Nacionalni Repozitorijum Disertacija u Srbiji
    • English
    • Српски
    • Српски (Serbia)
  • Srpski (latinica) 
    • Engleski
    • Srpski (ćirilica)
    • Srpski (latinica)
  • Prijava
Pregled disertacije 
  •   NaRDuS - početna
  • Универзитет у Новом Саду
  • Факултет техничких наука
  • Pregled disertacije
  •   NaRDuS - početna
  • Универзитет у Новом Саду
  • Факултет техничких наука
  • Pregled disertacije
JavaScript is disabled for your browser. Some features of this site may not work without it.

Kratkoročna probabilistička prognoza opterećenja na niskom naponu u elektrodistributivnim mrežama

Probabilistic short-term load forecasting at low voltage in distribution networks

Thumbnail
2023
Disertacija_13353.pdf (5.654Mb)
Izvestaj_komisije_13353.pdf (440.8Kb)
Doktorand
Manojlović, Igor
Mentor
Švenda, Goran
Erdeljan, Aleksandar
Članovi komisije
Bekut, Duško
Tasić, Dragan
Strezoski, Luka
Gavrić, Milan
Švenda, Goran
Erdeljan, Aleksandar
Metapodaci
Prikaz svih podataka o disertaciji
Sažetak
Predmet istraživanja ove doktorske disertacije je kratkoročna probabili- stička prognoza opterećenja na niskom naponu u elektrodistributivnim mre- žama. Cilj istraživanja je da se razvije novo rešenje koje će uvažiti varija- bilnost opterećenja na niskom naponu i ponuditi konkurentnu tačnost prog- noze uz visoku efikasnost sa stanovišta zauzeća računarskih resursa. Predlo- ženo rešenje se zasniva na primeni statističkih metoda i metoda mašinskog (dubokog) učenja u reprezentaciji podataka (ekstrakciji i odabiru atributa), klasterovanju i regresiji. Efikasnost predloženog rešenja je verifikovana u studiji slučaja nad skupom realnih podataka sa pametnih brojila. Rezultat primene predloženog rešenja je visoka tačnost prognoze i kratko vreme izvr- šavanja u poređenju sa konkurentnim rešenjima iz aktuelnog stanja u oblasti.
This Ph.D. thesis deals with the problem of probabilistic short-term load forecasting at the low voltage level in power distribution networks. The research goal is to develop a new solution that considers load variability and offers high forecasting accuracy without excessive hardware requirements. The proposed solution is based on the application of statistical methods and machine (deep) learning methods for data representation (feature extraction and selection), clustering, and regression. The efficiency of the proposed solution was verified in a case study on real smart meter data. The case study results confirm that the application of the proposed solution leads to high forecast accuracy and short execution time compared to related solutions.
Fakultet:
Универзитет у Новом Саду, Факултет техничких наука
Datum odbrane:
23-02-2023
Ključne reči:
probabilistička prognoza, vremenske serije, profili opterećenja, mašinsko učenje, duboko učenje, ekstrakcija atributa, odabir atributa, klasterizacija / probabilistic forecasting, time series, load profiles, machine learning, deep learning,feature extraction, feature selection, clustering
[ Google Scholar ]
Handle
https://hdl.handle.net/21.15107/rcub_nardus_21279
Ostali linkovi:
https://www.cris.uns.ac.rs/DownloadFileServlet/Disertacija16696400465047.pdf?controlNumber=(BISIS)127058&fileName=16696400465047.pdf&id=20881&source=NaRDuS&language=sr
https://www.cris.uns.ac.rs/record.jsf?recordId=127058&source=NaRDuS&language=sr
https://www.cris.uns.ac.rs/DownloadFileServlet/IzvestajKomisije166964005397868.pdf?controlNumber=(BISIS)127058&fileName=166964005397868.pdf&id=20882&source=NaRDuS&language=sr
https://nardus.mpn.gov.rs/handle/123456789/21279

DSpace software copyright © 2002-2015  DuraSpace
O NaRDuS portalu | Pošaljite zapažanja

OpenAIRERCUBRODOSTEMPUS
 

 

Pregled

Sve disertacijeUniverziteti i fakultetiDoktorandiMentoriČlanovi komisijaTemeFakultetDoktorandiMentoriČlanovi komisijaTeme

DSpace software copyright © 2002-2015  DuraSpace
O NaRDuS portalu | Pošaljite zapažanja

OpenAIRERCUBRODOSTEMPUS