Predviđanje proizvodnje električne energije solarnih elektrana pomoću dubokog učenja

master's thesis

• Title (english): Prediction of solar power generation using deep learning
• Author: Irena Kinder
• Mentor: Marin Šilić (mentor)
• Committee member: Marin Šilić (predsjednik povjerenstva)
• Committee member: Goran Delač (član povjerenstva)
• Committee member: Klemo Vladimir (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-07-04, Croatia

Abstract

U ovom radu opisan je razvoj dubokog učenja kroz tri glavne faze istraživanja. Kronološki su navedeni napredci tijekom tih faza, kao i relevantni koncepti za današnje stanje tehnologije dubokog učenja. Nakon općeg pregleda, rad se bavi predviđanjem vremenskih serija, definirajući koncept i navodeći njegove različite primjene. Detaljno su opisani modeli dubokog učenja pogodni za predviđanje vremenskih serija. Uvod uključuje temeljno objašnjenje duboke unaprijedne mreže, njezin proces učenja i osnovu za razumijevanje složenijih dubokih modela. Modeli su kategorizirani prema prikladnosti za kratkoročno i dugoročno predviđanje vremenskih serija. Analizirane su karakteristike i nedostaci tih modela u kontekstu predviđanja vremenskih serija. Razvijen je i dokumentiran sustav zasnovan na dubokom učenju za predviđanje proizvodnje električne energije solarne elektrane na temelju povijesnih i meteoroloških podataka. Prikazani su i komentirani rezultati treniranja LSTM modela za predviđanje proizvodnje solarne energije.

Abstract (english)

This thesis provides a comprehensive overview of the development of deep learning through three main phases of research. The chronological progression of these phases is documented, highlighting key concepts relevant to the current state of deep learning technology. Following this general overview, the thesis delves into time series forecasting, defining the concept and listing its various applications. Deep learning models suitable for time series forecasting are introduced and described in detail. The introduction includes a fundamental explanation of the deep feedforward network, its learning process, and the basis for understanding more complex deep models. Models are categorized based on their suitability for short-term and long-term time series forecasting. The characteristics and shortcomings of these models in the context of time series forecasting are analyzed. A deep learning-based system for predicting the power generation of a solar power plant using historical and meteorological data is developed and documented. The performance of an LSTM model in forecasting solar power production is presented and discussed.

• Keywords: duboko učenje; vremenska serija; duboka unaprijedna mreža; ćelija s dugoročnom memorijom; solarna energija
• Keywords (english): deep learning; time series; deep feedforward network; long short-term memory; solar power
• Language: croatian
• URN:NBN: urn:nbn:hr:168:581841
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-10-12 21:03:25