Fleksibilnost elektroenergetskog sistema / Zbornik CIGRE (2023). (str 2239-2249)
AUTOR(I) / AUTHOR(S): Jasna Marković-Petrović, Mirjana Stojanović
E-ADRESA / E-MAIL: jasna.markovic-petrovic@eps.rs
Download Full Pdf 
DOI: 10.46793/CIGRE36.2239MP
SAŽETAK / ABSTRACT:
Savremene elektroprivredne kompanije treba da obezbede pouzdano snabdevanje električnom energijom uz očuvanje životne sredine i maksimalan profit u uslovima liberalnog tržišta električne energije i konstantnog porasta proizvodnje iz obnovljivih izvora. U cilju donošenja najpovoljnijih poslovnih odluka neophodna je analiza arhivskih podataka i podataka u realnom vremenu. Uvođenjem tehnologije Interneta stvari u industriju (Industrial Internet of Things – IIoT) i implementacijom brojnih inteligentnih mernih sistema i senzora, količina podataka koje je potrebno analizirati i obraditi značajno opterećuje, a često i prevazilazi postojeće stručne resurse. Odlučujuću ulogu u procesu analize i obrade velike količine podataka i potencijalnom automatskom donošenju odluka igraju ekspertski sistemi, inteligentni sistemi za nadzor, veštačka inteligencija i algoritmi mašinskog učenja (Machine Learning – ML). U radu je prvo dat pregled metoda ML, a u nastavku je pažnja usmerena na praktičnu primenu algoritama ML u elektroprivredi. Istaknute oblasti primene algoritama ML su: predviđanje proizvodnje električne energije iz obnovljivih izvora, predviđanje potrošnje i cene električne energije, podrška planiranju rasporeda rada proizvodnih kapaciteta, inteligentno prediktivno održavanje, predikcija otkaza i starenja opreme, kao i primena algoritama ML u oblasti informacione bezbednosti.
KLJUČNE REČI / KEYWORDS:
Veštačka inteligencija, Industrijski Internet stvari, Informaciona bezbednost, Mašinsko učenje
LITERATURA / 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.
- J. Marković–Petrović, M. Stojanović, „Sistemi inteligentnog prediktivnog održavanja u elektroprivredi,“ Zbornik radova 35. savetovanja CIGRÉ Srbija, RD2–08, oktobar, 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.