Please use this identifier to cite or link to this item:https://hdl.handle.net/20.500.12259/34541
Full metadata record
DC FieldValueLanguage
dc.contributorVytauto Didžiojo universitetas. Informatikos fakultetas. Taikomosios informatikos katedra
dc.contributor.advisorKrilavičius, Tomas
dc.contributor.authorŠvagždytė, Justina
dc.date.accessioned2017-06-05T10:58:09Z
dc.date.available2017-06-05T10:58:09Z
dc.date.issued2017-05-23
dc.identifier.urihttps://eltalpykla.vdu.lt/1/34541
dc.identifier.urihttps://hdl.handle.net/20.500.12259/34541-
dc.description.abstractŠiais laikais elektros tiekimas yra svarbus kiekvienoje srityje. Net patys paprasčiausi daiktai (pvz. telefonas, TV ir kt.), nekalbant jau apie apie tokius objektus kaip ligoninės, gamyklos ir kt., yra priklausomi nuo elektros tiekimo. Suprantant elektros naudą yra svarbu rasti balansą tarp pagamintos ir suvartotos. Elektros perteklius reikštų finansinius nuostolius, o trūkumas galėtų iššaukti net ir katastrofą. Vienas iš būdų tai išvengti yra elektros suvartojimo prognozavimas. Jis aktualus visiems elektros energijos sektoriams: gaminimui, perdavimui ir paskirstymui. Šio darbo tikslas – pritaikyti metodus taikomus elektros sąnaudų prognozavimui turimiems duomenims. Atlikus literatūros analizę, išsiaiškinta, kad dažniausiai tam naudojami šie metodai: regresija, laiko eilutės (ARMA, ARIMA), panašios dienos metodas, end-use, dirbtinis neuronų tinklas, atraminių vektorių metodas, fuzzy, eksperto sistema. Eksperimentinėje dalyje atliekant skaičiavimus naudoti kelių tūkstančių vartotojų dvejų metų kasvalandiniai duomenys, kas sudaro labai didelį rodmenų rinkinį, o būtent tai ir daro darbą įdomiu ir nauju. Atsižvelgiant į tai, kad prognozavimui bus naudojami duomenys, kuriuos sudaro tik du požymiai (data ir kiekvienos dienos kasvalandinės sąnaudos), išrinkti tinkamiausi metodai – tai ARIMA ir dirbtinis neuronų tinklas. Modeliams apmokyti naudoti 1 savaitės, 1 mėnesio, 3 mėnesių ir 1 metų duomenys. Eksperimento metu prognozuota 1 d., 1 sav., 1 mėn. į priekį. Atlikus prognozavimą galima teigti, kad tiek ARIMA, tiek neuroninio tinklo metodo prognozės buvo pakankamai tikslios ir abu metodai yra tinkami šių duomenų prognozavimui. Taip pat pastebėta, kad geriausios prognozės, kai mokymui naudojama 1 mėn. mokymo imtis, o prognozuojama 1 – 2 d. į priekį.lt_LT
dc.description.abstractIn these days electricity is very important in every field. Even the most simple things (for example cell phone TV and etc.), not even talking about facilities like hospitals, factories and other, are reliable on power supply. Understanding the importance of electricity it is important to find a balance between production and consumption of electricity. Exess of power supply production would result financial loss, but the lack of electricity could result a catastrophy. One of the ways to avoid the common problems would be prediction of electricity consumptions. It is relevant to every field of power supply: manufacturing, transmission, distribution. The aim of this research - to adjust methods applied to electricity expenses prediction, using the given data. After analysing the literature, it is found out, that these methods are mostly common: regression, time series (ARMA, ARIMA), similar days method, end-use, artificial neural network, support vector machines, fuzzy logic, expert system. Doing the calculation in an experimental part of a few thousand of users of two years, hourly data was used, which makes a very big set of readings, what exactly makes the reseach interesting and new. Regarding to this, for the prediction the data will be used, that is made of only two attributes (date and everyday hourly consumption), most relevant methods were picked - ARIMA ir artificial neural network. To teach the models, data were used of 1 week, 1 month, 3 months and 1 year. During the experiment the predictions were made to 1 day, 1 week, 1 month in advance. After the prediction we can declair that ARIMA and neuroninio tinklo methods predictions were precise enough and both methods are eligible for prediction of this data. It was also noticed, that best predictions are when it is used of 1 month of teaching, and predicting 1-2 days in advance.en_US
dc.format.extent51 p.
dc.language.isolten_US
dc.rightsSutarties data 2017-05-22, nr.3 4541, neprieinamas iki 2022-06-20lt_LT
dc.subjectARIMAlt_LT
dc.subjectDirbtinis neuroninis tinklaslt_LT
dc.subjectPrognozavimo metodailt_LT
dc.subjectElektros sąnaudoslt_LT
dc.subjectArtificial neural networken_US
dc.subjectPrediction methodsen_US
dc.subjectElectricity consumptionen_US
dc.subject.otherInformatika / Informatics
dc.titleMetodai elektros sąnaudų prognozavimui naudojant išmanių skaitliukų duomenislt_LT
dc.title.alternativeMethods for electricity consumption prediction using smart meter dataen_US
dc.typeMagistro darbas / Master thesis
item.fulltextWith Fulltext-
item.grantfulltextrestricted-
Appears in Collections:2017 m. (IF mag.)
Files in This Item:
justina_svagzdyte_md.pdf1.71 MBAdobe PDF   Restricted AccessView/Open

Show simple item record

Page view(s)

82
checked on Nov 5, 2019

Download(s)

2
checked on Nov 5, 2019

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.