magistrsko delo
Taja Debeljak (Avtor), Jaka Smrekar (Mentor), Blaž Krese (Komentor)

Povzetek

Dereguliran trg električne energije in vedno večje povpraševanje po električni energiji povečujeta potrebo po modelih za napovedovanje odjema. Natančne napovedi udeležencem na trgu pomagajo pri načrtovanju, upravljanju in nadzoru sistemov električne energije. V magistrskem delu se ukvarjamo s problemom napovedovanja preostalega odjema električne energije. Med preostali odjem sodi odjem pri vseh odjemalcih, katerih priključna moč je manjša od 43 kW. Za napovedovanje se pogosto uporabljajo regresijske metode, ki večinoma dajejo zadovoljive rezultate. V našem primeru pa smo se problema napovedovanja lotili z metodo Gaussovih procesov, ki temelji na Bayesovi statistiki. Model Gaussovih procesov je v magistrskem delu predstavljen z dvema pristopoma, to sta pristop v prostoru funkcij in pristop v uteženem prostoru. Rezultat Gaussovega procesa pri novi vhodni točki je normalna verjetnostna porazdelitev določena s povprečjem in varianco. Povprečje predstavlja najverjetnejšo izhodno vrednost, varianca pa predstavlja informacijo o zaupanju v napovedano vrednost izhoda. Na količino odjema pomembno vplivajo različne vplivne spremenljivke, ki jih v delu analiziramo in preverimo katere je smiselno vključiti v model. Za implementacijo modela smo uporabili Pythonovo knjižnico za strojno učenje Scikit-Learn. Model smo preizkusili na podatkih preostalega odjema na območju distribucijskega omrežja Elektro Ljubljana, d.d.

Ključne besede

napoved preostalega odjema električne energije;Gaussovi procesi;Bayesovo sklepanje;strojno učenje;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UL FMF - Fakulteta za matematiko in fiziko
Založnik: [T. Debeljak]
UDK: 519.21
COBISS: 57711107 Povezava se bo odprla v novem oknu
Št. ogledov: 1380
Št. prenosov: 135
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Electricity load forecasting using Gaussian processes
Sekundarni povzetek: The deregulated electricity market and growing electricity demand are increasing the need for electrical load forecasting models. Accurate forecasts help market participants to plan, manage and control electricity systems. In the master's thesis we deal with the problem of forecasting the electricity consumption of all customers with a connection power of less than 43 kW. This includes households and small businesses. Electricity consumption will be predicted using Gaussian process model which is based on Bayesian statistics. We introduce two views to interpret Gaussian process regression models; function space view and weight space view. The result of Gaussian process is the normal probability distribution determined by mean and variance. The mean represents the most probable output value and the variance gives us information about confidence in the predicted output value. An energy demand is driven by many variables. A study of input variables was made to check which variables should be included in our model. We implemented this model using the Python's machine learning library, i.e. Scikit-Learn. Model was tested on the electrical load from a distribution network Elektro Ljubljana, d.d.
Sekundarne ključne besede: load forecasting;Gaussian processes;Bayesian inference;machine learning;
Vrsta dela (COBISS): Magistrsko delo/naloga
Študijski program: 0
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za matematiko in fiziko, Oddelek za matematiko, Finančna matematika - 2. stopnja
Strani: V, 59 str.
ID: 12712803
Priporočena dela: