Bakalářská práce se zabývá předpovědí výroby elektrické energie solární elektrárny. Použitými metodami strojového učení jsou bayesovské lineární regrese a bayesovské neuronové sítě.
Anotace v angličtině
The Thesis deals with the prediction of electricity production of a solar power plant. The machine learning methods used are Bayesian linear regressions and Bayesian neural networks.
Linear regression, neural networks, bayesian inference
Rozsah průvodní práce
69
Jazyk
CZ
Anotace
Bakalářská práce se zabývá předpovědí výroby elektrické energie solární elektrárny. Použitými metodami strojového učení jsou bayesovské lineární regrese a bayesovské neuronové sítě.
Anotace v angličtině
The Thesis deals with the prediction of electricity production of a solar power plant. The machine learning methods used are Bayesian linear regressions and Bayesian neural networks.
Linear regression, neural networks, bayesian inference
Zásady pro vypracování
Cílem práce je na základě historických dat výroby solární elektrárny, dat počasí v daných historických dnech a numerických meteorologických modelů predikovat výrobu elektřiny pro další den a zjistit chybu predikce.
Zásady pro vypracování
Cílem práce je na základě historických dat výroby solární elektrárny, dat počasí v daných historických dnech a numerických meteorologických modelů predikovat výrobu elektřiny pro další den a zjistit chybu predikce.
Seznam doporučené literatury
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, Berlin, 2016
Úvod do liberalizované energetiky Trh s elektřinou, Asociace energetických manažerů, Praha, 2016
Seznam doporučené literatury
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, Berlin, 2016
Úvod do liberalizované energetiky Trh s elektřinou, Asociace energetických manažerů, Praha, 2016
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student: Vladimír Stuchlík
Předseda komise: doc. Mgr. Petr Marek, Ph.D.
Vedoucí: RNDr. Tomáš Fürst, Ph.D.
Oponent: RNDr. Rostislav Vodák, Ph.D.
Hodnocení vedoucího: A
Hodnocení oponenta: B
Výsledné hodnocení: C
Název práce: Využití Bayesovy statistiky v predikci výroby solární elektrárny
Průběh obhajoby:
Student prezentoval hlavní výsledky bakalářské práce. Zabýval se konstrukcí numerických modelů, s jejichž pomocí lze, na základě dat z předpovědi počasí, předpovídat výkon příslušné solární elektrárny. Komise byla seznámena s řadou individuálních modelů založených na metodách přímé regrese i neuronových sítích, v prezentaci ale chyběl úvod do samotné problematiky. Po ukončení prezentace byly přečteny posudky vedoucího práce a oponenta a student zodpověděl dotazy oponenta i komise. Na základě posouzení práce, vypracovaných posudků a nejistého projevu studenta během prezentace a diskuse se komise shodla na výsledném hodnocení C.
Otázky:
- Jaká byla motivace pro zvolenou formu standardizace dat?
- Jak velká je přípustná chyba? Je 10% chyba, dosažená v práci, akceptovatelná pro průmysl?
- Proč je v popisu vynechávaná část dne mezi 12. - 15. hodinou?
- Proč je pozorovaná nízká korelace mezi přímým osvětlením a generovanou elektřinou?
- V jakých jednotkách jsou vykresleny grafy v prezentaci?