ПРИМЕНА АЛГОРИТАМА МАШИНСКОГ УЧЕЊА У ЕЛЕКТРОПРИВРЕДИ: ПРЕГЛЕД И ПЕРСПЕКТИВЕ

Флексибилност електроенергетског система / Зборник CIGRE (2023).  (стр 2239-2249)

АУТОР(И) / AUTHOR(S): Јасна Марковић-Петровић, Мирјана Стојановић

Е-АДРЕСА / E-MAIL: jasna.markovic-petrovic@eps.rs

Download Full Pdf  

DOI:  10.46793/CIGRE36.2239MP

САЖЕТАК / ABSTRACT:

Савремене електропривредне компаније треба да обезбеде поуздано снабдевање електричном енергијом уз очување животне средине и максималан профит у условима либералног тржишта електричне енергије и константног пораста производње из обновљивих извора. У циљу доношења најповољнијих пословних одлука неопходна је анализа архивских података и података у реалном времену. Увођењем технологије Интернета ствари у индустрију (Industrial Internet of Things – IIоT) и имплементацијом бројних интелигентних мерних система и сензора, количина података које је потребно анализирати и обрадити значајно оптерећује, а често и превазилази постојеће стручне ресурсе. Одлучујућу улогу у процесу анализе и обраде велике количине података и потенцијалном аутоматском доношењу одлука играју експертски системи, интелигентни системи за надзор, вештачка интелигенција и алгоритми машинског учења (Machine Learning – ML). У раду је прво дат преглед метода ML, а у наставку је пажња усмерена на практичну примену алгоритама ML у електропривреди. Истакнуте области примене алгоритама ML су: предвиђање производње електричне енергије из обновљивих извора, предвиђање потрошње и цене електричне енергије, подршка планирању распореда рада производних капацитета, интелигентно предиктивно одржавање, предикција отказа и старења опреме, као и примена алгоритама ML у области информационе безбедности.

КЉУЧНЕ РЕЧИ / KEYWORDS:

Вештачка интелигенција, Индустријски Интернет ствари,  Информациона безбедност, Машинско учење

ЛИТЕРАТУРА / REFERENCES:

  • A. K. Ozcanli, F. Yaprakdal, M. Baysal, “Deep learning methods and applications for electrical power systems: A comprehensive review,” International Journal of Energy Research, 44.9 (2020): 7136-7157.

  • I. H. Sarker, “Machine learning: Algorithms, real-world applications and research directions,“ SN Computer Science, 2.3 (2021): 160.

  • M. Farhoumandi, Q. Zhou, M. Shahidehpour, “A review of machine learning applications in IoT-integrated modern power systems,” The Electricity Journal, 34.1 (2021): 106879.

  • M. S. Ibrahim, W. Dong, Q. Yang, “Machine learning driven smart electric power systems: Current trends and new perspectives,” Applied Energy, 272 (2020): 115237.

  • C-J. Huang, P-H. Kuo, “Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting,” IEEE Access, 7 (2019): 74822-74834. 

  • R. Ahmed, V. Sreeram, Y. Mishra, M. D. Arif, “A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization,” Renewable and Sustainable Energy Reviews 124 (2020): 109792.

  • K. L. Jørgensen, H. R. Shaker, “Wind power forecasting using machine learning: State of the art, trends and challenges,” In Proceedings of 8th International Conference on Smart Energy Grid Engineering (SEGE). IEEE, 2020: 44-50.

  • A. Mamun, et al. “A comprehensive review of the load forecasting techniques using single and hybrid predictive models,” IEEE Access 8 (2020): 134911-134939.

  • R. Weron, “Electricity price forecasting: A review of the state-of-the-art with a look into the future,” International Journal of Forecasting 30.4 (2014): 1030-1081.

  • Ј. Марковић–Петровић, М. Стојановић, „Системи интелигентног предиктивног одржавања у електропривреди,“ Зборник радова 35. саветовања CIGRÉ Србија, РД2–08, октобар, 2021.
  • A. Handa, A. Sharma, S. K. Shukla, “Machine learning in cybersecurity: A review,” Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery 9.4 (2019): e1306.
  • M. D. Stojanovic, J. D. Markovic-Petrovic, “Deep learning for cyber security risk assessment in IIoT systems,” Encyclopedia of Data Science and Machine Learning (J. Wang ed.), IGI Global, 2023. 2134-2146.
  • Y. Yu, X. Si, C. Hu, J. Zhang, “A review of recurrent neural networks: LSTM cells and network architectures,” Neural Computation, 31.7 (2019): 1235-1270.
  • M. Abumohsen, A. Y. Owda, M. Owda, “Electrical load forecasting using LSTM, GRU, and RNN algorithms,” Energies, 16.5 (2023): 2283.