Kratkoročna probabilistička prognoza opterećenja na niskom naponu u elektrodistributivnim mrežama

Abstract

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.