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, посебно рекурентне неуронске мреже (RNN) и конволуционе неуронске мреже (CNN), 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 података. У обради природног језика (NLP) 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. Модел омогућава симултану обраду целе временске серије, при чему сваки улазни податак може утицати на било коју позицију у излазу, чиме се значајно унапређује моделовање дугорочних зависности и комплексних образаца у подацима. Додатна предност овог приступа огледа се у могућности паралелизације рачунања, што доводи до бржег тренирања и извођења предикција у поређењу са традиционалним секвенцијалним моделима. Експерименти су спроведени на скупу података који обухвата потрошњу електричне енергије за 370 клијената у Португалу, са сатном временском резолуцијом, при чему је агрегирана потрошња разматрана. Евалуација модела извршена је коришћењем стандардних метричких показатеља тачности, као што су MAE, RMSE и MAPE. Испитан је утицај варирања дужине улазне секвенце на перформансе модела. Поред тога, посебна пажња посвећена је процени перформанси модела при дужим хоризонтима предвиђања, као и утицају додатних временских атрибута, попут сата у дану, дана у недељи и месеца на тачност прогнозе. Такође, анализиран је утицај различитих хиперпараметара модела на коначне перформансе. Добијени резултати указују да Трансформер модел постиже високу прецизност прогнозе, уз стабилне перформансе у свим разматраним сценаријима.

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