευρο-Ασαφούς Συστήματος Συμπερασμού (ANFIS), για την εκτίμηση της παραγωγής ενέργειας από Φωτοβολταϊκά.
Ο στόχος της μελέτης είναι να αντιμετωπίσει τις προκλήσεις που ανακύπτουν από την αυξανόμενη ενσωμάτωση των ΑΠΕ στο ηλεκτρικό δίκτυο, καθώς απαιτεί ακριβείς και αξιόπιστες μεθόδους εκτίμησης για τη διασφάλιση της σταθερότητας και της αποδοτικότητας του δικτύου. Η πρόβλεψη της απόδοσης των ΑΠΕ είναι κρίσιμη λόγω της ασταθούς και απρόβλεπτης φύσης τους. Τα ηλεκτρικά δίκτυα χρειάζονται σταθερή και αξιόπιστη παροχή ενέργειας, και η ακριβής εκτίμηση μπορεί να μειώσει τους κινδύνους και τα κόστη που σχετίζονται με την αποθήκευση ή την αναπλήρωση ενέργειας.
Η μεθοδολογία περιλαμβάνει τη συλλογή και επεξεργασία ιστορικών δεδομένων παραγωγής ενέργειας από φωτοβολταϊκά συστήματα, ακολουθούμενη από την ανάπτυξη και εκπαίδευση του μοντέλου ANFIS. Το μοντέλο αυτό συγκρίνεται με παραδοσιακές στατιστικές μεθόδους όπως τα μοντέλα Αυτοπαλινδρόμησης (AR) και Αυτοπαλινδρόμησης Κινούμενου Μέσου (ARMA), καθώς και με ένα Τεχνητό Νευρωνικό Δίκτυο (ANN) και ένα Ασαφές Σύστημα Συμπερασμού Τύπου-2 (Type-2 FIS), βελτιστοποιημένο με χρήση του Σμήνους Σωματιδίων (PSO).
Τα αποτελέσματα δείχνουν ότι το ANFIS υπερτερεί έναντι των επιλεγμένων μοντέλων όσον αφορά την ακρίβεια των προβλέψεων και την προσαρμοστικότητα σε μεταβαλλόμενες περιβαλλοντικές συνθήκες. Η μελέτη καταλήγει στο συμπέρασμα ότι η ενσωμάτωση ευφυών συστημάτων όπως το ANFIS μπορεί να βελτιώσει σημαντικά την ακρίβεια και την αξιοπιστία των εκτιμήσεων παραγωγής από ΑΠΕ, διευκολύνοντας έτσι την αποδοτική και σταθερή ενσωμάτωσή τους στο ενεργειακό δίκτυο.
Αυτή η έρευνα συνεισφέρει στον τομέα της Ενέργειας και παρέχει μια ολοκληρωμένη συγκριτική ανάλυση διαφόρων μοντέλων εκτίμησης. Επιπλέον, αναδεικνύει τα πλεονεκτήματα των νευρο-ασαφών τεχνικών στη διαχείριση της μεταβλητότητας και της αβεβαιότητας που συνδέονται με τις ΑΠΕ. Τα ευρήματα καταδεικνύουν τη δυναμική του ANFIS ως ένα ισχυρό εργαλείο για την εκτίμηση παραγωγής ενέργειας, προωθώντας έτσι την ανάπτυξη και υιοθέτηση τεχνολογιών που σχετίζονται με τις ΑΠΕ.

Abstract 
The increased demand for clean and sustainable energy sources, combined with concerns about climate change and the reduction of fossil fuels, has led to the promotion of renewable energy sources (RES) as a key objective of global energy policy. The shift towards renewable sources, such as solar, wind and hydroelectric power, is considered necessary to reduce greenhouse gas emissions, enhance energy security and achieve sustainable development.
In this context, this thesis examines the application of neuro-fuzzy techniques, in particular the Adaptive Neuro-Fuzzy Inference System (ANFIS), for the estimation of energy production from Photovoltaics.
The objective of the study is to address the challenges posed by the increasing integration of RES in the power grid, which requires accurate and reliable estimation methods to ensure grid stability and efficiency. Forecasting the performance of RES is critical due to their volatile and unpredictable nature. Power grids require stable and reliable energy supplies, and accurate estimation can reduce the risks and costs associated with energy storage or replenishment.
The methodology involves the collection and processing of historical energy data from PV systems, followed by the development and training of the ANFIS model. This model is compared to traditional statistical methods, such as Autoregressive (AR) and Autoregressive Moving Average (ARMA) models, as well as an Artificial Neural Network (ANN), and a Type-2 Fuzzy Inference System optimized using Particle Swarm Optimization (PSO).
The results show that ANFIS outperforms the selected models in terms of prediction accuracy and adaptability to changing environmental conditions. The study concludes that integrating intelligent systems such as ANFIS can significantly improve the accuracy and reliability of RES generation estimates, thus facilitating their efficient and stable integration into the energy grid.
This research contributes to the energy sector and provides a comprehensive comparative analysis of different estimation models. Furthermore, it highlights the advantages of neuro-fuzzy techniques in managing the variability and uncertainty associated with renewable energy sources. The findings demonstrate the potential of ANFIS as a powerful tool for energy production estimation, thus promoting the development and adoption of renewable energy-related technologies.

Meeting ID: 826 1700 3433
Password: 921530