prikaz prve stranice dokumenta Predviđanje potrošnje električne energije zasnovano na modelima dubokog učenja
No public access
undergraduate thesis
Predviđanje potrošnje električne energije zasnovano na modelima dubokog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. urn:nbn:hr:168:799524
Borzić, Sara
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Borzić, S. (2020). Predviđanje potrošnje električne energije zasnovano na modelima dubokog učenja (Undergraduate thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:799524

Borzić, Sara. "Predviđanje potrošnje električne energije zasnovano na modelima dubokog učenja." Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:799524

Borzić, Sara. "Predviđanje potrošnje električne energije zasnovano na modelima dubokog učenja." Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:799524

Borzić, S. (2020). 'Predviđanje potrošnje električne energije zasnovano na modelima dubokog učenja', Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 04 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:799524

Borzić S. Predviđanje potrošnje električne energije zasnovano na modelima dubokog učenja [Undergraduate thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2020 [cited 2024 November 04] Available at: https://urn.nsk.hr/urn:nbn:hr:168:799524

S. Borzić, "Predviđanje potrošnje električne energije zasnovano na modelima dubokog učenja", Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:168:799524

Metadata
TitlePredviđanje potrošnje električne energije zasnovano na modelima dubokog učenja
Title (english)Prediction of Power Consumption Based on Deep Learning Models
AuthorSara Borzić
MentorGoran Delač (mentor)
Committee memberGoran Delač (predsjednik povjerenstva)
Committee memberAdrian Satja Kurdija (član povjerenstva)
Committee memberPetar Afrić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2020-07-06, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Predviđanje potrošnje električne energije po satima je problem koji se može opisati kao sekvencijski jer se radi o nizovima potrošnje energije izmjerenima u razmacima od jednog sata. Upravo takvu problematiku sekvencijskih skupova podataka rješavaju modeli dubokog učenja bazirani na povratnim neuronskim mrežama. Kako u običnim povratnim neuronskim mrežama postoji problem otežanog korištenja dugoročne memorije, konstruirani su modeli ćelija s dugoročnim pamćenjem (engl. LSTM). Takav model na temelju i dugoročne i radne memorije radi predviđanja budućih podataka. Model korišten u implementaciji sadrži tri LSTM sloja i jedan potpuno povezani izlazni sloj te predviđa podatke potrošnje energije kroz zimske mjesece za svaki sat između 8 sati ujutro i 22 sata navečer. Podatci korišteni u implementaciji su prikupljeni s područja Sjevernog Illinoisa (Sjedinjene Američke Države) u rasponu od šest godina. Model primijenjen na skupu za testiranje je dao rezultate s gubitkom od samo 2,79%. Može se zaključiti da model odlično funkcionira na testnom skupu podataka, no kakav bi bio za podatke u budućnosti, ne može se znati. Kao i za svaki model, može se samo pretpostaviti da će dobro predviđati jer su u skupu za treniranje obuhvaćeni podatci za koje se vjeruje da posjeduju svojstvo reprezentativnosti.
Abstract (english)
Forecasting hourly electricity consumption is a problem that can be described as sequential because it is a time series of energy consumption measured at equal intervals of one hour. Exactly such problems of sequential data sets are solved by deep learning models based on recurrent neural networks. As there is a problem of difficult use of long-term memory in ordinary reverse neural networks, models of cells with long short-term memory (LSTM) have been constructed. Such a model is based on both long-term and working memory to predict future data. The model used in the implementation consists of three LSTM layers and one fully connected output layer and predicts energy consumption data through the winter months for each hour between 8 am and 10 pm. Data used in the implementation was collected from the area of Northern Illinois (United States) over a period of six years. The model applied to the test set yielded results with a loss of only 2.79%. It can be concluded that the model works great on a testing set, but what it would be like for data in the future cannot be known. As with any model, one can only assume that it will predict well because the training set includes data that are believed to possess the property of representativeness.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:799524
Study programmeTitle: Computing
Study programme type: university
Study level: undergraduate
Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-14 08:32:54