Power demand forecasting using Machine Learning approaches

Oskar Bikmukhametov

Bakalářská práce

Predikce poptávky po elektřině pomocí strojového učení

Anotace:

Tato práce se zabývá aplikací různých modelů strojového učení na předpovídání poptávky po elektřině, což je klíčová součást efektivního řízení energetických zdrojů. Hlavním cílem této práce je představit modely strojového učení používané pro předpovídání poptávky po elektřině a tyto metody porovnat. Dalšími cíli podporujícími hlavní cíl jsou přispění k optimalizaci německé energetické sítě, ukázka praktického použití na reálných datech a příprava na budoucí výzkum. Tyto cíle byly naplněny s využitím literatury a zkušeností autora. K realizaci celé praktické části byl použit programovací jazyk Python. Výsledkem této práce je stručné srovnání různých modelů, jako je lineární regrese, XGBoost a long short-term memory neuronová síť.

Abstract:

This thesis explores the application of various machine learning models to power demand forecasting, a crucial component in the efficient management of energy resources. The main goal of this thesis is to introduce the machine learning models used for forecasting power demand and compare those methods. Additional goals supporting the main goal are contributing to the optimization of the German energy grid, demonstration of the practical application using real data, and preparation for future research. Those goals were fulfilled by using literature and the author’s experience. Python programming language was used to implement the whole practical part. The outcome of this thesis is a concise comparison of different models, such as linear regression, XGBoost and long short-term memory neural network.

Klíčová slova

energetická síť, lineární regrese, strojové učení, předpověď poptávky po elektřině, XGBoost, LSTM

Keywords

machine learning, XGBoost, energy grid, electricity demand forecasting, linear regression, LSTM

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 5. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 13. 6. 2024
• Vedoucí: Jan Fojtík
• Oponent: Matěj Lebeda

Vysoká škola ekonomická v Praze

Bakalářský studijní program:
Aplikovaná informatika