Analýza a predikce systémové odchylky v přenosové soustavě elektrické energie

Abstract

Tato diplomová práce se zabývá krátkodobou predikcí systémové odchylky v elektrizační soustavě České republiky s využitím metod strojového učení. Problém je formulován jako úloha binární klasifikace, jejímž cílem je určit směr odchylky (kladný nebo záporný) s předstihem jedné a dvou hodin. Byl vytvořen rozsáhlý datový soubor obsahující více než 300 proměnných, sestavený z různých zdrojů, včetně ČEPS, OTE, ENTSO-E a JAO, pokrývající období od ledna 2023 do května 2025 s hodinovým rozlišením. Byly provedeny korelační a autokorelační analýzy k identifikaci klíčových ovlivňujících proměnných v dlouhodobém i krátkodobém horizontu. Pro oba predikční horizonty byly vytvořeny klasifikační modely pomocí knihovny scikit-learn a jejich výkonnost byla ověřena na testovacích datech z posledních dvou měsíců. Dále byly aplikovány dvě kalibrační metody, Plattova kalibrace a izotonická regrese, pro zlepšení spolehlivosti predikovaných pravděpodobností. Ačkoli výsledky modelů nedosahují vysoké přesnosti, potvrzují potenciál datově orientovaného přístupu v této oblasti. Práce poskytuje pevný základ pro další rozvoj pomocí pokročilých modelovacích technik a adaptivních strategií.

This thesis addresses the short-term forecasting of power system imbalance in the Czech Republic using machine learning. The problem is formulated as a binary classification task, aiming to predict the direction (positive or negative) of imbalance one and two hours ahead. A comprehensive dataset was created by aggregating over 300 features from multiple sources, including ČEPS, OTE, ENTSO-E, and JAO, covering the period from January 2023 to May 2025 at hourly resolution. Correlation and autocorrelation analyses were used to identify key influencing features across both long-term and short-term periods. Several classification models were developed using the scikit-learn library and evaluated on unseen data from the final two months. Additionally, two calibration methods, Platt Scaling and Isotonic Regression, were applied to improve the reliability of predicted probabilities. While the models show moderate predictive performance, the results confirm the potential of data-driven approaches in this domain. The thesis provides a strong foundation for further development using advanced modeling techniques and adaptive strategies.