Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorFetter Miloš, Ing.
dc.contributor.authorPapazian, Valentin
dc.contributor.refereeHering Pavel, Ing. Ph.D.
dc.date.accepted2022-8-30
dc.date.accessioned2022-11-10T14:45:47Z-
dc.date.available2021-10-15
dc.date.available2022-11-10T14:45:47Z-
dc.date.issued2022
dc.date.submitted2022-8-15
dc.identifier90079
dc.identifier.urihttp://hdl.handle.net/11025/50149-
dc.description.abstractTato 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.cs
dc.format32 s.
dc.language.isocs
dc.publisherZápadočeská univerzita v Plzni
dc.relation.isreferencedbyhttps://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=90079-
dc.rightsPlný text práce je přístupný bez omezení
dc.subjectenergetikacs
dc.subjectčepscs
dc.subjectpřenosová soustavacs
dc.subjectstrojové učenícs
dc.subjectprediktivní analýzacs
dc.subjectumělá inteligencecs
dc.subjectučení s učitelemcs
dc.titleVyužití metod strojového učení pro predikci technických ztrát v přenosové soustavěcs
dc.title.alternativeUse of machine learning methods for prediction of technical losses in transmission systemen
dc.typebakalářská práce
dc.thesis.degree-nameBc.
dc.thesis.degree-levelBakalářský
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-programKybernetika a řídicí technika
dc.description.resultObhájeno
dc.description.abstract-translatedThis 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.en
dc.subject.translatedenergeticsen
dc.subject.translatedczech transmission system operatoren
dc.subject.translatedmachine learningen
dc.subject.translatedpredictive analysisen
dc.subject.translatedartificial intelligenceen
dc.subject.translatedsupervised learningen
Vyskytuje se v kolekcích:Bakalářské práce / Bachelor´s works (KKY)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
bak_se_zad.pdfPlný text práce4,17 MBAdobe PDFZobrazit/otevřít
Papazian_V.pdfPosudek vedoucího práce369,02 kBAdobe PDFZobrazit/otevřít
Papazian_O.pdfPosudek oponenta práce487,78 kBAdobe PDFZobrazit/otevřít
Papazian_P.pdfPrůběh obhajoby práce244,97 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/50149

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta aplikovaných věd / Faculty of Applied Sciences
  4. Katedra kybernetiky / Department of Cybernetics
  5. Bakalářské práce / Bachelor´s works (KKY)