Tαυτόχρονη αναγνώριση τάξης και παραμέτρων μοντέλων χρονοσειρών με χρήση πολυμοντελικού διαμελισμού
Η διατριβή αυτή αποτελείται από 6 κεφάλαια. Στο πρώτο κεφάλαιο παρουσιά-ζεται η μέθοδος για ταυτόχρονη αναγνώριση των παραμέτρων και της τάξης χρο-νικά αμετάβλητων πολύ-μεταβλητών (MutliVariate - MV) ακολουθιακών (Auto-Regressive - AR) μοντέλων υπό την παρουσία θορύβου, ως επέκταση της επιτυ-χημένης...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Δημοσίευση: |
2015
|
| Θέματα: | |
| Διαθέσιμο Online: | https://catalog.lib.aegean.gr/iguana/www.main.cls?surl=search&p=ed763fb5-024d-4d04-a952-e71cbf110eaa#recordId=1.103397 http://hdl.handle.net/11610/11030 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Η διατριβή αυτή αποτελείται από 6 κεφάλαια. Στο πρώτο κεφάλαιο παρουσιά-ζεται η μέθοδος για ταυτόχρονη αναγνώριση των παραμέτρων και της τάξης χρο-νικά αμετάβλητων πολύ-μεταβλητών (MutliVariate - MV) ακολουθιακών (Auto-Regressive - AR) μοντέλων υπό την παρουσία θορύβου, ως επέκταση της επιτυ-χημένης εφαρμογής του αλγόριθμου πολύ-μοντελικού διαμελισμού για τη βαθμω-τή περίπτωση. Επίσης μέσω εξομοιώσεων αποδεικνύεται ότι η μέθοδος είναι επι-τυχής και για χρονικά μεταβαλλόμενα MV AR μοντέλα. Η απόδοση του προτεινό-μενου αλγόριθμου συγκρίνεται με αυτήν άλλων καταξιωμένων μεθόδων.Στο δεύτερο κεφάλαιο εφαρμόζεται η μέθοδος πολυμοντελικού διαμελισμού με στόχο την αναγνώριση ενός μοντέλου που θα περιγράφει την κίνηση ενός δικτύου υπολογιστών και θα είναι σε θέση να εντοπίζει πιθανές ανωμαλίες. Τα δεδομένα που χρησιμοποιούνται είναι πραγματικά, προέρχονται από το δίκτυο του ΤΕΙ Α-θήνας, είναι εύκολα προσβάσιμα και αφορούν την εκμετάλλευση του εύρους ζώ-νης (bandwidth utilization) του δικτύου. Προηγείται επεξεργασία των δεδομένων αυτών με στόχο την εξαγωγή πληροφοριών που αφορούν την κανονική συμπερι-φορά ενός δικτύου και την τελική μοντελοποίησή της μέσω Περιοδικών Μοντέ-λων Μεικτών Διεργασιών (Auto Regressive Integrated Moving Average) SARIMA.To τρίτο κεφάλαιο είναι προέκταση της έρευνας του πρώτου κεφαλαίου και πραγματεύεται την εφαρμογή του αλγόριθμου πολυ-μοντελικού διαμελισμού για την ταυτόχρονη αναγνώριση της τάξης και των παραμέτρων πολύ-μεταβλητών μοντέλων μεικτών διεργασιών (MV AutoreRegressive Moving Average - ARMA) υπό την παρουσία θορύβου. Συμπληρωματικά μέσω εξομοιώσεων αποδεικνύεται πως ο προτεινόμενος αλγόριθμος μπορεί να εντοπίσει τυχόν αλλαγές της τάξης του μοντέλου σε πραγματικό χρόνο ακόμα και όταν η πολυπλοκότητα των μοντέ-λων αυξάνεται. Όπως και στο πρώτο κεφάλαιο η απόδοση του προτεινόμενου αλγόριθμου συγκρίνεται με αυτήν άλλων καταξιωμένων μεθόδων.Στο τέταρτο κεφάλαιο διερευνάται το πρόβλημα της αποτελεσματικής παραμε-τροποίησης, μοντελοποίησης και εκτίμησης της ζήτησης του ηλεκτρικού φορτίου χρησιμοποιώντας μοντέλα ARMA με τη χρήση πραγματικών δεδομένων. Στο πρώτο μέρος του κεφαλαίου αποδεικνύεται η δυνατότητα εφαρμογής ενός μοντέ-λου ARMA έπειτα από ειδική επεξεργασία, off line, των δεδομένων η οποία τους αφαιρεί την περιοδικότητα. Ακολούθως στα δεδομένα προστίθεται θόρυβος και πραγματοποιείται σύγκριση της προτεινόμενης μεθόδου -φίλτρο Λαϊνιώτη (Multi Model Partition Filter MMPF)- με άλλα καταξιωμένα κριτήρια με στόχο την επι-τυχή αναγνώριση της τάξης και των συντελεστών του υπάρχοντος μοντέλου ΑRΜΑ, όπως και στο προηγούμενο κεφάλαιο. Στη συνέχεια διερευνάται ποιες από τις μεθόδους που χρησιμοποιήθηκαν μπορούν να εκτιμήσουν τη διακύμανση του ηλεκτρικού φορτίου για μια εβδομάδα χωρίς να υπερβούν ένα συγκεκριμένο όριο λάθους, (2.5%). Στα συγκρινόμενα κριτήρια αυτή τη φορά προστίθενται και τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks-ANN). Επιπρόσθετα πραγματοποιείται η εκτίμηση της ημερήσιας μέγιστης ζήτησης φορτίου (daily peak forecast).Στο τελευταίο μέρος πραγματοποιείται η μοντελοποίηση της ζήτησης του ηλε-κτρικού φορτίου μέσω ενός μοντέλου SARIMA. Η μέθοδος πολυμοντελικού δια-μελισμού εφαρμόζεται και πάλι με στόχο την αναγνώριση ενός μοντέλου που θα περιγράφει τη διακύμανση του φορτίου και θα είναι ικανό να εντοπίζει πιθανές μη περιοδικές ανωμαλίες όπως υψηλή ζήτηση (peak load) ή σφάλμα στη γραμμή (blackout).Στο πέμπτο κεφάλαιο εφαρμόζονται μοντέλα ARMA με στόχο την αποτελεσμα-τική παραμετροποίηση και μοντελοποίηση της μεταβολής της αντίστασης του εδάφους. Τα δεδομένα που χρησιμοποιήθηκαν είναι πραγματικά και το μοντέλο ARMA προέκυψε έπειτα από την off line επεξεργασία τους. Στη συνέχεια προ-στίθεται θόρυβος στα δεδομένα και πραγματοποιείται σύγκριση της προτεινόμε-νης μεθόδου -φίλτρο Λαϊνιώτη (Multi Model Partition Filter MMPF)- με άλλα καταξιωμένα κριτήρια με στόχο την επιτυχή αναγνώριση της τάξης και των συ-ντελεστών του υπάρχοντος μοντέλου ΑRΜΑ, όπως και στο προηγούμενο κεφά-λαιο. Ο σκοπός της σύγκρισης είναι να διαπιστωθεί το κατά πόσο χρήσιμο μπορεί να είναι το μοντέλο αυτό όταν τα δεδομένα περιέχουν υψηλό θόρυβο ή όταν χρει-άζεται οn line μοντελοποίηση.Τέλος στο έκτο κεφάλαιο συνοψίζονται τα βασικότερα συμπεράσματα αυτής της διατριβής καθώς και προτάσεις για παραπέρα έρευνα. |
|---|