Συντάχθηκε 25-07-2024 10:07
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 29/07/2024 12:00
Λήξη: 29/07/2024 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ
Ονοματεπώνυμο: Νικηφόρος Μπούρος
Αριθμός Μητρώου: 2018010046
Θέμα:
Τίτλος στα Ελληνικά: Πρόβλεψη της ζήτησης του φυσικού αερίου στην Ελλάδα με χρήση του Προσαρμοστικού Συστήματος Νευρο-Ασαφούς Συμπερασμού ANFIS
Τίτλος στα Αγγλικά: Forecasting natural gas demand in Greece using the Adaptive Neuro-Fuzzy Inference System - ANFIS
Εξεταστική Επιτροπή:
Επιβλέπων: Ατσαλάκης Γεώργιος, Αναπληρωτής Καθηγητής
Πρώτο Μέλος: Δούμπος Μιχάλης, Καθηγητής
Δεύτερο Μέλος: Ζοπουνίδης Κων/νος, Καθηγητής
Περίληψη:
Ο ενεργειακός τομέας αποτελεί την κινητήρια δύναμη των οικονομιών παγκοσμίως, καθώς δεν περιορίζεται μόνο στην τροφοδότηση της βιομηχανικής ανάπτυξης, επιτρέποντας έτσι την τεχνολογική εξέλιξη και καινοτομία, αλλά παράλληλα, συντηρεί συνολικά τις ανάγκες της καθημερινής ζωής. Για το λόγο αυτό, οι προβλέψεις στον τομέα της ενέργειας κρίνονται απαραίτητες, με την παρούσα εργασία να επικεντρώνεται στην πρόβλεψη της ζήτησης του φυσικού αερίου. Προκειμένου να αναπτυχθεί ένα ακριβές μοντέλο πρόβλεψης φυσικού αερίου για την Ελλάδα, εξετάζεται η εφαρμογή του προσαρμοστικού συστήματος νευρο-ασαφούς συμπερασμού (ANFIS), μια ευέλικτη και εύχρηστη τεχνική η οποία ενσωματώνει τα νευρωνικά δίκτυα με τις αρχές της ασαφούς λογικής. Αρχικά, γίνεται ανασκόπηση παρόμοιων μελετών και παρουσιάζονται οι μηχανισμοί δημιουργίας, αναζήτησης, εξόρυξης, επεξεργασίας και διανομής φυσικού αερίου, με ειδική αναφορά στην ελληνική αγορά και τους κύριους φορείς της. Ακολουθεί το θεωρητικό υπόβαθρο των μοντέλων πρόβλεψης, με αναφορά στις χρονοσειρές, την ασαφή λογική και τα νευρο-ασαφή συστήματα, με έμφαση στη μέθοδο ANFIS και στην αρχιτεκτονική της. Χρησιμοποιώντας δεδομένα της ημερήσιας εισαγωγής φυσικού αερίου από το 2008 και σε βάθος δεκαπενταετίας στην Ελλάδα, από τη βάση δεδομένων της ΔΕΠΑ Εμπορίας, η ανάλυση πραγματοποιείται με τη χρήση του λογισμικού MATLAB. Η διαδοχική δοκιμή παραμέτρων και επανάληψη της μεθόδου με το μοντέλο ANFIS παρουσιάζει χαμηλή τιμή στη ρίζα του μέσου τετραγωνικού σφάλματος (RMSE) και χαμηλότερα σφάλματα σε σχέση με το Αυτοπαλίνδρομο Μοντέλο (AR) και το Αυτοπαλίνδρομο Μοντέλο Κινητού Μέσου (ARMA), αναδεικνύοντας έτσι το ANFIS ως ένα ικανοποιητικά αποτελεσματικό εργαλείο στην πρόβλεψη της ζήτησης φυσικού αερίου.
Περίληψη (Αγγλικά):
The energy sector is the driving force of economies worldwide, as it is not only limited to fueling industrial development, thus enabling technological evolution and innovation, but at the same time, it sustains the needs of daily life as a whole. For this reason, forecasts in the energy sector are deemed necessary, with the present paper focusing on the forecasting of natural gas demand. In order to develop an accurate natural gas forecasting model for Greece, the application of the adaptive neuro-fuzzy inference system (ANFIS), a flexible and easy-to-use technique that integrates neural networks with fuzzy logic principles, is considered. Initially, similar studies are reviewed and the mechanisms of creation, search, extraction, processing and distribution of natural gas are presented, with special reference to the Greek market and its main players. The theoretical background of forecasting models follows, with reference to time series, fuzzy logic and neuro-fuzzy systems, with an emphasis on ANFIS method and its architecture. Using data of the daily import of natural gas from 2008 and over fifteen years in Greece, from the database of DEPA Commercial, the analysis is carried out using the MATLAB software. Sequential parameter testing and method iteration with the ANFIS model shows low root mean square error (RMSE) and lower errors than the Autoregressive (AR) and ARMA (Autoregressive Moving Average) models, thus highlighting ANFIS as a satisfactorily effective tool in natural gas demand forecasting.
Ημ/νία εξέτασης: 29-07-2024
Ώρα: 12:00
Χώρος εξέτασης:
Η παρουσίαση θα γίνει με τηλεδιάσκεψη: https://tuc-gr.zoom.us/j/82617003433?pwd=ZVJoemtxa2JHYUtkYW9Nd0RpQlpzdz09
