Grafové neuronové sítě pro modelování evropské elektrické sítě

Abstract

Evropská elektrická síť je složitý, propojený systém, který se rozprostírá přes mnoho zemí a podporuje přeshraniční obchod s energií. Přesné předpovědi toků elektřiny jsou zásadní pro udržení stability sítě a optimalizaci obchodních strategií. Tato diplomová práce zkoumá využití grafových neuronových sítí (GNN), konkrétně message passing neuronových sítí (MPNN), k predikci toků elektřiny s jednodenním předstihem napříč evropskými obchodními zónami. Studie využívá proprietární i open-source data, které zahrnují předpovědi výroby z obnovitelných zdrojů, zbytkové zatížení a tržní ukazatele, jako jsou teplota a ceny paliv. Byly vyvinuty a vyhodnoceny tři varianty modelu: základní MPNN, model s Monte Carlo dropoutem a bayesovská neuronová síť s kvantifikací nejistoty. Experimentální výsledky ukazují, že zatímco základní model dosáhl nejvyšší predikční přesnosti, modely zohledňující nejistotu poskytly cenné intervaly spolehlivosti, i když s výzvami v kalibraci. Analýza chyb předpovědi napříč hranicemi a denními dobami odhalila klíčové zdroje chyb související s volatilitou obnovitelných zdrojů a objemy regionálních toků. Tato zjištění demonstrují potenciál GNN pro modelování sítě a zdůrazňují oblasti pro budoucí zlepšení, včetně rozmanitosti ensamble modelů a adaptace v reálném čase.

The European electricity grid is a complex, interconnected system that spans multiple countries and supports cross-border energy trade. Accurate forecasting of electricity flows is essential for maintaining grid stability and optimizing trading strategies. This thesis investigates the application of Graph Neural Networks (GNNs), specifically Message Passing Neural Networks (MPNNs), for predicting day-ahead electricity flows across European bidding zones. The study incorporates proprietary and open-source datasets, capturing renewable generation forecasts, residual loads, and market indicators such as temperature and fuel prices. Three model variants were developed and evaluated: a baseline MPNN, a Monte Carlo Dropout model, and a Bayesian Neural Network with uncertainty quantification. Experimental results indicate that while the baseline model achieved the highest predictive accuracy, uncertainty-aware models offered valuable confidence intervals, albeit with challenges in calibration. Performance analysis across borders and time of day revealed key sources of error related to renewable volatility and regional flow volumes. These findings demonstrate the potential of GNNs for grid modeling and highlight areas for future improvement, including ensemble diversity and real-time adaptability.