Συντάχθηκε 27-09-2024 12:43
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 03/10/2024 10:00
Λήξη: 03/10/2024 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ιωάννη Ιωάννου
με θέμα
Ανάλυση Αιολικών Δεδομένων από την Κρήτη με Μεθόδους Χρονοσειρών
Analysis of Wind Data from the Island of Crete using Time Series Methods
Εξεταστική Επιτροπή
Καθηγητής Διονύσιος Χριστόπουλος (επιβλέπων)
Καθηγητής Αθανάσιος Λιάβας
Καθηγητής Ευτύχιος Κουτρούλης
Περίληψη
Η αύξηση του πληθυσμού της Γης έχει ως αποτέλεσμα την επιτάχυνση της ενεργειακής ζήτησης καθώς και των περιβαλλοντικών προβλημάτων. Η αιολική ενέργεια μπορεί να αντισταθμίσει κάποια από τα προβλήματα που δημιουργούνται, και για αυτό τον λόγο η εκμετάλλευσή της αποτελεί μια βιομηχανία που αναπτύσσεται με πολύ γοργούς ρυθμούς. Η ποσοτική ανάλυση και η πρόβλεψη της ταχύτητας του ανέμου είναι μείζονος σημασίας για την παραγωγή ενέργειας καθώς και για την λήψη αποφάσεων. Συνεπώς, για την πρόβλεψη της ταχύτητας του ανέμου είναι σημαντικό να βρεθούν αξιόπιστα μαθηματικά μοντέλα με τα μικρότερα δυνατά σφάλματα εκτίμησης. Σκοπός της παρούσας διπλωματικής εργασίας, είναι η πρόβλεψη ταχύτητας ανέμου με μοντέλα χρονοσειρών στο νησί της Κρήτης και πιο συγκεκριμένα στις περιοχές της Σητείας και του Κισσάμου. Χρησιμοποιούνται ιστορικά δεδομένα τα οποία αντλήθηκαν από την σελίδα Soda (SOlar radiation Data) που παρέχει δεδομένα επανανάλυσης (reanalysis). Η εργασία επεξεργάζεται δεδομένα ωριαίου βήματος για το έτος 2021, παρέχοντας μια στατιστική ανάλυση της ταχύτητας του ανέμου για τις δύο περιοχές καθώς και εύρεση των βέλτιστων κατανομών πιθανότητας που εφαρμόζονται καλύτερα στα δεδομένα. Στη συνέχεια, εφαρμόζεται το μοντέλο χρονοσειρών ARIMA (Autoregressive Integrated Moving Average) το οποίο παράγει ωριαίες προβλέψεις ανά εποχή για το έτος 2021. Οι προβλέψεις αφορούν την τελευταία ημέρα της εκάστοτε εποχής. Επίσης, εφαρμόζεται το μοντέλο SARIMA (Seasonal Autoregressive Integrated Moving Average) από το 2011 έως το 2020 με μηνιαίο βήμα, λαμβάνοντας τις μέσες τιμές για κάθε μήνα της περιόδου ανάλυσης. Ο στόχος είναι η διερεύνηση της εποχικότητας της ταχύτητας του ανέμου ώστε να γίνει η πρόβλεψη της για το έτος 2020 (βάσει των προηγούμενων ετών). Τα βέλτιστα μοντέλα επιλέχθηκαν βάσει των κριτηρίων AIC -- Akaike Information Criterion και BIC -- Bayesian Information Criterion αλλά βάσει της συμπεριφοράς των υπολοίπων της χρονοσειράς. Στη συνέχεια, χρησιμοποιώντας ως στατιστικά μέτρα την ρίζα του μέσου όρου των τετραγώνων των σφαλμάτων (RMSE) και τον μέσο όρο των απόλυτων τιμών των σφαλμάτων (MAE), αξιολογείται η ακρίβεια των προβλέψεων διαφορετικών μοντέλων ώστε να εκφρασθεί ποσοτικά η ακρίβεια των προβλέψεων.
Abstract
The growth of the Earth's population has resulted in accelerating energy demand as well as environmental problems. Wind energy can compensate for some of these problems, which is why its exploitation is an industry that is growing very rapidly. Quantitative analysis and prediction of wind speed is of major importance for energy production and for decision-making. It is therefore important to find reliable mathematical models with the smallest possible estimation errors for wind speed prediction. The aim of this thesis is the prediction of wind speed with time series models on the island of Crete and more specifically in the regions of Sitia and Kissamos. Historical data are used which were extracted from the Soda (SOlar radiation Data) page which provides reanalysis data.
The study processes hourly step data for the year 2021, providing a statistical analysis of wind speed for the two regions and determining the optimal probability distributions for the data. Next, the ARIMA (Autoregressive Integrated Moving Average) time series model is applied which produces hourly forecasts by season for the year 2021. The forecasts are for the last day of each season. The SARIMA (Seasonal Autoregressive Integrated Moving Average) model is also applied from 2011 to 2020 with a monthly step, taking the average values for each month of the analysis period. The objective is to investigate the seasonality of the wind speed in order to predict it for the year 2020 (based on previous years). The optimal models were selected based on the AIC -- Akaike Information Criterion and BIC -- Bayesian Information Criterion but based on the behaviour of the time series residuals. Then, using as statistical measures the root mean square error (RMSE) and the mean absolute error (MAE), the accuracy of the forecasts of different models is evaluated quantitatively.
