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 su nadmašili tradicionalne statističke metode, posebno rekurentne neuronske mreže (RNN) i konvolucione neuronske mreže (CNN). Ovi modeli 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. 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. Implementacija i eksperimentalna evaluacija modela realizovane su korišćenjem Darts python biblioteke za vremenske serije, dok je razvoj i treniranje modela izvršeno u Google Colab okruženju, što je omogućilo jednostavno korišćenje GPU resursa i ubrzanje procesa treniranja. Eksperimenti su sprovedeni na skupu podataka koji obuhvata potrošnju električne energije za 370 klijenata u Portugalu, sa satnom vremenskom rezolucijom, pri čemu je razmatrana agregirana potrošnja električne energije. Evaluacija modela izvršena je korišćenjem standardnih metričkih pokazatelja tačnosti, uključujući MAE, RMSE i MAPE. Model je testiran za različite horizonte prognoze, konkretno 24, 48, 96 i 168 časova. Dobijeni rezultati pokazuju da model ostvaruje stabilne performanse u svim razmatranim scenarijima, pri čemu je postignut MAPE od 7,2 %, što potvrđuje visoku preciznost prognoziranja. Pored analize tačnosti, u radu je ispitana i računarska efikasnost modela kroz merenje vremena treniranja za različite dužine ulaznog prozora. Analiza je pokazala da vreme treniranja raste super-linearno u odnosu na dužinu ulaznog prozora, što je u skladu sa kvadratnom složenošću self-attention mehanizma.

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