Συντάχθηκε 05-07-2021 09:05
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 07/07/2021 13:00
Λήξη: 07/07/2021 14:00
ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ Διπλωματικής
Όνοματεπώνυμο Φοιτητή: Κωνσταντίνος Κουλετάκης
Α.Μ.: 2015050060
Ημερομηνία Παρουσίασης: Τετάρτη 7/7/2021
Ώρα: 13:00-14:00
Αίθουσα: Zoom
Join Zoom Meeting
https://tuc-gr.zoom.us/j/87443344555?pwd=RVh0b1hSc21kWWhaWTNDcSs5YnJDQT09
Meeting ID: 874 4334 4555
Password: 349656
Θέμα « Πρόβλεψη ενεργειακού προφίλ του λιμένα Σούδας για το έτος 2030 »
Title « Energy profile forecast of the Souda port for the year 2030 »
Επιβλέπων: Καθηγητής Θεοχάρης Τσούτσος
Τριμελής Εξεταστική Επιτροπή:
1 Καθηγητής Θεοχάρης Τσούτσος
3 Καθηγητής Κωνσταντίνος ΚαλαΪτζάκης
3 Αν. Καθηγητής Τρύφων Δάρας
Περίληψη:
Τα λιμάνια χαρακτηρίζονται από τη γεωγραφική συγκέντρωση των δραστηριοτήτων υψηλής ενεργειακής ζήτησης λόγω της εγγύτητας τους σε μητροπολιτικές περιοχές, καθώς και την λειτουργία τους ως κεντρικών κόμβων για τη μεταφορά πρώτων υλών. Τις τελευταίες δεκαετίες, η ανάγκη για καλύτερη κατανόηση και παρακολούθηση των δραστηριοτήτων που σχετίζονται με την ενέργεια, οι οποίες πραγματοποιούνται κοντά ή μέσα στο λιμάνι, έχει γίνει πιο εμφανής ως συνέπεια της αυξανόμενης συνάφειας των ενεργειακών συναλλαγών, της ευαισθητοποίησης του κοινού για το περιβάλλον και της μεγαλύτερης εστίασης στην βιομηχανική ενεργειακή απόδοση. Με στόχο μια μακροπρόθεσμη αναπτυξιακή στρατηγική, η εκτίμηση της μελλοντικής ενεργειακής απαίτησης είναι απαραίτητη, πράγμα το οποίο υλοποιείται μέσα από μοντέλα πρόβλεψης.
Στην παρούσα διπλωματική εργασία μελετήθηκε το εγχείρημα δημιουργίας ενός υπερσύγχρονου μοντέλου πρόβλεψης του προφίλ της κατανάλωσης ηλεκτρικής ενέργειας που αναμένεται να έχει ο λιμένας Σούδας για το έτος 2030. Για την εκπλήρωση του σκοπού αυτού δημιουργήθηκαν 11 μοντέλα πρόβλεψης χρησιμοποιώντας πραγματικά δεδομένα κατανάλωσης ενέργειας του λιμένα της πενταετίας 2015-2019, καθώς και μετεωρολογικά δεδομένα της περιοχής, διαχωρισμένα σε τρεις βασικές κατηγορίες – ωριαία, ημερήσια και μηνιαία. Ως μέθοδοι χρησιμοποιήθηκαν η Απλή Γραμμική Παλινδρόμηση, η Μέθοδος Διάσπασης Χρονοσειρών, η Box-Jenkins μέθοδος ARIMA καθώς και αλγόριθμοι Μηχανικής Μάθησης και Τεχνητά Νευρωνικά Δίκτυα.
Από την διεξαγωγή της μελέτης και την ανάλυση των αποτελεσμάτων, αρχικά αποκαλύφθηκε πως κύριος παράγοντας ηλεκτρικής απαίτησης αποτελεί ο εξοπλισμός φωτισμού του λιμενικού χώρου, με μεγαλύτερες καταναλώσεις κατά την διάρκεια της νύχτας και την χειμερινή περίοδο. Κατόπιν, το καλύτερο μοντέλο πρόβλεψης κατανάλωσης ενέργειας, σύμφωνα με το μέσο τετραγωνικό σφάλμα MSE (4,86 kWh2), ήταν αυτό του αλγορίθμου μηχανικής μάθησης Exponential GPR, με βάση τα ωριαία δεδομένα, το οποίο εκτιμά ετήσια κατανάλωση ενέργειας στις 1.027.649,94 kWh, αυξημένο κατά περίπου 54% σε σχέση με το 2019. Παράλληλα, όλα τα μοντέλα πρόβλεψης εκτιμούν κατανάλωση ηλεκτρικής ενέργειας πάνω από 1.000.000 kWh, γεγονός το οποίο απαιτεί άμεσες ενέργειες στο παρόν για την αντιμετώπιση της ζήτησης αυτής και αναδεικνύει επιπλέον την ανάγκη για περαιτέρω έρευνα στoν τομέα δημιουργίας αξιόπιστων μοντέλων πρόβλεψης.
Abstract:
Ports are characterized by the geographical concentration of activities of high energy demand due to their proximity to metropolitan areas, as well as their function as central hubs for the transportation of raw materials. In recent decades, the need for a better understanding and monitoring of energy-related activities, which takes place near or in port, has become more apparent as a result of the growing relevance of energy transactions, public awareness of the environment and focus on industrial energy efficiency. Aiming at a long-term development strategy, estimating future energy demand is essential which is implemented through forecasting models.
In the present dissertation, the project of creating a state-of-the-art model for forecasting the electricity consumption profile that the port of Souda is expected to have for the year 2030, was studied. To fulfill this purpose, 11 forecast models were created, using real port energy consumption data from the five-year period 2015-2019 as well as meteorological data of the region, divided into three main categories - hourly, daily and monthly. Simple Linear Regression, Decomposition Method, Box-Jenkins ARIMA method, as well as Machine Learning algorithms and Artificial Neural Networks, were used as methods.
From the conduct of the study and the analysis of the results, it was initially revealed that the main factor of electrical demand is the lighting equipment of the port area, with higher consumption during the night and the winter period. Then, the best model for predicting energy consumption, according to the mean square error MSE (4.86 kWh2), was that of the Exponential GPR machine learning algorithm, based on hourly data, which estimates annual energy consumption at 1,027,649.94 kWh, an increase of about 54% compared to 2019. At the same time, all forecast models estimate electricity consumption of over 1,000,000 kWh, which requires immediate action now to address this demand and highlights the need for further research in the field of creating reliable forecasting models.
