Živko Sokolović

Prognoza potrošnje električne energije predstavlja ključni aspekt planiranja, rada, održavanja i upravljanja elektroenergetskim sistemom, jer omogućava optimalno korišćenje proizvodnih resursa, povećanje pouzdanosti rada sistema i smanjenje operativnih troškova. U poslednjih nekoliko godina, razvoj veštačke inteligencije i metoda mašinskog učenja našao je široku primenu u ovom području, pružajući napredne alate za analizu i modelovanje kompleksnih vremenskih serija. Modeli dubokog učenja, posebno rekurentne neuronske mreže (RNN) i konvolucione neuronske mreže (CNN), dominirali su u zadacima predikcije vremenskih serija zahvaljujući svojoj sposobnosti da modeluju nelinearne zavisnosti u podacima. Međutim, ovi modeli imaju određena ograničenja, naročito u hvatanju dugoročnih zavisnosti i efikasnoj obradi dugih sekvenci podataka. U obradi prirodnog jezika (NLP) pojavila se nova arhitektura zasnovana na dubokom učenju – Transformer, koja je prvobitno uvedena kako bi prevazišla ograničenja RNN modela koja proizlaze iz njihove sekvencijalne prirode. Zahvaljujući mehanizmu samopažnje (self-attention), Transformer omogućava direktno modelovanje zavisnosti između svih elemenata u sekvenci, bez obzira na njihovu međusobnu udaljenost. Ova karakteristika čini Transformer posebno pogodnim za primenu u problemima predikcije vremenskih serija, gde je od ključnog značaja uočavanje dugoročnih i složenih obrazaca. U ovom radu primenjen je Transformer model za prognozu potrošnje električne energije. Model omogućava simultanu obradu cele vremenske serije, pri čemu svaki ulazni podatak može uticati na bilo koju poziciju u izlazu, čime se značajno unapređuje modelovanje dugoročnih zavisnosti i kompleksnih obrazaca u podacima. Dodatna prednost ovog pristupa ogleda se u mogućnosti paralelizacije računanja, što dovodi do bržeg treniranja i izvođenja predikcija u poređenju sa tradicionalnim sekvencijalnim modelima. Eksperimenti su sprovedeni na skupu podataka koji obuhvata potrošnju električne energije za 370 klijenata u Portugalu, sa satnom vremenskom rezolucijom, pri čemu je agregirana potrošnja razmatrana. Evaluacija modela izvršena je korišćenjem standardnih metričkih pokazatelja tačnosti, kao što su MAE, RMSE i MAPE. Ispitan je uticaj variranja dužine ulazne sekvence na performanse modela. Pored toga, posebna pažnja posvećena je proceni performansi modela pri dužim horizontima predviđanja, kao i uticaju dodatnih vremenskih atributa, poput sata u danu, dana u nedelji i meseca na tačnost prognoze. Takođe, analiziran je uticaj različitih hiperparametara modela na konačne performanse. Dobijeni rezultati ukazuju da Transformer model postiže visoku preciznost prognoze, uz stabilne performanse u svim razmatranim scenarijima.

Ključne reči: Prognoza potrošnje električne energije, vremenske serije, Transformer, Duboko učenje