20.500.12556/RUL-125666 Napoved preostalega odjema električne energije z Gaussovimi procesi magistrsko delo Electricity load forecasting using Gaussian processes Dereguliran trg električne energije in vedno večje povpraševanje po električni energiji povečujeta potrebo po modelih za napovedovanje odjema. Natančne napovedi udeležencem na trgu pomagajo pri načrtovanju, upravljanju in nadzoru sistemov električne energije. V magistrskem delu se ukvarjamo s problemom napovedovanja preostalega odjema električne energije. Med preostali odjem sodi odjem pri vseh odjemalcih, katerih priključna moč je manjša od 43 kW. Za napovedovanje se pogosto uporabljajo regresijske metode, ki večinoma dajejo zadovoljive rezultate. V našem primeru pa smo se problema napovedovanja lotili z metodo Gaussovih procesov, ki temelji na Bayesovi statistiki. Model Gaussovih procesov je v magistrskem delu predstavljen z dvema pristopoma, to sta pristop v prostoru funkcij in pristop v uteženem prostoru. Rezultat Gaussovega procesa pri novi vhodni točki je normalna verjetnostna porazdelitev določena s povprečjem in varianco. Povprečje predstavlja najverjetnejšo izhodno vrednost, varianca pa predstavlja informacijo o zaupanju v napovedano vrednost izhoda. Na količino odjema pomembno vplivajo različne vplivne spremenljivke, ki jih v delu analiziramo in preverimo katere je smiselno vključiti v model. Za implementacijo modela smo uporabili Pythonovo knjižnico za strojno učenje Scikit-Learn. Model smo preizkusili na podatkih preostalega odjema na območju distribucijskega omrežja Elektro Ljubljana, d.d. The deregulated electricity market and growing electricity demand are increasing the need for electrical load forecasting models. Accurate forecasts help market participants to plan, manage and control electricity systems. In the master's thesis we deal with the problem of forecasting the electricity consumption of all customers with a connection power of less than 43 kW. This includes households and small businesses. Electricity consumption will be predicted using Gaussian process model which is based on Bayesian statistics. We introduce two views to interpret Gaussian process regression models; function space view and weight space view. The result of Gaussian process is the normal probability distribution determined by mean and variance. The mean represents the most probable output value and the variance gives us information about confidence in the predicted output value. An energy demand is driven by many variables. A study of input variables was made to check which variables should be included in our model. We implemented this model using the Python's machine learning library, i.e. Scikit-Learn. Model was tested on the electrical load from a distribution network Elektro Ljubljana, d.d. napoved preostalega odjema električne energije Gaussovi procesi Bayesovo sklepanje strojno učenje load forecasting Gaussian processes Bayesian inference machine learning true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2021-03-31 08:15:06 2021-03-31 08:15:16 2024-05-29 14:18:09 0000-00-00 00:00:00 2021 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 519.2 117958 57711107 2632.pdf 2632.pdf 1 B250D56471ABA5669B50D13DA5E2450F ec9ac90235d2013186a34143a097abc8ca9dbe249e43b766a2ef3e24bf00f182 c327aa56-a1bb-11eb-a523-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=141486 Fakulteta za matematiko in fiziko 0 0 0