Εντοπισμός ασυνήθιστων διακυμάνσεων στο σύστημα μεταφοράς ηλεκτρικής ενέργειας με αξιοποίηση τεχνικών μηχανικής μάθησης

Outlier Detection In Electrical Energy Data Using Machine Learning Algorithms (Αγγλική)

  1. MSc thesis
  2. Πριμικύριος, Ιωάννης
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 18 Σεπτεμβρίου 2022 [2022-09-18]
  5. Ελληνικά
  6. 76
  7. Ρίγγας, Δημήτριος
  8. Σακκόπουλος, Ευάγγελος | Καλλές, Δημήτριος
  9. Ανώμαλες Τιμές | Anomalies Outliers | Αναζήτηση Ανώμαλων Τιμών | Outlier Detection | Δεδομένα Ηλεκτρικής Ενέργειας | Electrical Energy Data | Μηχανική Μάθηση | Machine Learning | Μη Επιτηρούμενη Μάθηση | Unsupervised Machine Learning | Αλγόριθμοι Μηχανικής Μάθησης | Machine Learning Algorithms
  10. 2
  11. 31
  12. Περιέχει : πίνακες, διαγράμματα, εικόνες, σχήματα
    • Το αντικείμενο της εργασίας είναι η μελέτη δεδομένων ηλεκτρικής ενέργειας καθώς επίσης των αλγορίθμων Μηχανικής Μάθησης για τον εντοπισμό ανώμαλων τιμών σε αυτά. Αρχικά γίνεται μια ανάλυση της αγοράς ενέργειας αλλά και των δυσκολιών που υπάρχουν και κυρίως σχετίζονται με την διαθεσιμότητα κατάλληλων δεδομένων. Στη συνέχεια, γίνεται μια ανασκόπηση των αλγόριθμων που μελετήθηκαν αλλά και της μεθόδου που θα χρησιμοποιηθεί για την αξιολόγηση της απόδοσής τους. Η ανάλυση των δεδομένων και η εφαρμογή των αλγόριθμων έγινε με ανάπτυξη κώδικα που είχε στόχο εκτιμήσει ποια είναι η καλύτερη μέθοδος αλλά και να ανιχνεύσει ανώμαλες τιμές στα διαθέσιμα δεδομένα. Γίνεται περιγραφή των βημάτων που ακολουθήθηκαν κατά την υλοποίηση και των αποφάσεων που πάρθηκαν κατά τη διάρκεια αυτής. Τέλος, γίνεται παρουσίαση των αποτελεσμάτων, όπου αξιολογείται ποιοι αλγόριθμοι αποδίδουν καλύτερα με σκοπό την αναζήτηση ασυνήθιστων διακυμάνσεων σε δεδομένα ηλεκτρικής ενέργειας αλλά και πως οι αλγόριθμοι αυτοί επιτυγχάνουν να ανιχνεύσουν τις ανώμαλες τιμές.
    • The objective of this thesis is to study electrical energy data as well as Machine Learning Algorithms in order to detect outliers within them. The paper begins with an energy market analysis and the challenges mainly related with the availability of suitable data. Following this, the algorithms that were studied are being reviewed and a method to evaluate their efficiency is presented. The data analysis and the algorithm implementation were developed by a code aiming not only to assess which is the best method but to trace anomalies in data as well. The steps followed during the development of the code are being described together with an explanation of the decisions taken along the way. Finally, the results are demonstrated, where the algorithms are assessed for their effectiveness in outlier detection in energy data. Furthermore, the detection itself is illustrated in the available data.
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.