Флексибилност електроенергетског система / Зборник CIGRE (2023). (стр 1570-1582)
АУТОР(И) / AUTHOR(S): Ivan Vujović, Mileta Žarković, Željko Đurišić, Đorđe Dajković
Е-АДРЕСА / E-MAIL: vi205041p@student.etf.bg.ac.rs
Download Full Pdf 
DOI: 10.46793/CIGRE36.1570V
САЖЕТАК / ABSTRACT:
Na osnovu izmjerenih vrijednosti proizvedene i utrošene električne energije unutar elektroenergetskog sistema (EES) za period od nekoliko uzastopnih godina, upotrebom rekurentnih neuronskih mreža, mogu se pretpostaviti budući trendovi kako u proizvodnji tako i u potrošnji električne energije što omogućava predviđanje dešavanja u EES-u sa zadovoljavajućom tačnošću. Ulazni podaci za rekurentne neuronske mreže koje su tema ovog rada predstavljaju izmjerene satne vrijednosti generisane električne energije u hidroelektranama i termoelektranama, odnosno utrošene električne energije jednog EES-a od strane konzuma za period od 10 uzastopnih godina. Rekurentne neuronske mreže vrše obradu tekućih podataka, a koriste i informacije iz prethodnih stanja. Upotrebom programskog paketa „Python„, na osnovu prethodno prilagođenih ulaznih podataka, kreirane su tri Long Short Term Memory (LSTM) rekurentne mreže. Poslije završetka procesa treniranja mreža pokazuje se da najmanju srednju vrijednost greške (SVG) tj. odstupanje predviđenih od stvarnih vrijednosti ima rekurentna mreža za termoelektrane. Nešto veću vrijednost SVG ima mreža konzuma, dok je SVG mreže za hidroelektrane relativno zadovoljavajuće tačnosti, ali značajno veća od prethodne dvije, prije svega zbog mnoštva parametara koji utiču na proizvodnju električne energije iz hidroelektrana. U radu je izvršena analiza uticaja ulaznih parametara na grešku predikcije proizvodnje i potrošnje električne energije.
КЉУЧНЕ РЕЧИ / KEYWORDS:
predikcija proizvodnje, predikcija potrošnje, Python, rekurentna neuronska mreža, model mreže
ЛИТЕРАТУРА / REFERENCES:
Sava Gavran, „Veštačke neuronske mreže u istraživanju podataka: Pregled i primena“, master rad, Univerzitet u Beogradu, Matematički fakultet, Beograd, januar 2016.
- Jianli Feng, Shengnan Lu, „Performance Analysis of Various Activation Functions in Artificial Neural Networks“, Journal of Physics: Conference Series, Volume 1237, Issue 2, June 2019.
- Lovre Pešut, „Rekurentne neuronske mreže“, master teza/diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-Matematički fakultet, Zagreb, studeni 2019.
- Wei Guo, Wei Ge, Xudong Lu, Hui Li, „Short-term Load Forecasting of Virtual Machines Based on Improved Neural Network“, IEEE Access, volume 7, pp 121037–121045, August 2019.
- Igiri Chinwe Peace, Anyama Oscar Uzoma, Silas Abasiama Ita, „Effect of Learning Rate on Artificial Neural Network in Machine Learning“, International Journal of Engineering Research & Technology (IJERT), Volume 4, Issue 2, February 2015.
- Gianluca Bontempi, Souhaib Ben Taieb, and Yann–A ̈el Le Borgne, „Machine Learning Strategies for Time Series Forecasting“, European Big Data Management and Analytics Summer School – Business Intelligence, Lecture Notes in Business Information Processing book series (LNBIP), volume 138, pp 62–77, January 2013.
- Sebastian Raschka, Vahid Mirjalili, „Python mašinsko učenje“, treće izdanje, Kompjuter biblioteka (Packt publishing), Beograd, 2020.
- Xue Ying, „An Overview of Overfitting and its Solutions“, Journal of Physics: Conference Series, Volume 1168, Issue 2, article id. 022022, February 2019.
- Abien Fred Agarap, „Deep Learning using Rectified Linear Units (ReLU)“, Computer Science – Neural and Evolutionary Computing, Cornell University, arXiv:1803.08375, February 2019.