Adaptivni model prognoze vremenskih serija u pametnim infrastrukturnim mrežama

Дисертација се бави креирањем напредног адаптивног модела краткорочне прогнозе вредности временских серија у паметним инфраструктурним мрежама. Појаве које модел прогнозира односе се пре свега на потрошњу ресурса као што су електрична енергија, природни гас и вода. Модел користи постојеће методе машинског учења, које унапређује како у погледу тачности прогнозе тако и у погледу перформанси. Примарни допринос дисертације је унапређење постојећих техника машинског учења коришћењем предложеног модела.Основа модела је оптимизација избора узорка који користе методе машинског учења у поступку прогнозе. Узорак се односи на дане из историјске базе података. Узорак је репрезентативнији што су дани из узорка сличнији прогнозираном дану. Сличност дана се одређује на основу релевантних фактора сличности. Модел је адаптиван у смислу могућности прилагођавања утицаја и додавања нових фактора сличности.Утицај појединачних фактора сличности оптимизује се метахеуристички, коришћењем генетског алгоритма. У извршавању генетског алгоритма у адаптивном моделу прогнозе уочени су проблеми, који су описани а затим и решени увођењем иновативних техника који унапређују конвергенцију, а последично и тачност коначних резултата прогнозе.Модел поседује могућност континуалног унапређења кроз прилагођавање промењеним календарским и временским околностима. Ова адаптивност омогућена је кроз механизам извршавања генетског алгоритма на дневном и кварталном нивоу, чиме се краткорочно и дугорочно оптимизује утицај фактора сличности.Модел је такође прилагођен специјалним данима – празницима и другим данима чији профили потрошње одступају у односу на стандардне дане. Предложеним решењем у моделу специјални дани се препознају и за њих се извршава прогноза коришћењем посебног алгоритма којим се препознају и примењују специфична правила понашања потрошње.Верификација модела извршена је на две студије случаја. Једна студија случаја односи се на краткорочну прогнозу потрошње електричне енергије у преносној мрежи електроенергетског система за подручје Србије. Друга студија случаја односи се на краткорочну прогнозу потрошње природног гаса у дистрибутивној мрежи за један регион у Холандији.
Disertacija se bavi kreiranjem naprednog adaptivnog modela kratkoročne prognoze vrednosti vremenskih serija u pametnim infrastrukturnim mrežama. Pojave koje model prognozira odnose se pre svega na potrošnju resursa kao što su električna energija, prirodni gas i voda. Model koristi postojeće metode mašinskog učenja, koje unapređuje kako u pogledu tačnosti prognoze tako i u pogledu performansi. Primarni doprinos disertacije je unapređenje postojećih tehnika mašinskog učenja korišćenjem predloženog modela.Osnova modela je optimizacija izbora uzorka koji koriste metode mašinskog učenja u postupku prognoze. Uzorak se odnosi na dane iz istorijske baze podataka. Uzorak je reprezentativniji što su dani iz uzorka sličniji prognoziranom danu. Sličnost dana se određuje na osnovu relevantnih faktora sličnosti. Model je adaptivan u smislu mogućnosti prilagođavanja uticaja i dodavanja novih faktora sličnosti.Uticaj pojedinačnih faktora sličnosti optimizuje se metaheuristički, korišćenjem genetskog algoritma. U izvršavanju genetskog algoritma u adaptivnom modelu prognoze uočeni su problemi, koji su opisani a zatim i rešeni uvođenjem inovativnih tehnika koji unapređuju konvergenciju, a posledično i tačnost konačnih rezultata prognoze.Model poseduje mogućnost kontinualnog unapređenja kroz prilagođavanje promenjenim kalendarskim i vremenskim okolnostima. Ova adaptivnost omogućena je kroz mehanizam izvršavanja genetskog algoritma na dnevnom i kvartalnom nivou, čime se kratkoročno i dugoročno optimizuje uticaj faktora sličnosti.Model je takođe prilagođen specijalnim danima – praznicima i drugim danima čiji profili potrošnje odstupaju u odnosu na standardne dane. Predloženim rešenjem u modelu specijalni dani se prepoznaju i za njih se izvršava prognoza korišćenjem posebnog algoritma kojim se prepoznaju i primenjuju specifična pravila ponašanja potrošnje.Verifikacija modela izvršena je na dve studije slučaja. Jedna studija slučaja odnosi se na kratkoročnu prognozu potrošnje električne energije u prenosnoj mreži elektroenergetskog sistema za područje Srbije. Druga studija slučaja odnosi se na kratkoročnu prognozu potrošnje prirodnog gasa u distributivnoj mreži za jedan region u Holandiji.
А topic of this dissertation is creating an advanced adaptive model of a short-term forecast of time series values in smart infrastructure grids. The primal phenomena that the model predicts are the consumption of resources such as electricity, natural gas, and water. The model uses existing machine learning methods, improved both in terms of forecast accuracy and in terms of performance. The primary contribution of the dissertation is the improvement of existing machine learning techniques using the proposed model.The basis of the model is the optimization of the selection of samples used by machine learning methods in the forecasting process. The sample refers to days from a historical database. The sample optimization is improved by the increase of the similarity of days from the sample. The similarity of the day is determined by relevant similarity factors. The model is adaptive in terms of adjusting the impact of similarity factors and adding new similarity factors.The influence of individual similarity factors is optimized by the metaheuristics, using a genetic algorithm. The execution of the genetic algorithm in the adaptive model of the forecast deals with problems noticed in this work. The detected issues are described and then solved by introducing innovative techniques that improve convergence, and consequently, the accuracy of the final results of the forecast.The model has the possibility of continuous improvement through adaptation to changed calendar and weather circumstances. This adaptability is enabled through the mechanism of execution of the genetic algorithm on a daily and quarterly level, which optimizes the influence of similarity factors in the short and long term.The model is also adapted to special days - holidays and other consumption profiles that deviate from standard days. The proposed solution recognizes special days and executes a specific forecast by a special algorithm that identifies and applies specific rules of consumption behavior on special days.Model verification was performed on two case studies. The first one refers to the short-term load forecast in the transmission system utility in Serbia. The second case study concerns a short-term forecast of natural gas consumption in the distribution network for a region in the Netherlands.