Εμφάνιση απλής εγγραφής

dc.contributor.advisorΕυθυμιάδου, Σίσσυ
dc.contributor.authorΚανελλόπουλος, Τρύφωνας
dc.contributor.otherKanellopoulos, Tryfwnas
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2018-02-21T08:51:22Z
dc.date.available2018-02-21T08:51:22Z
dc.date.copyright2018-02-21
dc.date.issued2017-12
dc.identifier.otherΔΠΠ/2017/00160el_GR
dc.identifier.urihttp://hdl.handle.net/11128/3269
dc.descriptionΠεριέχει βιβλιογραφικές παραπομπές.el_GR
dc.description.abstractΤα τελευταία έτη παρατηρείται μια ευρύτατη διείσδυση των μονάδων παραγωγής ηλεκτρικής ενέργειας από ανανεώσιμες πηγές, στα σύγχρονα συστήματα παραγωγής, με αποτέλεσμα την αύξηση της εγκατεστημένης ισχύος στην Ευρώπη αλλά και παγκοσμίως. Η αιολική ενέργεια είναι μια από τις ευρύτερα χρησιμοποιούμενες εναλλακτικές μορφές ενέργειας, ωστόσο η διακοπτόμενη φύση της και η έντονη μεταβλητότητα της καθιστούν δύσκολη την ενσωμάτωση της στα συστήματα ηλεκτρικής ενέργειας, εφόσον η παραγωγή των μονάδων αυτών είναι μη ελεγχόμενη, σε αντίθεση με τις συνήθεις συμβατικές μονάδες παραγωγής ηλεκτρικής ενέργειας. Προς την κατεύθυνση επίλυσης του προβλήματος αυτού συμβάλλει αποφασιστικά η πρόβλεψη της αιολικής ισχύος, ώστε να καθίσταται ευκολότερη η διαχείριση και η ενσωμάτωση της στο δίκτυο. Στόχος της παρούσας διπλωματικής εργασίας είναι η πιθανοτική πρόβλεψη της αιολικής ισχύος με τη χρήση νευρωνικών δικτύων. Αναλυτικότερα θα εξεταστεί η ικανότητα πρόβλεψης των προγραμμάτων λογισμικού Zaitun και NeuroXL Predictor που στηρίζονται στα νευρωνικά δίκτυα. Τα προγράμματα αυτά είναι στατιστικά μοντέλα που δέχονται ως είσοδο απευθείας δεδομένα αριθμητικής πρόγνωσης καιρού και στην έξοδο παρουσιάζονται οι πιθανότητες εμφάνισης τιμών αιολικής ισχύος για δεδομένο χρονικό ορίζοντα. Αρχικά πραγματοποιείται μια αναλυτική παρουσίαση των βιολογικών και τεχνητών νευρωνικών δικτύων καθώς και οι βασικοί αλγόριθμοι εκπαίδευσης των δεύτερων. Έπειτα περιγράφεται η ενεργειακή κατάσταση στην Ευρώπη και στην Ελλάδα με έμφαση στην αιολική πραγματικότητα. Στη συνέχεια περιγράφονται κύρια χαρακτηριστικά και τα στατιστικά του ανέμου καθώς και οι ορίζοντες πρόβλεψης, τα μοντέλα πρόβλεψης και αναφοράς. Τέλος μελετάται η ικανότητα πρόβλεψης των προαναφερόμενων μοντέλων και αποτιμάται η αξιοπιστία τους.el_GR
dc.format.extentvii, 124 σ. 30 εκ.el_GR
dc.languagegrel_GR
dc.language.isogrel_GR
dc.publisherΑνοικτό Πανεπιστήμιο Κύπρουel_GR
dc.rightsinfo:eu-repo/semantics/closedAccessel_GR
dc.subjectΑιολική Ενέργειαel_GR
dc.subjectWind Energyel_GR
dc.subjectΑνανεώσιμες Πηγές Ενέργειαςel_GR
dc.subjectRenewable Energy Sourcesel_GR
dc.titleΠρόγνωση παραγωγής μονάδας αιολικής ενέργειας με τη χρήση νευρωνικών δικτύωνel_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractIn recent years there has been a widespread penetration of renewable power plants into modern production systems, resulting in an increase in installed capacity in Europe and globally. Wind power is one of the most widely used alternative forms of energy, but its intermittent nature and its high volatility make it difficult to integrate into power systems, since production of these units is uncontrolled, unlike usual conventional units of production of electrical power. In order to solve this problem, the wind power prediction is decisively contributing to making it easier to manage and integrate into the grid. The aim of this present diploma thesis is the probabilistic prediction of wind power using neural networks. In more detail, we will examine the prediction ability of Zaitun and NeuroXL Predictor software programs, which based on neural networks. These programs are statistical models that accept direct numerical weather forecast data as input, and the output presents the chances of wind power values for a given time horizon. Initially, a detailed presentation of the biological and artificial neural networks as well as the basic training algorithms of the second ones is carried out. Then, the energy situation in Europe and Greece with emphasis on wind reality is described. On the other hand the main features and wind statistics, as well as the forecasting horizons, predictive and reference models are described below. Finally, the prediction ability of the aforementioned models is studied and their reliability is evaluated.el_GR
dc.format.typepdfel_GR


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής