Předkládaná diplomová práce se zabývá parametrickým modelováním spotřeby elektrické energie za pomoci prediktivních metod. V první části práce je zpracován průzkum současných trendů v oblasti prediktivních metod. Z možností, které průzkum poskytl, byly vybrány dvě metody, které byly dále důkladně zpracovány. Následně je rozebrána aplikovatelnost programového vybavení a jeho nástrojů na poskytnutých datech. Výchozím programem je výpočetní prostředí Matlab a dále je také využito prostředí Scikit learn, které je vyvinuto v Pythonu. Poskytnutá naměřená data jsou použita na připravené metody a jsou diskutovány výsledky z různých míst elektrizační soustavy. V další části práce je navržen systém pro online monitoring a s ním spojené řízení čtvrthodinového maxima. V závěru práce je zhodnocena aplikace tématu s ohledem na přítomnost elektromobility a bateriových uložišť v okolní síti a dále je provedena patřičná diskuse všech dosažených výsledků.
Anotace v angličtině
This diploma thesis deals with parametric load modeling using predictive methods. The first part of the thesis is a research of current trends in predictive methods. From the options provided by the research, two methods were selected and further elaborated. Subsequently, the applicability of software and its tools to the provided data is discussed. The default program is the computing environment Matlab and the Scikit-learn environment is also used, which is developed in Python. The provided measured data were used for the prepared methods and the results from various places of the electrical system are discussed. In the next part of the work, a system for online monitoring and associated control of the quarter-hour maximum is proposed. At the end of the work, the application of the topic is evaluated with regard to the presence of electromobility and battery storage in the surrounding network and a proper discussion of all achieved results is made.
Klíčová slova
Elektrická energie, predikce spotřeby, umělá neuronová síť, metoda zpětného šíření (backpropagation), rozhodovací stromy, tréninkové vzory, odebíraný výkon, maximální zatížení, pološpičkové zatížení, diagram zatížení, distribuční transformátor, velkoodběratel, elektromobilita, bateriové uložiště.
Klíčová slova v angličtině
Electrical energy, consumption prediction, artificial neural network, backpropagation method, decision trees, training patterns, maximum load, half-peak load, power consumption, load diagram, distribution transformer, large customer, electromobility, battery storage.
Rozsah průvodní práce
80 s. (117 805 znaků)
Jazyk
CZ
Anotace
Předkládaná diplomová práce se zabývá parametrickým modelováním spotřeby elektrické energie za pomoci prediktivních metod. V první části práce je zpracován průzkum současných trendů v oblasti prediktivních metod. Z možností, které průzkum poskytl, byly vybrány dvě metody, které byly dále důkladně zpracovány. Následně je rozebrána aplikovatelnost programového vybavení a jeho nástrojů na poskytnutých datech. Výchozím programem je výpočetní prostředí Matlab a dále je také využito prostředí Scikit learn, které je vyvinuto v Pythonu. Poskytnutá naměřená data jsou použita na připravené metody a jsou diskutovány výsledky z různých míst elektrizační soustavy. V další části práce je navržen systém pro online monitoring a s ním spojené řízení čtvrthodinového maxima. V závěru práce je zhodnocena aplikace tématu s ohledem na přítomnost elektromobility a bateriových uložišť v okolní síti a dále je provedena patřičná diskuse všech dosažených výsledků.
Anotace v angličtině
This diploma thesis deals with parametric load modeling using predictive methods. The first part of the thesis is a research of current trends in predictive methods. From the options provided by the research, two methods were selected and further elaborated. Subsequently, the applicability of software and its tools to the provided data is discussed. The default program is the computing environment Matlab and the Scikit-learn environment is also used, which is developed in Python. The provided measured data were used for the prepared methods and the results from various places of the electrical system are discussed. In the next part of the work, a system for online monitoring and associated control of the quarter-hour maximum is proposed. At the end of the work, the application of the topic is evaluated with regard to the presence of electromobility and battery storage in the surrounding network and a proper discussion of all achieved results is made.
Klíčová slova
Elektrická energie, predikce spotřeby, umělá neuronová síť, metoda zpětného šíření (backpropagation), rozhodovací stromy, tréninkové vzory, odebíraný výkon, maximální zatížení, pološpičkové zatížení, diagram zatížení, distribuční transformátor, velkoodběratel, elektromobilita, bateriové uložiště.
Klíčová slova v angličtině
Electrical energy, consumption prediction, artificial neural network, backpropagation method, decision trees, training patterns, maximum load, half-peak load, power consumption, load diagram, distribution transformer, large customer, electromobility, battery storage.
Zásady pro vypracování
Popište zvolenou metodu predikce spotřeby elektrické energie.
Na poskytnutých datech uveďte rozdíly při aplikaci metody v různých místech elektrizační soustavy.
Navrhněte systém pro online monitoring a řízení čtvrthodinového maxima zvolenou metodou.
Zhodnoťte aplikaci tématu s ohledem na přítomnost elektromobility a bateriových úložišť v okolní síti.
Zásady pro vypracování
Popište zvolenou metodu predikce spotřeby elektrické energie.
Na poskytnutých datech uveďte rozdíly při aplikaci metody v různých místech elektrizační soustavy.
Navrhněte systém pro online monitoring a řízení čtvrthodinového maxima zvolenou metodou.
Zhodnoťte aplikaci tématu s ohledem na přítomnost elektromobility a bateriových úložišť v okolní síti.
Seznam doporučené literatury
BISHOP, C. M. Pattern Recognition and
Machine Learning. Cambrige, 2006
BAZALOVÁ, K. Krátkodobé predikce spotřeby elektrické energie s využitím neuronových sítí. Ostrava, 2003. Disertační práce. Vysoká škola báňská - Technická univerzita Ostrava
Seznam doporučené literatury
BISHOP, C. M. Pattern Recognition and
Machine Learning. Cambrige, 2006
BAZALOVÁ, K. Krátkodobé predikce spotřeby elektrické energie s využitím neuronových sítí. Ostrava, 2003. Disertační práce. Vysoká škola báňská - Technická univerzita Ostrava
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ano
Plný text práce
Hodnocení z obhajoby práce
Výborně
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Otázky viz posudek oponenta DP.
Další dotazy:
Byla spotřeba vybraného velkoodběratele velmi závislá na teplotě či nikoliv?
Všechny položené dotazy byly správně a vyčerpávajícím způsobem diplomantem zodpovězeny.