Power system load curve forecasting using machine learning methods

Glavni cilj ovog rada je razviti metodu za prognoziranje opterećenja temeljenu na odabranom modelu nadziranog strojnog učenja. Kratkoročno prognoziranje opterećenja provedeno je na povijesnim podacima vremenskih serija opterećenja za hrvatski elektroenergetski sustav, na agregiranoj razini opterećenja cjelokupnog sustava s predikcijama iznosa na satnoj rezoluciji. Najprije su analizirani povijesni podaci o opterećenju, kalendarski i meteorološki parametri kako bi se identificirale značajke s najvišom prediktivnom sposobnosti specifično za hrvatski prijenosni sustav. Na temelju provedene analize formulirane su i odabrane značajke. Razni modeli nadziranog strojnog učenja su promatrani: provedeno je učenje i validacija modela za ovaj specifičan zadatak prognoziranja opterećenja s različitim kratkoročnim horizontima predviđanja. Model ansambla temeljen na metodi glasanja sastavljen od predikcija nekoliko baznih regresora pokazuje najvišu točnost od svih promatranih modela - preko 98% za prognoze dan ili dva dana unaprijed - na ispitnom skupu koji obuhvaća povijesne podatke o potrošnji cijele jedne godine. Performanse modela dodatno su analizirane i evaluirane s naglaskom na ljetne i zimske periode, kao i posebne dane poput blagdana i praznika. Metoda za prognoziranje dnevnih krivulja opterećenja razvijena je i evaluirana s naglaskom na njihovu primarnu svrhu primjene u vođenju i planiranju pogona elektroenergetskog sustava koje provodi operator prijenosnog sustava. Konačno, dan je prijedlog smjernica za dodatne pravce istraživanja ovog područja i nadogradnje metode razvijene unutar ovoga rada.The main aim of this thesis is to develop a load forecasting method based on a supervised machine learning model. Short-term load forecasting is conducted on the Croatian power system's historical load time series data, on aggregated system level with hourly point predictions. Firstly, an analysis of historical, temporal, and meteorological parameters was conducted to identify features holding the highest predictive capability for the Croatian transmission system specifically, and based on that analysis, feature engineering and selection were performed. Various supervised machine learning models were trained and validated for this particular load forecasting task over different short-term forecasting horizons. The ensemble model consisted of several base regressors' predictions based on voting showed the highest accuracy among observed models - over 98% for one or two days ahead forecasts - on the test set spanning over one entire year of historical data. Its performance is additionally analyzed and evaluated with a focus on both summer and winter seasons and holidays. Method for forecasting daily load curves is developed and evaluated considering the primary application purpose in power system operation and planning performed by the transmission system operator. Finally, further research directions and upgrades are discussed and delivered