Aplikace transformerů pro predikci systémové odchylky v elektrické přenosové soustavě

Abstract

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.