Машинне навчання на віртуальному ринку електроенергії

Скорочена інформація про документ
dc.contributor.advisorХохлов, Юрій Віталійович
dc.contributor.authorШвець, Михайло Юрійович
dc.date.accessioned2020-01-17T13:35:40Z
dc.date.available2020-01-17T13:35:40Z
dc.date.issued2019-12
dc.description.abstractenThe master's thesis is devoted to the preparation and analysis of data to improve predictions of the amount of used and generated electricity using machine learning methods. The importance and influence on predicting the time of day, month, year, temperature, humidity, atmospheric pressure, and other factors were determined. The dataset used in this article contains information on the consumption and generation of electricity and weather data for 11,5 months with a data fixing period of 1 minute. Data processing was based on statistical methods of information processing, determination the amount of missing data, linear relationships between features, compatibility of data types. Using the Python programming language and libraries pandas, numpy, sklearn, matplotlib, a pre-processing code was written, the precision of the predictions for the three machine learning models was compared, and the model with the highest precision for the selected set of information was identified. The type of database was selected based on the criteria required for machine learning. As a result of the research was increase accuracy for a prediction model. A determination coefficient was used to estimate the accuracy of the predictions. The cost of the 1 kWh generated electricity was calculated and the economic benefit was shown in applying the forecasted amount of used and generated electricity. It is expected that the results of the research will significantly contribute to the further development of predictions by machine learning methods.uk
dc.description.abstractruМагистерская диссертация посвящена подготовке и анализу данных для улучшения предсказаний количества использованной и сгенерированной электроэнергии методами машинного обучения, а также оценке важности и влияния на прогнозирование времени суток, месяца, температуры, влажности воздуха и других признаков. Набор данных, используемый в данной работе, содержит сведения об использовании и генерации электроэнергии, а также погодные показатели за 11,5 месяцев с периодом фиксации данных 1 минута. Обработка данных основывалась на статистических методах обработки информации, определении количества пропущенных данных, линейных зависимостях между признаками, совместимости типов данных. С помощью языка программирования Python и библиотек pandas, numpy, sklearn, matplotlib был написан код программы для предварительной обработки данных, проведено сравнение точности предсказаний для трех моделей машинного обучения и определена модель с наибольшей точностью. Был выбран тип базы данных исходя из критериев необходимых для машинного обучения. В результате исследования удалось добиться улучшения точности для результатов предсказаний. Для оценки точности было использовано коэффициент детерминации. Была просчитана себестоимость сгенерированной электроэнергии за 1 кВт*ч, и показана экономическая выгода при применении прогнозирования количества использованной и сгенерированной электроэнергии. Ожидается, что результаты исследований поспособствуют дальнейшему улучшению предсказаний методами машинного обучения.uk
dc.description.abstractukМагістерська дисертація присвячена підготовці і аналізу даних для покращення передбачень кількості використаної та згенерованої електроенергії методами машинного навчання, а також оцінці важливості та впливу на прогнозування періоду доби, місяця, температури, вологості повітря та інших ознак. Набір даних, що використовувався в даній роботі, містить відомості про використання та генерацію електроенергії, а також погодні показники за 11,5 місяців з періодом фіксації даних 1 хвилина. Оброблення даних ґрунтувалось на статистичних методах обробки інформації, визначенні кількості пропущених даних, лінійних залежностей між ознаками, сумісності типів даних. За допомогою мови програмування Python та бібліотек pandas, numpy, sklearn, matplotlib було написано код програми для попередньої обробки даних, порівняно точність передбачень для трьох моделей машинного навчання та визначено модель з найбільшою точністю передбачень для обраного набору інформації. Було обрано тип бази даних виходячи з критеріїв необхідних для машинного навчання. В результаті дослідження вдалось досягнути покращення точності результатів передбачення. Для оцінки точності передбачень було використано коефіцієнт детермінації. Було прораховано собівартість згенерованої електроенергії за 1 кВт*год, та показано економічну вигоду при застосуванні прогнозування кількості використаної та згенерованої електроенергії. Очікується, що результати досліджень суттєво сприятимуть подальшому розвитку передбачень методами машинного навчання.uk
dc.format.page94 c.uk
dc.identifier.citationШвець, М. Ю. Машинне навчання на віртуальному ринку електроенергії : магістерська дис. : 171 Електроніка / Швець Михайло Юрійович. – Київ, 2018. – 94 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/30914
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectмашинне навчанняuk
dc.subjectкоефіцієнт кореляції Пірсонаuk
dc.subjectкоефіцієнт детермінаціїuk
dc.subjectвипадковий лісuk
dc.subjectmachine learningen
dc.subjectPearson correlation coefficienten
dc.subjectdetermination coefficienten
dc.subjectRandom foresten
dc.subjectмашинное обучениеru
dc.subjectкоэффициент корреляции Пирсонаru
dc.subjectкоэффициент детерминацииru
dc.subjectСлучайный лесru
dc.subject.udc621.311.1uk
dc.titleМашинне навчання на віртуальному ринку електроенергіїuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Shvets_magistr.pdf
Розмір:
2.6 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ПЕ)
Магістерські роботи