Návrh a zhodnocení možností využití chytrého měření implementovaného v daném regionu

Abstract

Tato diplomová práce se věnuje problematice predikce spotřeby elektrické energie s pomocí dat z chytrých elektroměrů. Pro vytvoření teoretického rámce uvádí popis konceptů, které jsou s chytrým měřením spojeny, jako je např. AMM, AMI a Smart Grids. Dále popisuje současný stav rozvoje chytrého měření v ČR a v Evropě s pomocí příkladů několika vybraných zemí. Praktický příklad predikce z dat z chytrých elektroměrů je proveden s pomocí strojového učení, a to s pomocí dopředně orientované umělé neuronové sítě. Pro porovnání je dále použita predikce vytvořená s pomocí veřejně dostupných koeficientů TDD. Navržená metoda ANN dosahuje lepších výsledků než metoda využívající TDD, ač je rozdíl poměrně malý. Dále práce studuje několik implementačních scénářů pro osazování odběrných míst chytrými elektroměry a dochází k závěru doporučené osazovací strategie.

This thesis focuses on the topic of electric energy consumption prediction using data gathered from smart meters. In order to create a theoretical framework for the topic, the thesis contains a description of several concepts connected with smart metering, e. g. AMM, AMI and Smart Grids. Additionally, it describes the current state of smart metering roll-out in Czechia and Europe using examples from selected countries. The actual prediction from Smart Meter data is computed using machine learning, specifically a feed-forward neural network. For comparison, a prediction made using publicly available load profiles coefficients is used. The designed ANN method achieves better results than the load profiles method, although the difference is relatively small. Further, the thesis studies a selected number of implementation scenarios for installing smart meters at consumption points and comes to a conclusion of a recommended smart meter fitting strategy.