Predikce zatížení v elektroenergetické přenosové soustavě pomocí metod hlubokého učení pro více horizontů

Abstract

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.