Паметна аналитика и анализа потрошње електричне енергије

Марија Остовић

doi:10.24867/36BE49Ostovic

Elektrotehničko i računarsko inženjerstvo

God. 41 Br. 10 (2026): Зборник радова Факултета техничких наука

Паметна аналитика и анализа потрошње електричне енергије

Марија Остовић

36BE49Ostovic.pdf

DOI:: https://doi.org/10.24867/36BE49Ostovic
Predato: October 14, 2026
Objavljeno: 2026-10-16

Apstrakt

Рад истражује како се савремене аналитичке методе могу искористити за праћење временских серија у енергетици. У истраживању су коришћени реални подаци, као и контролисани синтетички скуп у који су намерно убачене грешке ради тестирања алгоритама. Линеарна регресија је примењена за предвиђање потрошње у време највећег дневног шпица у 14 часова, док је autoencoder неуронска мрежа искоришћена за откривање дана који одступају од уобичајених профила. Граница постављена на 95. перцентил грешке реконструкције успешно је издвојила дане са највећим променама, а PCA визуелизација је графички потврдила јасно раздвајање нормалног понашања од аномалија. Повезивање ова два приступа показало се ефикасним за брзо препознавање необичних образаца, што поставља добру основу за боље разумевање података и паметније управљање ресурсима у мрежи.

Reference

[1] C. W. Gellings, The Smart Grid: Enabling Energy Efficiency and Demand Response. Lilburn, GA, USA: Fairmont Press, 2009.
[2] M. Amin and B. F. Wollenberg, “Toward a Smart Grid: Power Delivery for the 21st Century,” IEEE Power and Energy Magazine, vol. 3, no. 5, pp. 34–41, Sep.–Oct. 2005.
[3] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham, MA, USA: Morgan Kaufmann, 2012.
[4] V. Chandola, A. Banerjee, and V. Kumar, “Anomaly Detection: A Survey,” ACM Computing Surveys, vol. 41, no. 3, Article 15, pp. 1–58, 2009.
[5] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
[6] Kaggle, “Individual Household Electric Power Consumption Dataset.” Accessed: 2026. [Online]. Available: https://www.kaggle.com/datasets/uciml/electric-power-consumption-data-set

[1] [1] C. W. Gellings, The Smart Grid: Enabling Energy Efficiency and Demand Response. Lilburn, GA, USA: Fairmont Press, 2009.

[2] [2] M. Amin and B. F. Wollenberg, “Toward a Smart Grid: Power Delivery for the 21st Century,” IEEE Power and Energy Magazine, vol. 3, no. 5, pp. 34–41, Sep.–Oct. 2005.

[3] [3] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham, MA, USA: Morgan Kaufmann, 2012.

[4] [4] V. Chandola, A. Banerjee, and V. Kumar, “Anomaly Detection: A Survey,” ACM Computing Surveys, vol. 41, no. 3, Article 15, pp. 1–58, 2009.

[5] [5] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.

[6] [6] Kaggle, “Individual Household Electric Power Consumption Dataset.” Accessed: 2026. [Online]. Available: https://www.kaggle.com/datasets/uciml/electric-power-consumption-data-set