Deep learning architektúrák alkalmazása energetikai idősorok előrejelzésében

OData támogatás
Konzulens:
Gáspár Csaba
Távközlési és Médiainformatikai Tanszék

A fogyasztás/termelés előrejelzése fontos feladata a szolgáltatóknak, mivel az energia előállítási költsége jelenleg kedvezőbb mint annak tárolása. Ahhoz hogy minél kevesebb mennyiség menjen kárba, a lehető legpontosabb becslésekkel kell rendelkezniük.

Az ilyen jellegű előrejelzés egyre népszerűbb feladattá vált a gépi tanulás elterjedésével, a nagy adatmennyiségek segítségével az algoritmusok képesek nem lineáris mintákat is felfedezni. Az utóbbi évtized egyre gyorsuló számítástechnikai fejlődése, főleg a grafikus kártyák egyre növekvő teljesítménye hatalmas számítási kapacitást adott az elemzők kezébe. Ez a négyütemű fejlődés hozta meg a mély tanuló hálózatok elterjedését, és a kutatás felgyorsulását, és ma már olyan cégek járnak élen a fejlesztésekben, mint a Google, a Microsoft, vagy a Facebook.

A mély tanulás, vagy deep learning számos algoritmus és módszer gyűjtőneve, amelyek segítségével a mesterséges neurális hálók, azaz egy mesterséges intelligencia tanítható. A témához kapcsolódóan számos háló struktúra, és zajtalanító, túltanulást akadályozó technika létezik. Dolgozatomban az energetikai idősorok kontextusában vizsgáltam meg ezek képességeit, és sajátítottam el a téma alap fogalmait, majd konkrét modelleket építettem rövid- és középtávú becslésekhez, különböző adatokat használva.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.