Refine
Document Type
- Bachelor Thesis (1)
- Master's Thesis (1)
Year of publication
- 2021 (2) (remove)
Keywords
- Elektrizitätserzeugung (2) (remove)
Institute
Gegenwärtig stehen die Länder der Welt vor verschiedenen Herausforderungen, und das Erreichen des Ziels einer nachhaltigen Energieentwicklung ist das gemeinsame Ziel der gesamten Menschheit. Mit dem raschen Fortschritt von Wissenschaft und Technologie sowie Industrietechnologie sind Energieeinschränkungen immer wichtiger geworden. Die Verwendung von Primärenergiequellen wie Kohle, Öl und Erdgas für die Stromversorgung kann nicht nur das schnelle Wachstum des Energiebedarfs nicht garantieren, sondern verursacht auch eine Reihe von Umweltproblemen, wenn sie genutzt und genutzt werden, wie Z.B : Wasserverschmutzung, Staub, schädliche Gase usw. Die Daten zeigen, dass die weltweiten Ressourcenreserven derzeit äußerst knapp sind. Unter anderem kann Erdgas nur 50 Jahre lang weltweit und Öl nur 40 Jahre lang genutzt werden. Gleichzeitig sind die Länder nach dem Nukleares Leck in Japan vorsichtiger, in Kernkraftwerke zu investieren. Dies fördert auch indirekt die Entwicklung einiger erneuerbarer Energiequellen wie Solar- und Windenergie.
Over the past few years, wind and solar power plants have increasingly contributed to energy production. However, due to fluctuating energy sources, the energy production data contain disruption. Such disrupted data lead to the wrong prediction performance, and they need to be estimated by other values. In this thesis, we provide a comparative study to estimate the online disrupted data based on the data of similar groups of power plants, We apply three estimation techniques, e.g., mean, interpolation, and k-nearest neighbor to estimate the disruption on training data. We then apply four clustering algorithms, e.g., k-means, neural gas, hierarchical agglomerative, and affinity propagation, with two similarity measures, e.g., euclidean and dynamic time warping to form groups of power plants and compare the results. Experimental results show that when KNN estimation is applied to data, and neural gas and agglomerative with dtw are used to cluster the data, the cluster quality scores and execution time give better results compared to others. Therefore, we conclude and choose KNN estimation to reconstruct the online disrupted data on each group of a similar power plants.