BP - Predikce profilů spotřeby elektrické energie

Bakalářská práce na téma Predikce profilů spotřeby elektrické energie

• Text práce v této podsložce
• Zdrojové kódy k této práci v této podsložce

Abstrakt

Tato práce se zabývá problematikou krátkodobých a střednědobých predikcí spotřeby elektrické energie pomocí hlubokých neuronových sítí a dalších metod strojového učení. Finální modely jsou natrénovány na datových sadách poskytnuté společností Albistech a na veřejných datech společnosti UK Power Networks. Datové sady byly očištěny a byla na nich provedena explorační analýza pro dosažení lepších výsledků. Výsledky ukazují, že finální modely dokáží předpovídat až s 95% přesností v rámci jednoho dne a dokáží tak poskytnout spolehlivé výsledky pro budoucí implementaci v informačním systému NEO a poskytnout tak zákazníkům nástroj pro efektivnější hospodaření.

Zadání

1. Seznamte se s metodami pro prediktivní modelování a proveďte detailní rešerši používaných metod.
2. Navrhněte a implementujte model(y), které na základě znalosti kontextu a okolních podmínek budou s určitou mírou nejistoty schopné generovat chybějící nebo budoucí hodnoty ze zaznamenaných posloupností měření.
3. Vytvořené modely metodicky vyhodnoťte a srovnejte s pomocí standardních metrik.
4. Teoretické znalosti i praktické zkušeností z řešení tohoto tématu stručně a přehledně shrňte a diskutujte v závěrečné zprávě.

Literatura

[1] TSO, Geoffrey K.F. a Kelvin K.W. YAU. Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks. Energy [online]. 2007, 32(9), 1761-1768 [cit. 2022-06-20]. ISSN 03605442. Dostupné z: doi:10.1016

[2] MÜLLER, Vojtěch. Parametrické modelování spotřeby elektrické energie pomocí prediktivních metod [online]. Západočeská univerzita v Plzni, 2021 [cit. 2022-06-20]. Dostupné z: https://dspace5.zcu.cz/handle/11025/46075. Kvalifikační. Západočeská univerz

[3] SHAPI, Mel Keytingan M., Nor Azuana RAMLI a Lilik J. AWALIN. Energy consumption prediction by using machine learning for smart building: Case study in Malaysia. Developments in the Built Environment [online]. 2021, 5 [cit. 2022-06-20]. ISSN 26661659.>

[4] BOŘIL, Petr. Modelování a predikce spotových cen elektrické energie [online]. Brno, 2013 [cit. 2022-06-20]. Dostupné z: https://theses.cz/id/218q0x/. Bakalářská práce. Masarykova univerzita, Přírodovědecká fakulta. Vedoucí práce Ing. Daniel Němec, Ph. D.