LSTM-arhitektuuride rakendamine ja hindamine energia aegridade prognoosimiseks
Nimi
Gunay Abdullayeva
Kokkuvõte
Täpsete prognooside koostamine on energiavaldkonnas väga aktiivne
uurimisvaldkond, kuna usaldusväärne teave tulevase elektritootmise kohta on oluline elektrivõrgu ohutuse tagamisel ning aitab minimeerida liigset elektrienergia tootmist. Kuna rekurrentsed tehisnärvivõrgud ületavad aegridade prognoosimise täpsuses enamikke muid masinõppe meetodeid, siis on need võetud ka energia prognoosimisel laialdaselt kasutusele. Käesolevas töös on energiaprognooside tegemiseks rakendatud algoritme Persistence ja ARIMA baasmeetoditena ning pika lühiajalise mäluga (LSTM) tehisnärvivõrke erinevates konfiguratsioonides. Töö uurib kolme LSTM-põhist arhitektuuri:
i) standardne LSTM, ii) kahekihiline (stacked) LSTM ja iii) jadast-jadasse (sequence to sequence) LSTM. Kõigi nende LSTM-arhitektuuridega uuritakse nii ühemõõtmelisi kui ka mitmemõõtmelisi õpiülesandeid. LSTM-mudeleid treenitakse kuue erineva avalikult kättesaadava aegrea ennustamiseks, kusjuures iga aegrea jaoks treenitakse kuus erinevat LSTM mudelit. LSTM-mudelite poolt tehtud ennustusi mõõdetakse viie erineva hindamismõõdikuga. Lähtuvalt hindamise tulemustest neil kuuel aegreal hinnatakse LSTM-mudelite arhitektuuride robustsust.
uurimisvaldkond, kuna usaldusväärne teave tulevase elektritootmise kohta on oluline elektrivõrgu ohutuse tagamisel ning aitab minimeerida liigset elektrienergia tootmist. Kuna rekurrentsed tehisnärvivõrgud ületavad aegridade prognoosimise täpsuses enamikke muid masinõppe meetodeid, siis on need võetud ka energia prognoosimisel laialdaselt kasutusele. Käesolevas töös on energiaprognooside tegemiseks rakendatud algoritme Persistence ja ARIMA baasmeetoditena ning pika lühiajalise mäluga (LSTM) tehisnärvivõrke erinevates konfiguratsioonides. Töö uurib kolme LSTM-põhist arhitektuuri:
i) standardne LSTM, ii) kahekihiline (stacked) LSTM ja iii) jadast-jadasse (sequence to sequence) LSTM. Kõigi nende LSTM-arhitektuuridega uuritakse nii ühemõõtmelisi kui ka mitmemõõtmelisi õpiülesandeid. LSTM-mudeleid treenitakse kuue erineva avalikult kättesaadava aegrea ennustamiseks, kusjuures iga aegrea jaoks treenitakse kuus erinevat LSTM mudelit. LSTM-mudelite poolt tehtud ennustusi mõõdetakse viie erineva hindamismõõdikuga. Lähtuvalt hindamise tulemustest neil kuuel aegreal hinnatakse LSTM-mudelite arhitektuuride robustsust.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Alan Henry Tkaczyk, Meelis Kull, Nicolas Kuhaupt
Kaitsmise aasta
2019