PRIMENA MAŠINSKOG UČENJA ZA PREDVIĐANJE POTROŠNJE ELEKTROENERGETSKOG SISTEMA SRBIJE

Fleksibilnost elektroenergetskog sistema / Zbornik CIGRE (2023). (str 1301-1313)

AUTOR(I) / AUTHOR(S): Aleksandar Bojarov, Ivan Milenković

E-ADRESA / E-MAIL: acabojarov@gmail.com

SAŽETAK / ABSTRACT:

Rad se bavi opisom matematičkog modela za predviđanje potrošnje elektroenergetskog sistema Srbije. Model se bazira na nekoliko naprednih tehnika mašinskog učenja koje se koriste za predviđanje vremenskih serija i za modelovanje kompleksnih sistema. Kompleksni sistemi sadrže veliki broj parametara koji utiču na njihov rad. Samim tim, u cilju određivanja korelacije između ulaznih podataka i potrošnje sistema, potrebni su ulazni podaci različitog tipa i u velikom broju. Kao izvor podataka koristimo platformu za transparentnost udruženja evropskih operatora prenosnih sistema (https://transparency.entsoe.eu/). Kombinacijom različitih statističkih, matematičkih i modela mašinskog učenja, možemo dobiti vrlo pouzdana predviđanja potrošnje u rasponu od 24 časa. Model možemo da koristimo i za predviđanja za duži vremenski period, ali sa proporcionalno manjim stepenom pouzdanosti. Predviđanja modela za naredna 24 časa biće javno dostupna na našem
internet servisu, kao i istorijski podaci, u cilju provere kvaliteta rada modela mašinskog učenja (https://www.skalamerie.com/dodona/eeload.php).

KLJUČNE REČI / KEYWORDS:

mašinsko učenje, predviđanj, vremenske serije, kompleksni sistemi, veštačka inteligencija, nauka o podacima, planiranje rada ees

LITERATURA / 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.