Designing model for estimating monthly electricity consumption using machine learning techniques : doctoral disertation

[D. M. Knežević]

razl. pag.

Imajući u vidu da rastuća svetska populacija i tehnološki razvoj dovode do povećane potražnje za električnom energijom, razvoj efikasnog i pouzdanog sistema za planiranje i procenu potrošnje električne energije postaje imperativ i jedna od ključnih tema. Osnovni cilj i motivacija ove disertacije su unapređenje tačnosti i pouzdanosti procene potrošnje električne energije, što može doprineti efikasnijem planiranju i upravljanju elektro-energetskim sistemom, a time i smanjenju gubitaka energije. U skladu sa tim, predstavljen je programski okvir za podršku predviđanju i planiranju potrošnje električne energije, temeljen na tehnikama mašinskog učenja. Kroz nekoliko poglavlja, predstavljeno je više različitih pristupa baziranih na mašinskom učenju, od postupka adaptacije inicijalnog skupa podataka do razvoja modela praćenog evaluacijom rezultata. Predloženi model nastaje kao produkt sinergije višegodišnjeg istraživanja, logičkih pravila i načela, teorijskoepistemioloških saznanja, dugotrajnog praktičnog rada na razvoju programskog okvira i 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 u domaćinstvima, pametnim zgradama, pa čak i čitavim kvartovima, gradovima ali i za podršku planiranju potrošnje u industriji. Rezultati postignuti na ovaj način mogu naći primenu u širokom spektru aplikacija iz domena distribucije i potrošnje električne energije. Na taj način, potvrđena je pretpostavka da se tehnike mašinskog učenja efikasno mogu koristiti i u ovom domenu čime je dat doprinos razvoju znanja o primeni tehnika mašinskog učenja na polju planiranja proizvodnje i potrošnje električne energije.

The growing global population and rapid technological development have caused the increasing electricity demand and therefore made the development of an efficient and reliable system for electricity consumption planning and estimating a must, and one of the burning issues. This doctoral dissertation aims to improve the accuracy and reliability of electricity consumption estimation, which may increase the consumption planning efficiency, and improve the energy systems management, thus reducing energy losses as well. In line with that, a programme framework which supports the electrical energy consumption estimation and planning, 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 the initial dataset to the development of the model and its evaluation, are described in several chapters. The proposed model emerged as the product of the synergy between the research which 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 can be concluded that the acquired knowledge and proposed methodology can be used in households, smart buildings, entire neighbourhoods and cities, as well as to plan the industrial electricity consumption. The results obtained in this way can be used in a wide range of applications in the field of electrical energy distribution and consumption. Therefore, the hypothesis on the efficiency of machine learning techniques in this domain has been confirmed, thus making a contribution to the development of knowledge on the use of machine learning techniques for the electricity distribution and consumption planning.

Veštačke neuronske mreže, Gradijentni bust, Linearna regresija, Mašinsko učenje, Predikcija potrošnje električne energije, Regresija sa potpornim vektorima, Slučajne šume, Stabla odluke, Huber

Artificial Neural Networks, Decision tree, Electrical Energy Consumption Prediction, Gradient Boosting, Huber, Linear Regression, Linear SVR, Machine learning, Random Forest

004.85:621.317.38(043.3)

Računarstvo

Veštačka inteligencija

Tekst