Využití metod strojového učení pro predikci technických ztrát v přenosové soustavě

Abstract

Tato 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.