Aplikace strojového učení na energetických trzích
Machine learning in energy markets
dc.contributor.advisor | Uhrín Matej | |
dc.contributor.author | Nikola Sokolová | |
dc.date.accessioned | 2023-06-13T22:52:10Z | |
dc.date.available | 2023-06-13T22:52:10Z | |
dc.date.issued | 2023-06-13 | |
dc.identifier | KOS-1174747778505 | |
dc.identifier.uri | http://hdl.handle.net/10467/109217 | |
dc.description.abstract | Cílem naší práce bylo předpovědět hodnotu produkce elektrické energie pro následující den vodní elektrárny na říčním toku. Analyzovali jsme možnosti pro jednokrokové předpovědi pro denní průměrná data a vícekrokové předpovědi pro hodinová průměrná data produkce elektrické energie, přičemž jsme jako prediktory použili hydrometeorologická data. Poté jsme prozkoumali vztah mezi daty o počasí a produkcí elektrické energie. Navrhli jsme několik přístupů, konkrétně Exponenciální vyhlazování, ARIMA a Temporální konvoluční síť. Zjistili jsme, že nejlépe fungující model bylo jednoduché Exponenciální vyhlazování bez jakýchkoliv exogenních proměnných, a že tyto exogenní proměnné neposkytovaly žádné další informace. | cze |
dc.description.abstract | The goal of our work was to predict the day-ahead value of electricity production from a run-of-river hydropower plant. We analysed potential options for single-step predictions for daily average data and multi-step predictions for hourly average data of electricity production, using hydrometeorological data as predictors. Then, we investigated the relationship between the weather data and electricity production. We proposed several approaches, namely Exponential Smoothing, ARIMA, and Temporal Convolutional Network. We found that the best-performing model was simple Exponential Smoothing without any exogenous variables, and that these exogenous variables did not | eng |
dc.publisher | České vysoké učení technické v Praze. Vypočetní a informační centrum. | cze |
dc.publisher | Czech Technical University in Prague. Computing and Information Centre. | eng |
dc.rights | A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html | eng |
dc.rights | Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html | cze |
dc.subject | energetické trhy | cze |
dc.subject | předpověď produkce elektřiny vodní elektrárny | cze |
dc.subject | konvoluční síť | cze |
dc.subject | časové řady | cze |
dc.subject | obnovitelné zdroje energie | cze |
dc.subject | energy markets | eng |
dc.subject | prediction of hydropower plant's electricity production | eng |
dc.subject | temporal convolutional network | eng |
dc.subject | time series | eng |
dc.subject | renewable energy sources | eng |
dc.title | Aplikace strojového učení na energetických trzích | cze |
dc.title | Machine learning in energy markets | eng |
dc.type | diplomová práce | cze |
dc.type | master thesis | eng |
dc.contributor.referee | Jindra Vojtěch | |
theses.degree.discipline | Datové vědy | cze |
theses.degree.grantor | katedra počítačů | cze |
theses.degree.programme | Otevřená informatika | cze |
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
-
Diplomové práce - 13136 [892]