Razvoj algoritma za kratkoročno napoved odstopanj v elektroenergetskem sistemu SlovenijeTADEL, GREGOR (Avtor) Pantoš, Miloš (Mentor) operaterodstopanje v sistemunapoved odjemastrojno učenjeOdstopanja v elektroenergetskem sistemu zaradi vse večjega vključevanja obnovljivih virov energije postajajo čedalje večja. Pomanjkanje kratkoročnih napovedi odstopanj operaterjem v republiškem centru vodenja otežuje izravnavo sistema in povečuje stroške. V kontekstu te problematike smo razvili algoritem za kratkoročno napoved odstopanj, s ciljem izboljšanja ekonomske učinkovitosti in s tem zmanjšanja stroškov izravnave ter optimalnega koriščenja virov za izravnavo odstopanj.   V okviru magistrskega dela je bilo raziskano tehnično ozadje izravnav, ki jih s pomočjo različnih mehanizmov izvajajo operaterji. Na podlagi raziskanega področja smo pridobili globlje razumevanje ključnih problemov in izzivov, povezanih z izravnavo elektroenergetskega sistema. Raziskali smo teoretične osnove napovedovanja, pri čemer smo podrobneje predstavili najučinkovitejše pristope za napovedovanje obravnavanega problema. Analizirali in obdelali smo historične podatke, ki so služili kot osnova za razvoj in učenje modela kratkoročnih napovedi, ki temelji na metodah strojnega učenja. Zaradi pomanjkanja kratkoročnih napovedi smo razvili korekcijski model, ki temelji na preprostih matematičnih relacijah. Tako smo za izbrano obdobje neposredno primerjali natančnost razvitih modelov. Analiza rezultatov izpostavlja, da je v trenutni fazi razvoja preprost korekcijski model natančnejši od modela strojnega učenja. Glavni razlog za nekoliko slabše rezultate modela strojnega učenja pripisujemo omejenemu naboru vhodnih parametrov. Z vključitvijo dodatnih vhodnih parametrov, predvsem napovedjo vremena in napovedjo proizvodnje iz obnovljivih virov energije pričakujemo izboljšanje natančnosti modela strojnega učenja. Implementacija razvitega algoritma bo operaterjem omogočila učinkovitejšo ročno izravnavo odstopanj.20242024-12-02 09:15:00Magistrsko delo/naloga165313VisID: 62875COBISS_ID: 219207683sl