Smart Grid Energy Forecasting: Enhancing Forecast Performance through Federated and Split Learning – Marwan Moustafa Mohamed AHMED
Marwan Moustafa Mohamed AHMED
Master's thesis
Smart Grid Energy Forecasting: Enhancing Forecast Performance through Federated and Split Learning
Abstract:
Federated and split learning models were applied to forecast power consumption in smart grids, with a focus on integrating renewable energy sources while prioritizing data privacy, computational efficiency, and accuracy. The study conducted a comparative evaluation of these two methods, investigating various parameters influencing the performance of split learning.
Jazyk práce: English
Datum vytvoření / odevzdání či podání práce: 8. 2. 2024
Obhajoba závěrečné práce
- Vedúci: prof. Dr. Andreas Kassler
Citační záznam
Citace dle ISO 690:
AHMED, Marwan Moustafa Mohamed. \textit{Smart Grid Energy Forecasting: Enhancing Forecast Performance through Federated and Split Learning}. Online. Diplomová práca. České Budějovice: Jihočeská univerzita v Českých Budějovicích, Faculty of Science. 2024. Dostupné z: https://theses.cz/id/x4ubkf/.
Jak správně citovat práci
AHMED, Marwan Moustafa Mohamed. Smart Grid Energy Forecasting: Enhancing Forecast Performance through Federated and Split Learning. České Budějovice, 2024. diplomová práce (Mgr.). JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH. Přírodovědecká fakulta
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- světu
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH, Přírodovědecká fakultaUNIVERSITY OF SOUTH BOHEMIA IN ČESKÉ BUDĚJOVICE
Faculty of ScienceMaster programme / odbor:
Artificial Intelligence and Data Science / Artificial Intelligence and Data Science
Práce na příbuzné téma
- Žádné práce na příbuzné téma.
Názov
Vložil
Vložené
Práva
Složky
Soubory
Bulánová, L.
9. 2. 2024