Software for power system electricity consumption forecasting from data (VP5)

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27740%2F22%3A10249603" target="_blank" >RIV/61989100:27740/22:10249603 - isvavai.cz</a>

Result on the web

<a href="https://code.it4i.cz/ADAS-Private/distributionnetworks/es4g/-/tree/main/ES4G_energy_demand_forecasting_software" target="_blank" >https://code.it4i.cz/ADAS-Private/distributionnetworks/es4g/-/tree/main/ES4G_energy_demand_forecasting_software</a>

DOI - Digital Object Identifier

—

Result language

čeština

Original language name

Software pro předpověď spotřeby elektrické energie energetického systému z dat (VP5)

Original language description

Metody umělé inteligence byly využity pro tvorbu predikčního modelu, který umožňuje ze vstupních dat energetického systému automaticky předpovědět spotřebu elektrické energie daného systému v podmínkách ČR. Software je robustní, neboť umožňuje pracovat i s neúplnými daty. Software umožňuje vylepšit kvalitu predikcí pomocí globálních optimalizačních metod, které minimalizují chybu modelu. Software umožňuje také vylepšit kvalitu predikcí i využitím informací o datumu (např. využitím skutečnosti, zda se jedná o pracovní či o nepracovní den). V případě metody Prophet je zohledněna i databáze dnů pracovního klidu v ČR, včetně využití informací o roční, měsíční či denní sezónnosti v analyzovaných datech. Software obsahuje také grafické uživatelské rozhraní. Software byl testován v MS Windows i v Linuxu.Predikční software byl vytvořen v programovacím jazyce Python 3.7. Pro svou velkou škálu implementovaných metod predikce časových řad byla jako základ software zvolena Python knihovna DARTS. Z důvodu požadavků na obecnost vyvíjeného software byly aplikovány metody založené na různých algoritmech predikce, např. klasické regresní modely, neuronové sítě či Gradient Boosted Trees algoritmy.

Czech name

Software pro předpověď spotřeby elektrické energie energetického systému z dat (VP5)

Czech description

Metody umělé inteligence byly využity pro tvorbu predikčního modelu, který umožňuje ze vstupních dat energetického systému automaticky předpovědět spotřebu elektrické energie daného systému v podmínkách ČR. Software je robustní, neboť umožňuje pracovat i s neúplnými daty. Software umožňuje vylepšit kvalitu predikcí pomocí globálních optimalizačních metod, které minimalizují chybu modelu. Software umožňuje také vylepšit kvalitu predikcí i využitím informací o datumu (např. využitím skutečnosti, zda se jedná o pracovní či o nepracovní den). V případě metody Prophet je zohledněna i databáze dnů pracovního klidu v ČR, včetně využití informací o roční, měsíční či denní sezónnosti v analyzovaných datech. Software obsahuje také grafické uživatelské rozhraní. Software byl testován v MS Windows i v Linuxu.Predikční software byl vytvořen v programovacím jazyce Python 3.7. Pro svou velkou škálu implementovaných metod predikce časových řad byla jako základ software zvolena Python knihovna DARTS. Z důvodu požadavků na obecnost vyvíjeného software byly aplikovány metody založené na různých algoritmech predikce, např. klasické regresní modely, neuronové sítě či Gradient Boosted Trees algoritmy.

Type

R - Software

CEP classification

—

OECD FORD branch

10200 - Computer and information sciences

Project

<a href="/en/project/TK02030039" target="_blank" >TK02030039: Energy System for Grids</a><br>

Continuities

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Publication year

2022

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Internal product ID

002/23-02-2022_SW

Technical parameters

Predikční software byl vytvořen v programovacím jazyce Python 3.7. Pro svou velkou škálu implementovaných metod predikce časových řad byla jako základ software zvolena Python knihovna DARTS. Z důvodu požadavků na obecnost vyvíjeného software byly aplikovány metody založené na různých algoritmech predikce, např. klasické regresní modely, neuronové sítě či Gradient Boosted Trees algoritmy. Použité stochastické modely predikce jsou následující: - NaiveSeasonal Model [https://unit8co.github.io/darts/generated_api/darts.models.forecasting.baselines.html?highlight=naive%20seasonal#darts.models.forecasting.baselines.NaiveSeasonal], - Facebook Prophet model [https://unit8co.github.io/darts/generated_api/darts.models.forecasting.prophet_model.html], - LightGB Model [https://unit8co.github.io/darts/generated_api/darts.models.forecasting.gradient_boosted_model.html], - Temporal Convolutional Network [https://unit8co.github.io/darts/generated_api/darts.models.forecasting.tcn_model.html] Model Facebook Prophet nabízí dva přístupy predikce, jednak stochastický (v překládaném software implementován pomocí knihovny DARTS) a jednak i pravděpodobnostní přístup. Právě pravděpodobnostní model Facebook Prophet byl implementován jako rozšíření nabízených stochastických modelů. Navíc u obou těchto modelů Facebook Prophet je v předkládaném software přidána možnost optimalizace parametrů predikčních modelů. Cílem optimalizace parametrů modelu je redukce chyby mezi vstupními daty a daným modelem. Chyba modelu je měřena koeficientem determinace (běžně označovaný také jako „R kvadrát&quot;). Optimalizace parametrů je aplikovaná pomocí genetických algoritmů Python knihovny Pymoo [https://pymoo.org/], které jsou v projektu ES4G s úspěchem využívány, viz např. software „Stochastický model pro identifikaci kritických komponent elektrické sítě (VP5)“. Pro hodnocení kvality předpovědního modelu jsou pro každou metodu vypočteny důležité statistiky (např. procento chybějících dat) a zobrazeno porovnání modelu s validačními daty analyzované datové sady spotřeby elektrické energie. Report o hodnocení je proveden pomocí Python knihovny Pandas Profiling [https://github.com/ydataai/pandas-profiling]. Výsledky předpovědních modelů jsou vyobrazeny v interaktivních grafech pomocí Python knihovny Plotly [https://plotly.com/python/]. Pro uživatelsky přátelské prostředí byl celý software zakomponován Python knihovnou Streamlit [https://streamlit.io/], speciálně vytvořenou pro tvorbu webových aplikací strojového učení.

Economical parameters

Předpověď spotřeby elektrické energie je žádaná ze strany soukromých společností i státních orgánů. V rámci elektroenergetiky mají o předpověď spotřeby elektrické energie zájem provozovatelé elektráren i distribuční společnosti, ale i státní orgány. Software pro předpověď spotřeby elektrické energie energetického systému z dat má tedy i ekonomické přínosy, neboť předpověď spotřeby energie umožnuje aktérům mít více času na přípravu a reagovat na změny s předstihem. Díky tomu lze realizovat levnější nákup komodity pro výrobu elektřiny či samotné elektřiny, případně hospodárněji i ekologičtěji využívat stávající infrastrukturu v energetice, což implikuje menší emise či omezení ztrát z výroby či distribuce elektřiny.Predikce spotřeby elektřiny lze využít pro přesnější plánování preventivní údržby infrastruktury distribuční sítě, čímž se sníží pravděpodobnost vzniku anomálií či poruch během údržby.Tím se zredukují finanční výdaje pro překonávání dopadů těchto anomálií a poruch na provoz distribuční sítě.

Owner IČO

61989100

Owner name

VŠB - Technická univerzita Ostrava