Hierarchical Forecasting Methods in Day-Ahead Electricity Consumption Forecasting

Simple item page
dc.contributor.advisorKull, Meelis, juhendaja
dc.contributor.authorKuusk, Carel
dc.contributor.otherTartu Ülikool. Loodus- ja täppisteaduste valdkondet
dc.contributor.otherTartu Ülikool. Arvutiteaduse instituutet
dc.date.accessioned2024-10-03T12:47:33Z
dc.date.available2024-10-03T12:47:33Z
dc.date.issued2024
dc.description.abstractPaljudes rakendustes on võimalik mitu aegrida organiseerida ühte hierarhiasse nii, et hierarhia alumiste tasemete aegread saab agregeerida kõrgema taseme aegridadeks. Selliste aegridade prognoosid tuleb omavahel sobitada, et garanteerida prognoositavates aegridades olevate agregatsioonitingimuste täitmine ka aegridade prognoosides. Selle magistritöö eesmärk on arendada ja analüüsida hierarhilisi prognoosimeetodeid elektritarbimise tunnipõhiste aegridade jaoks. Tulemusena on välja töötatud ja analüüsitud LightGBM ja kantregressiooni mudelitele põhinevad hierarhilised mudelid. Kaks keerulisemat lineaarse sobitamise meetodit – OLS ja minimaalse jälje meetod (MinT) – on võrreldud alt-üles sobitamise meetodiga, mille käigus OLS ja MinT lähenemisele on leitud olulised puudujäägid. Puudujäägid tulenevad elektritarbimise prognoosivigade kovariatsioonistruktuurist. Samas, sobitamise meetodeid saab kasutada, et leida prognoose vahepealsetele tasemetele hierarhias.
dc.identifier.urihttps://hdl.handle.net/10062/105090
dc.language.isoen
dc.publisherTartu Ülikoolet
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Estoniaen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/ee/
dc.subjecttime series forecasting
dc.subjecthierarchical forecasting
dc.subjectday-ahead forecasting
dc.subjectLightGBM
dc.subjectridge regression
dc.subjectaegridade prognoos
dc.subjecthierarhiline prognoos
dc.subjectpäev-ette prognoos
dc.subject.othermagistritöödet
dc.subject.otherinformaatikaet
dc.subject.otherinfotehnoloogiaet
dc.subject.otherinformaticsen
dc.subject.otherinfotechnologyen
dc.titleHierarchical Forecasting Methods in Day-Ahead Electricity Consumption Forecasting
dc.typeThesisen

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Kuusk_Andmeteadus_2024.pdf
Size:
12.25 MB
Format:
Adobe Portable Document Format
Download

Collections

MTAT magistritööd – Master's theses