Predikce zatížení v elektroenergetické přenosové soustavě pomocí metod hlubokého učení pro více horizontů
Prediction of energy demand in the power system with deep learning multi horizon forecasting methods
Type of document
diplomová prácemaster thesis
Author
Yana Podlesna
Supervisor
Franc Jiří
Opponent
Šmíd Jakub
Field of study
Aplikace softwarového inženýrstvíStudy program
Aplikace přírodních vědInstitutions assigning rank
katedra softwarového inženýrstvíRights
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.htmlVysokoškolská 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
Metadata
Show full item recordAbstract
Tato práce se zabývá metodami hlubokého učení se zaměřením na Temporal Fusion Transformer (TFT) pro predikci zatížení v elektroenergetické přenosové soustavě pro více horizontů. Navrhovaná architektura modelu TFT pro zpracování časových řad zahrnuje dynamickou síť pro výběr proměnných, časové zpracování pomocí vrstvy kodéru dekodéru a mechanismus pozornosti. Výkonnost modelu TFT je porovnávána s tradičními modely strojového učení, jako jsou XGBoost a Random Forest, a je hodnocena na základě předpovědí pro denní trh (24 hodin dopředu) a mezidenní trh (6 hodin dopředu). Výsledky ukazují potenciál pokročilých metod hlubokého učení při zlepšování řízení energetické soustavy v kontextu rostoucí integrace obnovitelných zdrojů energie. This thesis addresses deep learning methods with a focus on Temporal Fusion Transformer (TFT) for multi-horizon load prediction in the power transmission system. The TFT model architecture proposed for time series processing includes dynamic variable selection network, temporal processing using encoder decoder layer and attention mechanism. The performance of the TFT model is compared with traditional machine learning models such as XGBoost and Random Forest, and is evaluated based on forecasts for the daily market (24 hours ahead) and the intraday market (6 hours ahead). The results show the potential of advanced deep learning methods in improving power system management in the context of increasing integration of renewable energy sources.