Aplikace transformerů pro predikci systémové odchylky v elektrické přenosové soustavě
Application of transformers for system imbalance prediction in electric power transmission system
Typ dokumentu
diplomová prácemaster thesis
Autor
Vojtěch Obhlídal
Vedoucí práce
Franc Jiří
Oponent práce
Veverka Petr
Studijní program
Aplikované matematicko-stochastické metodyInstituce přidělující hodnost
katedra matematikyPráva
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
Zobrazit celý záznamAbstrakt
Tato práce se zabývá použitím modelů založených na transformerech pro predikci systémové odchylky v elektrické síti. Na začátku je stanoven kontext trhu s elektřinou a přenosové soustavy. Jsou zdůrazněny výzvy, které přináší integrace obnovitelných zdrojů energie, a z toho vyplývající potřeba přesné předpovědi systémové odchylky. Poté je zkoumána architektura a schopnosti modelů transformerů s důrazem na použití attention mechanismu. Dále je podrobně popsáno předzpracování a aplikace dat z belgického trhu s elektřinou pro trénování a testování modelů. Následně je představena implementace modelů transformerů s důrazem na konkrétní úpravy architektury pro predikci časových řad. Nakonec je provedena komparativní analýza s metodami strojového učení, jako je vícevrstvý perceptron a XGBoost. This thesis investigates the application of transformer-based models for predicting system imbalance in the electrical grid. Initially, the study establishes the context of the electricity market and transmission system, highlighting the challenges posed by the integration of variable energy sources and the consequent need for accurate forecasting of system imbalance. It then explores the architecture and capabilities of transformer models, highlighting the use of the attention mechanism. The research meticulously details the preprocessing and use of Belgian electricity market data for model training and evaluation. Furthermore, the implementation of transformer-based models is examined, with an emphasis on specific architectural modifications suitable for time series forecasting. Finally, a comparative analysis is conducted with other machine learning forecasting methods, such as multilayer perceptron and XGBoost.
Kolekce
- Diplomové práce - 14101 [152]