| Title: | Využití metod strojového učení pro predikci technických ztrát v přenosové soustavě |
| Other Titles: | Use of machine learning methods for prediction of technical losses in transmission system |
| Authors: | Papazian, Valentin |
| Advisor: | Fetter Miloš, Ing. |
| Referee: | Hering Pavel, Ing. Ph.D. |
| Issue Date: | 2022 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | bakalářská práce |
| URI: | http://hdl.handle.net/11025/50149 |
| Keywords: | energetika;čeps;přenosová soustava;strojové učení;prediktivní analýza;umělá inteligence;učení s učitelem |
| Keywords in different language: | energetics;czech transmission system operator;machine learning;predictive analysis;artificial intelligence;supervised learning |
| Abstract: | Tato bakalářská práce se zabývá tvorbou modelů predikujících ztráty v přenosové síti České republiky. Modely byly vytvářeny v programovacím jazyce Python s využitím knihovny Scikit, která poskytuje efektivní nástroj pro prediktivní analýzu dat. V rámci práce byla zpracovávána data poskytnuta od společnosti Česká elektroenergetická přenosová soustava, a. s.. Data jsou od května 2018 do července 2020 a obsahovala údaje o ztrátách z obchodního měření, teplotě, předpovědi VTE (výkon větrné elektrárny), předpovědi výkonu FVE (fotovoltaické elektrárny) atd.. Pomocí těchto dat bylo stanoveno 102 různých příznaků pro strojové učení. Dále byly testovány a navrženy vhodné trénovací algoritmy. Data byla rozdělena na trénovací a testovací část, kdy trénovací období zahrnovalo prvních 24 měsíců a testovací období poslední 2 měsíce. Získané predikce z trénovací části byly porovnány s testovacími daty. Hodnocení úspěšnosti predikce bylo provedeno výpočtem střední absolutní chyby (mean absolute error), střední absolutní procentuální chyby (mean absolute percentage error) a největší absolutní chyby (maximum absolute error). Nejlepšího výsledku bylo dosaženo při výběru 57 příznaků Lasso algoritmem z normalizovaných dat a při výběru Histogram-based gradient boosting regrese jako trénovacího algoritmu. Dosažený výsledek: 8,78 střední absolutní chyba, 8,27 střední absolutní procentuální chyba a 50,76 největší absolutní chyba. |
| Abstract in different language: | This bachelor thesis deals with the creation of models predicting losses in the transmission network of the Czech Republic. The models were created in the Python programming language using the Scikit library, which provides an effective tool for predictive data analysis. As part of the work, data provided by the company Česká energetická prenosová soustava, a. s. were processed. The data are from May 2018 to July 2020 and contained temperature, photovoltaic power plants and wind power plants (complete, understand). Using this data, 102 different neural network training symptoms were determined. Furthermore, suitable training algorithms were tested and designed. The data were divided into training and testing parts. The predictions obtained from the training part were compared with the test data. The prediction success was evaluated by comparing mean absolute error, mean absolute percentage error and maximum absolute error. The best result was achieved by using 57 features with the Lasso algorithm and by using the Histogram-based gradient boosting training algorithm with a result of 8,78 mean absolute error, 8,27 mean absolute percentage error and 50,76 largest absolute error. |
| Rights: | Plný text práce je přístupný bez omezení |
| Appears in Collections: | Bakalářské práce / Bachelor´s works (KKY) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| bak_se_zad.pdf | Plný text práce | 4,17 MB | Adobe PDF | View/Open |
| Papazian_V.pdf | Posudek vedoucího práce | 369,02 kB | Adobe PDF | View/Open |
| Papazian_O.pdf | Posudek oponenta práce | 487,78 kB | Adobe PDF | View/Open |
| Papazian_P.pdf | Průběh obhajoby práce | 244,97 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/50149Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.