Флексибилност електроенергетског система / Зборник CIGRE (2023). (стр 1301-1313)
АУТОР(И) / AUTHOR(S): Александар Бојаров, Иван Миленковић
Е-АДРЕСА / E-MAIL: acabojarov@gmail.com
Download Full Pdf 
DOI: 10.46793/CIGRE36.1301B
САЖЕТАК / ABSTRACT:
Рад се бави описом математичког модела за предвиђање потрошње електроенергетског система Србије. Модел се базира на неколико напредних техника машинског учења које се користе за предвиђање временских серија и за моделовање комплексних система. Комплексни системи садрже велики број параметара који утичу на њихов рад. Самим тим, у циљу одређивања корелације између улазних података и потрошње система, потребни су улазни подаци различитог типа и у великом броју. Као извор података користимо платформу за транспарентност удружења европских оператора преносних система (https://transparency.entsoe.eu/). Koмбинацијом различитих статистичких, математичких и модела машинског учења, можемо добити врло поуздана предвиђања потрошње у распону од 24 часа. Модел можемо да користимо и за предвиђања за дужи временски период, али са пропорционално мањим степеном поузданости. Предвиђања модела за наредна 24 часа биће јавно доступна на нашем
интернет сервису, као и историјски подаци, у циљу провере квалитета рада модела машинског учења (https://www.skalamerie.com/dodona/eeload.php).
КЉУЧНЕ РЕЧИ / KEYWORDS:
машинско учење, предвиђањ, временскe серијe, комплексни системи, вештачка интелигенција, наука о подацима, планирање рада еес
ЛИТЕРАТУРА / REFERENCES:
- H. L.Willis, Spatial Electric Load Forecasting, Macel Decker, New York, 2002.
- J. S. Armstrong, Strategic Planning And Forecasting Fundamentals, General Economics and Teaching 0502066, 2005.
- T. Hong, Short Term Electric Load Forecasting, Graduate Faculty ofNorth Carolina State University, Raleigh, North Carolina, PhD Thesis 2010.
- M. T. Hagan and S M Behr, The Time Series Approach to Short Term Load Forecasting, IEEE Transactions on Power Systems, vol. 2, pp. 785-791, 1987.
- H. S. Hippert and C. E. Pedreira, Estimating temperature profiles for short-term load forecasting: neural networks compared to linear models, IEEE Proceedings – Generation, Transmission and Distribution, vol. 151, pp. 543-547, 2004.
- K. Bandaraa, R. J. Hyndmanb and C. Bergmeirc, MSTL: A Seasonal-Trend Decomposition Algorithm for Time Series with Multiple Seasonal Patterns, arXiv:2107.13462v1, 2021.
- S. Ružić, A. Vučković, and N. Nikolić, Weather sensitive method for short term load forecasting in Electric Power Utility of Serbia, IEEE Transactions on Power Systems, vol. 18, pp. 1581-1586, 2003.
- V. Vovk, A. Gammerman, and G. Shafer, Algorithmic Learning in a Random World. Springer, 2005.
- L. Guan, Conformal prediction with localization, arXiv:1908.08558, 2020
- C. Xu and Y. Xie, Conformal prediction interval for dynamic time-series, in International Conference on Machine Learning, PMLR, 2021, pp. 11 559–11 569.
- V. Manokhin, Awesome Conformal Prediction, version v1.0.0, Apr. 2022.
- A. N. Angelopoulos and S. Bates, A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification, arXiv:2107.07511v6, 2022.