Точното прогнозирање на оптоварувањето е клучно за ефикасно функционирање и планирање на електроенергетските системи. Со оглед на тоа што системите стануваат сѐ покомплексни и подинамични, вештачката интелигенција и машинското учење нудат моќни алатки за поточно прогнозирање на дијаграмите на оптоварување. Овој курс нуди практична обука за современи техники за прогнозирање на оптоварување базирано на вештачка интелигенција и машинско учење, подготвувајќи ги учесниците да создадат и тестираат робусни модели за примена во реални услови.
| Поглавје | Детали |
| Партнер | УКЛО-ТФБ |
| Наслов | Прогноза на оптоварување |
| Услуга | Обука |
| Целна група | Систем оператори, енергетски компании, трговци со електрична енергија, големи потрошувачи, прозјумери, истражувачи |
| Формат | Настава во живо или вебинар |
| Фокус на клучни технологии | Вештачка интелигенција, машинско учење, анализа на временски серии |
| Статус | Подготвен за понуда |
| Засегнати страни од МСП/ЈА | Систем оператори, оператори на дистрибутивна мрежа, снабдувачи на електрична енергија, агрегатори, прозјумери |
| Барања за учество | Основни познавања од електроенергетскиот систем и обработка на податоци |
| Проценето времетраење | Повеќедневно |
Техничка основа и примери
Прогнозирањето на оптоварувањето е клучна функција во современите електроенергетски системи, овозможувајќи оптимално планирање, учество на пазарот на електрична енергија и управување со мрежата во реално време. Со децентрализацијата на изворите на енергија и променливото однесување на потрошувачите, дијаграмите на оптоварување стануваат сѐ понепредвидливи, што ја зголемува потребата од точни краткорочни прогнози. Овој курс опфаќа:
- Обработка на податоци и инженеринг на карактеристики: Работа со временски серии, вклучување на метеоролошки и календарски фактори, и определување на трендови и сезонски карактер.
- Евалуација и имплементација на модели: Вкрстена валидација и метрики како MAPE, RMSE и MAE за следење на точноста на моделите за прогноза.
- Модели базирани на вештачка интелигенција и машинско учење: Decision Trees, Random Forests, k – NN и невронски мрежи, со фокус на моделирање на нелинеарности и временски зависности.
- Студија на случај: Практични студии на случај со Python и реални податоци за стекнување вештини за прогнозирање на оптоварувањето кај различни типови на потрошувачи.
Детално објаснување на основните концепти
Курсот започнува со основни техники за работа со податоци, со фокус на извлекување на временски карактеристики (час во денот, ден во неделата, месец, сезона), третман на вредности кои недостасуваат и на отстапувања, како и вклучување на дополнителни карактеристики како метеоролошки и календарски фактори. Овие чекори за обработка се клучни за подобрување на перформансите на моделите за прогноза на оптоварувањето.
Понатаму, се истражуваат модели базирани на вештачка интелигенција и машинско учење за прогноза на оптоварување, вклучувајќи надгледувано учење за временски серии, моделирање на трендови на потрошувачка според историски податоци и примена на методи за намалување на преобучување на моделите за прогноза и постигнување добра генерализација на моделот. Акцентот е ставен на разбирање на однесувањето на моделите и нивна адаптација на различни типови на оптоварување.
Практичната работа вклучува употреба на Pandas и NumPy за манипулација со податоци, Plotly и Matplotlib за напредна визуелизација и анализа на грешки, како и развој на модели со Scikit–learn и PyTorch во рамки на Python еко-системот.
Предлог-агенда на курсот
Прв дел: Вовед во прогнозирањето на оптоварувањето
- Оптоварувањето и неговото значење во ЕЕС
- Временски хоризонти на прогноза на оптоварување: краткорочна, среднорочна и долгорочна прогноза
- Предизвици при прогнозирање на оптоварување (сезонски карактер, постојана промена на оптоварувањето, надворешни фактори)
- Конвенционални модели на прогноза спрема модели за прогноза базирани на машинско учење и вештачка интелигенција
Втор дел: Регресиони методи за прогноза на оптоварувањето
- Линеарна и полиномна регресија – трендови и нелинеарност
- Синусоидална регресија – Моделирање на периодичните повторување на оптоварувањето
- Вејвлет регресија – Моделирање на повeќестепено повторување на оптоварувањето
Трет дел: Концепти на машинското учење и вештачката интелигенција
- Надгледувано и ненадгледувано учење – разлики и нивна примена
- Тренирање, валидација и тестирање
- Идентификација на клучни фактори значајни за прогнозата на оптоварувањето
- Преобучување наспроти подобучување
Четврт дел: Алгоритми на машинско учење и вештачка интелегенција
- k-Nearest Neighbors, Neural Network Regression, Decision Trees & Random Forests,
Петти дел: Определување на грешка со користење на различни метрики
- Средна апсолутна грешка (MAE)
- Средна квадратна грешка (MSE)
- Споредба на модели со користење на крос валидација и перформанси на моделите
Шести дел: Студија на случај
- Прогноза на оптоварувањето на резиденцијални и комерцијални потрошувачи и студија на случај
Заклучок
Оваа обука им овозможува на професионалците во енергетиката да ја искористат вештачката интелигенција и машинското учење за прецизно прогнозирање на оптоварувањето, обезбедувајќи ефикасно работење, намалување на трошоците и подобро управување со енергијата. Преку работа со реални податоци и учење базирано на проекти, учесниците стекнуваат практични вештини за интелигентно прогнозирање на оптоварувањето.
Дополнителни информации за курсот
| Категорија | Детали |
| Стекнати вештини | Учесниците ќе стекнат знаења и вештини, вклучувајќи: |
| Вештина 1: Подготовка и процесирање на реални податоци за оптоварувањето
Вештина 2: Имплементирање на модели за надгледувано МУ и ВИ за прогноза на временски серии Вештина 3: Евалуација и валидација на точноста на прогнозирањето со користење на различни метрики Вештина 4: Визуелизација на временски серии и перформансите на моделите за прогноза на оптоварувањето со библиотеки за цртање во Python Вештина 5: Имплементација на модели за прогноза на оптоварувањето во реални сценарија за различни типови на потрошувачи |
|
| Методи на учење | Предавања |