Живко Соколовић

Прогноза потрошње електричне енергије представља кључни аспект планирања, рада, одржавања и управљања електроенергетским системом, јер омогућава оптимално коришћење производних ресурса, повећање поузданости рада система и смањење оперативних трошкова. У последњих неколико година, развој вештачке интелигенције и метода машинског учења нашао је широку примену у овом подручју, пружајући напредне алате за анализу и моделовање комплексних временских серија. Модели дубоког учења су надмашили традиционалне статистичке методе, посебно рекурентне неуронске мреже (RNN) и конволуционе неуронске мреже (CNN). Ови модели доминирали су у задацима предикције временских серија захваљујући својој способности да моделују нелинеарне зависности у подацима. Међутим, ови модели имају одређена ограничења, нарочито у хватању дугорочних зависности и ефикасној обради дугих секвенци. У обради природног језика (НЛП) појавила се нова архитектура заснована на дубоком учењу – Трансформер, која је првобитно уведена како би превазишла ограничења RNN модела која произлазе из њихове секвенцијалне природе. Захваљујући механизму самопажње (self-attention), Трансформер омогућава директно моделовање зависности између свих елемената у секвенци, без обзира на њихову међусобну удаљеност. Ова карактеристика чини Трансформер посебно погодним за примену у проблемима предикције временских серија, где је од кључног значаја уочавање дугорочних и сложених образаца. У овом раду примењен је Трансформер модел за прогнозу потрошње електричне енергије. Имплементација и експериментална евалуација модела реализоване су коришћењем Darts python библиотеке за временске серије, док је развој и тренирање модела извршено у Google Colab окружењу, што је омогућило једноставно коришћење GPU ресурса и убрзање процеса тренирања. Експерименти су спроведени на скупу података који обухвата потрошњу електричне енергије за 370 клијената у Португалу, са сатном временском резолуцијом, при чему је разматрана агрегирана потрошња електричне енергије. Евалуација модела извршена је коришћењем стандардних метричких показатеља тачности, укључујући MAE, RMSE и MAPE. Модел је тестиран за различите хоризонте прогнозе, конкретно 24, 48, 96 и 168 часова. Добијени резултати показују да модел остварује стабилне перформансе у свим разматраним сценаријима, при чему је постигнут МАPE од 7,2 %, што потврђује високу прецизност прогнозирања. Поред анализе тачности, у раду је испитана и рачунарска ефикасност модела кроз мерење времена тренирања за различите дужине улазног прозора. Анализа је показала да време тренирања расте супер-линеарно у односу на дужину улазног прозора, што је у складу са квадратном сложеношћу self-attention механизма.

Кључне речи: Прогноза потрошње електричне енергије, временске серије, Трансформер, Дубоко учење