Rövidtávú villamos terhelésbecslés módszereinek vizsgálata

OData támogatás
Konzulens:
Dr. Raisz Dávid Márk
Villamos Energetika Tanszék

Szakdolgozatomban a rövidtávú terhelésbecslés módszereinek megismerésével és néhány eljárás megvalósításával foglalkoztam. Felépítését tekintve a dolgozat két fő részre bontható: Az egyik a klasszikus statisztikai módszerek, a másik a mesterséges neurális hálózatok vizsgálata.

Az irodalomkutatás folyamán először a statisztikai módszertant ismertetem. Azon belül a regressziós modell alapfogalmait, felépítését, majd néhány, a gyakorlatban már alkalmazott és jól bevált regressziós eljárást. Ezek után a biológiai neurális hálózatok rövid áttekintésével bevezetem a mesterséges neurális hálózatokat, a neurális hálózatok struktúrájával kapcsolatos fontosabb alapfogalmakat, bemutatom a rövidtávú terhelésbecslésben legtöbbször alkalmazott többrétegű perceptron (MLP) felépítését, az MLP tanítását illetve a szerkezettel kapcsolatban felmerülő legfontosabb kérdéseket. Röviden szó lesz a radiális bázisfüggvényes (RBF) hálózatokról, azonban ennek részletes tárgyalásába nem kezdek bele, mivel a megvalósítás folyamán egy MLP típusú hálózatot valósítok meg és tesztelek. Továbbá bemutatok néhány a gyakorlatban is tesztelt mesterséges neurális modellt és tanító algoritmust.

A megvalósítás során arra törekedtem, hogy az általam implementált becslő eljárások minél kisebb hibával működjenek. A modellek minőségének értékeléséhez a MAPE hibafajtát használtam, ahogy azt számos publikációban és cikkben tették. Először három különböző regressziós modellt konstruáltam az EXCEL segítségével: „Hasonlónapi” becslés, „Időjárás adaptív” becslés, „Mintaillesztéses becslés”, majd ezeket hasonlítottam össze. Ezután egy előrecsatolt MLP típusú neurális modellt implementáltam és teszteltem a MATLAB-ban. Végezetül kiértékeltem az általam megvalósított modellek teszteredményeit.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.