Unapređenje multivarijantnog predviđanja vremenskih serija proizvodnje električne energije iz obnovljivih izvora primenom modela rekurentnih neuronskih mreža optimizovanih metaheuristikama

Proizvodnja električne energije iz obnovljivih izvora predstavlja važan deo savremenih energetskih mreža. Da bi se izbegli gubici i održala ravnoteža između proizvodnje i potražnje, potrebne su stabilne metode za predviđanje proizvodnje električne energije iz obnovljivih izvora. U ovoj disertaciji predložen je pristup koji kombinuje tehnike dekompozicije signala sa modelom duge kratkoročne memorije (eng. Long Short-Term Memory - LSTM), koja je korišćena za predviđanje proizvodnje energije vetra. Parametri LSTM modela optimizovani su pomoću unapređenog metaheurističkog algoritma. LSTM mreže pokazuju izuzetne performanse kod rešavanja problema predviđanja vremenskih serija, a dalje poboljšanje performanisi može se postići optimizacijom hiperparametara pomoću unapređene verzije algoritma pretrage reptila (eng. Reptile Search Algorithm - RSA), nazvanog unapređeni algoritam pretrage reptila (eng. Enhanced Reptile Search Algorithm - ERSA). ERSA je na početku evoluiran na standardnim CEC2019 benčmark funkcijama, a kasnije je primenjen na konkretne probleme. Optimizovani LSTM model je testiran na dva dataseta o proizvodnji vetra. Predviđanje je izvršeno za slučaj bez dekompozicije signala i primenom tehnika varijacione (eng. Variational Mode Decomposition - VMD) i empirijske (eng. Empirical Mode Decomposition - EMD) dekompozicije, za jedan, dva i tri koraka unapred. Izvršeno je poređenje rezultata dobijenih simulacijom, sa LSTM mrežama koje su optimizovane pomoću drugih savremenih metaheuristika. Može se primetiti da predložena metodologija prevazilazi svoje konkurente, što je potvrđeno statističkom analizom. Na kraju ove disertacije izvršena je i Shapley analiza (eng. SHapley Additive Explanations - SHAP) modela sa najboljim performansama, gde je dat uticaj svake karakteristike na predviđanje modela.