| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Napovedovanje obremenitvenega profila električne energije s pomočjo metod strojnega učenja : magistrsko delo
Avtorji:ID Tepej, Urban (Avtor)
ID Beković, Miloš (Mentor) Več o mentorju... Novo okno
ID Černezel, Martin (Komentor)
Datoteke:.pdf MAG_Tepej_Urban_2026.pdf (4,33 MB)
MD5: 81A9E8D28E542E2E94723E1428D0BC78
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:Zanesljivo napovedovanje obremenitvenega profila električne energije je ključno za učinkovito delovanje elektroenergetskega sistema. V magistrskem delu obravnavamo kratkoročno napovedovanje z uporabo podatkovno vodenih pristopov. Razvit je model, ki temelji na skrbno izbranih značilnostih, pri čemer poseben poudarek namenjamo preprečevanju uhajanja informacij (data leakage) in zagotavljanju t. i. future-safe pristopa. Analizirali smo vpliv časovnih, zgodovinskih in vremenskih spremenljivk na natančnost napovedi. Model smo ovrednotili z metrikami RMSE (Root Mean Squared Error), MAE (Mean Absolute Error) in MAPE (Mean Absolute Percentage Error). Rezultati potrjujejo, da ustrezna izbira značilnosti bistveno izboljša zanesljivost napovedi.
Ključne besede:napoved obremenitvenega profila, časovne vrste, strojno učenje, XGBoost, RMSE, MAE, MAPE
Kraj izida:Maribor
Kraj izvedbe:Maribor
Založnik:[U. Tepej]
Leto izida:2026
Št. strani:1 spletni vir (1 datoteka PDF (XV, 83 str.))
PID:20.500.12556/DKUM-97820 Novo okno
UDK:611.311.15-047.72:004.85(043.2)
COBISS.SI-ID:282197507 Novo okno
Datum objave v DKUM:29.05.2026
Število ogledov:160
Število prenosov:18
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:16.04.2026

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Forecasting of electric load profiles using machine learning methods
Opis:Reliable forecasting of electrical load profiles is essential for the efficient operation of power systems. This master’s thesis addresses short-term load forecasting using data-driven approaches. A model is developed based on carefully selected features, with particular emphasis on preventing data leakage and ensuring a future-safe methodology. The impact of temporal, historical, and weather-related variables on forecasting accuracy is analyzed. The model is evaluated using the metrics RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), and MAPE (Mean Absolute Percentage Error). The results confirm that appropriate feature selection significantly improves forecasting reliability.
Ključne besede:forecast of load profile, time series, machine learning, XGBoost, RMSE, MAE, MAPE


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici