Mojou úlohou na semestrálnom projekte bolo analyzovať reálne dáta z nabíjacích staníc pre elektromobily. Meranie spotreby elektrickej energie sa vykonávalo každých 15minút po dobu 2mesiacov. Počas tejto doby som získala dostatočne veľa dát potrebných na analýzu a predikciu. Nabíjacie stanice sa nachádzajú vonku, takže som skúmala aj vplyv počasia na spotrebu elektrickej energie.
K dispozícii som mala merania každých 15minút z nasledujúcich senzorov:
- spotreba elektrickej energie
- relatívna vlhkosť vzduchu (0-100%)
- miera zamračenia (0 - 100%)
- úhrn zrážok
- slnečné žiarenie (W/m^[2])
- teplota (^[o]C)
- pocitová teplota (^[o]C)
- rýchlosť vetra
Neurónová sieť je výpočtový model, využívaný v oblasti umelej inteligencie. Základnou časťou neurónovej siete je model s N vstupmi a M výstupmi.
V mojom prípade je výstup len jeden a to spotreba elektrickej energie. Skúmala som rôzne nastavenia vstupu do neurónovej siete. Najskôr spotreba elektrickej energie v predošlom čase, potom som predikčné okno zväčšovala a nakoniec som skúmala vplyv počasia na výstup. Balík dát bolo potrebné rozdeliť na testovacie (70%) a trénovacie dáta (30%). Pomocou trénovacích dát NN (z angl. neural network) natrénuje priebeh výstupov, na testovacích dátach som overila výsledky z NN. Z výsledkov som náhodne vytiahla predikciu jedného týždňa, 3 jednotlivé dni a víkend zo sledovaného obdobia. Výpočtom kritéria kvality sa dá slovne vyjadriť kvalita predikcie. R2 kritérium hovorí, aká silná je korelácia medzi dvoma hodnotami.
- Predikcia v čase t-15minút, R2 = 0.9409
Z výpočtu R2 kritéria ale aj z grafu môžem povedať, že predikcia je veľmi dobrá. Napriek tomu sa pozrime na výsledky, ak zväčším časové okno.
- Predikcia v čase t-1hodina, R2 = 0.9412
Čím je R2 kritérium bližšie k 1, tak je korelácia silnejšia, teda výsledky sú presnejšie. Pre
Všetky vplyvy počasia v čase t-1h. R2 = 0.9458
Spotreba, vlhkosť, miera zamračenia, úhrn zrážok a vietor v čase t-1h. R2 = 0.9113
Z grafov aj podľa kritéria kvality je zrejmé, že teplota aj pocitová teplota a slnečné žiarenie zlepšujú kvalitu predikcie spotreby elekrickej energie.