Συντάχθηκε 20-10-2021 14:45
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 02/11/2021 14:00
Λήξη: 02/11/2021 15:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΣΤΕΦΑΝΟΣ ΚΟΝΤΟΣ
θέμα
Πρόβλεψη Κατανάλωσης Ενέργειας με Χρήση Αλγορίθμων Μηχανικής Μάθησης
Energy Consumption Prediction via Machine Learning Algorithms
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Αναπληρωτής Καθηγητής Φώτιος Κανέλλος
Περίληψη
Με την πάροδο των χρόνων η χρήση ανανεώσιμων πηγών ενέργειας σε κατοικίες αυξάνεται. Επίσης η χρήση των ηλεκτρικών αυτοκινήτων είναι σε αξιοσημείωτη αύξηση και αυτό αποτελεί αιτία για επένδυση σε ερευνητικό κομμάτι ώστε να αναβαθμιστεί το ηλεκτρικό δίκτυο. Για το λόγο αυτό ο διαγωνισμός Power Trading Agent (PowerTAC) παρέχει μια πλατφόρμα προσομοίωσης πολλαπλών πρακτόρων για αγοραπωλησίες ηλεκτρικής ενέργειας. Σε αυτή την πλατφόρμα αντίπαλοι πράκτορες - μεσίτες ανταγωνίζονται στις αγοραπωλησίες. Ο κύριος σκοπός τους είναι να αποκομίσουν το μέγιστο δυνατό κέρδος. Η πλατφόρμα αποτελείται από χονδρικό και λιανικό εμπόριο καθώς επίσης και από αγορά τιμολόγησης αλλά και αγορά εξισορρόπησης τιμών, οι οποίες ανεβάζουν την πολυπλοκότητα της στρατηγικής του μεσίτη. Η κάθε ομάδα φτιάχνει το δικό της μεσίτη ο οποίος πρέπει να είναι ευέλικτος ανάμεσα στους καταναλωτές, τους παραγωγούς και τις αγορές αποσκοπώντας στο κέρδος. Για το σκοπό αυτό μια ομάδα φοιτητών ΗΜΜΥ στην οποία συμμετείχε ο συγγραφέας, δημιούργησε τον TUC-TAC 2020, τον πράκτορα που εκπροσώπησε το Πολυτεχνείο Κρήτης στον διαγωνισμό PowerTAC 2020, ο οποίος στέφθηκε πρωταθλητής του διαγωνισμού. Σε αυτή τη διπλωματική, παρουσιάζουμε τη στρατηγική του πράκτορα από την πλευρά της πρόβλεψης κατανάλωσης ενέργειας των πελατών. Ο στόχος είναι να παράγουμε προβλέψεις της ζήτησης των πελατών του πράκτορά μας για μελλοντικές χρονικές στιγμές. Το πρόβλημα προσεγγίστηκε κυρίως με κλασικές μεθόδους Μηχανικής Μάθησης, συμπεριλαμβανoμένων και των Νευρωνικών Δικτύων. Το κομμάτι των προβλέψεων ενσωματώνεται στον υπόλοιπο πράκτορα με σκοπό να του παρέχει πληροφορίες που θα βοηθήσουν στη λήψη αποφάσεων κατά τη διάρκεια του διαγωνισμού. Όλες οι διαφορετικές προσεγγίσεις περιγράφονται με λεπτομέρειες, με πειραματικά αποτελέσματα και συγκρίσεις ώστε να καταλήξουμε στην καλύτερη στρατηγική πρόβλεψης κατανάλωσης για τους επερχόμενους διαγωνισμούς.
Abstract
As time goes by renewable energy usage in the residential market rises. Electric vehicles usage is in a remarkable upside and this constitutes enough excuse for researchers to invest in upgrading the electricity grid. For that purpose, the Power TAC competition provides a multi-agent simulation platform for electricity markets. In this platform, adversary brokers compete into buying and selling energy. Their primary target is to obtain max profit. The platform consists of retail, wholesale, balancing and tariff markets, which push the complexity of the broker's strategy up. Teams need to construct a broker that can manoeuvre with flexibility among consumers, producers and markets in order to accumulate profits. One such agent was TUC-TAC 2020, the agent that represented the Technical University of Crete in the PowerTAC 2020 international competition, and which was developed by a team of students in which this thesis author participated. TUC-TAC was crowned the PowerTAC 2020 champion, competing against 7 other agents representing universities from 6 different countries. In this thesis, we present TUC-TAC's energy consumption predictor module. The goal in our thesis was to predict the consumption of our agent's customers for the future timeslots. The problem was mainly approached with Machine Learning as a regression problem. Neural Networks were also implemented and tested. The predictor module is integrated to the agent in order to provide information useful for the decision making in the tournament environment. All the different approaches are presented in detail with experimental results and comparisons. We believe that this work can serve as a departure point to build even more successful trading agents in the future.
Meeting ID: 942 1103 5144
Password: 672083
