Aplikace strojového učení na energetických trzích
Machine learning in energy markets
Type of document
diplomová prácemaster thesis
Author
Nikola Sokolová
Supervisor
Uhrín Matej
Opponent
Jindra Vojtěch
Field of study
Datové vědyStudy program
Otevřená informatikaInstitutions assigning rank
katedra počítačůRights
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
Show full item recordAbstract
Cílem naší práce bylo předpovědět hodnotu produkce elektrické energie pro následující den vodní elektrárny na říčním toku. Analyzovali jsme možnosti pro jednokrokové předpovědi pro denní průměrná data a vícekrokové předpovědi pro hodinová průměrná data produkce elektrické energie, přičemž jsme jako prediktory použili hydrometeorologická data. Poté jsme prozkoumali vztah mezi daty o počasí a produkcí elektrické energie. Navrhli jsme několik přístupů, konkrétně Exponenciální vyhlazování, ARIMA a Temporální konvoluční síť. Zjistili jsme, že nejlépe fungující model bylo jednoduché Exponenciální vyhlazování bez jakýchkoliv exogenních proměnných, a že tyto exogenní proměnné neposkytovaly žádné další informace. The goal of our work was to predict the day-ahead value of electricity production from a run-of-river hydropower plant. We analysed potential options for single-step predictions for daily average data and multi-step predictions for hourly average data of electricity production, using hydrometeorological data as predictors. Then, we investigated the relationship between the weather data and electricity production. We proposed several approaches, namely Exponential Smoothing, ARIMA, and Temporal Convolutional Network. We found that the best-performing model was simple Exponential Smoothing without any exogenous variables, and that these exogenous variables did not
Collections
- Diplomové práce - 13136 [966]