Naslov (srp)

Razvoj modela za procenu mesečne potrošnje električne energije zasnovanog na tehnikama mašinskog učenja

Autor

Knežević, Dragana, 1987-

Doprinosi

Blagojević, Marija, 1984-
Ristić, Olga, 1974-
Ranković, Aleksandar, 1971-
Vujović, Vladimir, 1984-

Opis (eng)

The growing global population and rapid technological development have caused the increasingelectricity demand and therefore made the development of an efficient and reliable system forelectricity consumption planning and estimating a must, and one of the burning issues.This doctoral dissertation aims to improve the accuracy and reliability of electricityconsumption estimation, which may increase the consumption planning efficiency, andimprove the energy systems management, thus reducing energy losses as well. In line with that,a programme framework which supports the electrical energy consumption estimation andplanning, and which is based on machine learning techniques is presented in the dissertation.Several different approaches based on machine learning, ranging from the adaptation of theinitial dataset to the development of the model and its evaluation, are described in severalchapters. The proposed model emerged as the product of the synergy between the researchwhich took years to conduct, logical norms and principles, theory and epistemology, longlasting practical work, and finally the model’s performance testing in the real world.Taking into consideration the diversity of the consumers included in the model testing, it canbe concluded that the acquired knowledge and proposed methodology can be used inhouseholds, smart buildings, entire neighbourhoods and cities, as well as to plan the industrialelectricity consumption. The results obtained in this way can be used in a wide range ofapplications in the field of electrical energy distribution and consumption.Therefore, the hypothesis on the efficiency of machine learning techniques in this domain hasbeen confirmed, thus making a contribution to the development of knowledge on the use ofmachine learning techniques for the electricity distribution and consumption planning.

Opis (srp)

Imajući u vidu da rastuća svetska populacija i tehnološki razvoj dovode do povećanepotražnje za električnom energijom, razvoj efikasnog i pouzdanog sistema zaplaniranje i procenu potrošnje električne energije postaje imperativ i jedna odključnih tema.Osnovni cilj i motivacija ove disertacije su unapređenje tačnosti i pouzdanostiprocene potrošnje električne energije, što može doprineti efikasnijem planiranju iupravljanju elektro-energetskim sistemom, a time i smanjenju gubitaka energije.U skladu sa tim, predstavljen je programski okvir za podršku predviđanju i planiranjupotrošnje električne energije, temeljen na tehnikama mašinskog učenja.Kroz nekoliko poglavlja, predstavljeno je više različitih pristupa baziranih namašinskom učenju, od postupka adaptacije inicijalnog skupa podataka do razvojamodela praćenog evaluacijom rezultata. Predloženi model nastaje kao produktsinergije višegodišnjeg istraživanja, logičkih pravila i načela, teorijskoepistemioloških saznanja, dugotrajnog praktičnog rada na razvoju programskog okvirai na kraju testiranja na stvarnom problemu.Imajući u vidu raznovrsnost potrošača obuhvaćenim prilikom testiranja modela,jasno je da se stečena saznanja i predložena metodologija mogu koristiti udomaćinstvima, pametnim zgradama, pa čak i čitavim kvartovima, gradovima ali i zapodršku planiranju potrošnje u industriji. Rezultati postignuti na ovaj način mogunaći primenu u širokom spektru aplikacija iz domena distribucije i potrošnjeelektrične energije.Na taj način, potvrđena je pretpostavka da se tehnike mašinskog učenja efikasno mogukoristiti i u ovom domenu čime je dat doprinos razvoju znanja o primeni tehnikamašinskog učenja na polju planiranja proizvodnje i potrošnje električne energije.

Opis (srp)

-

Jezik

srpski

Datum

2024

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-SA 3.0 AT - Creative Commons Autorstvo - Deliti pod istim uslovima 3.0 Austria License.

http://creativecommons.org/licenses/by-sa/3.0/at/legalcode