EN3251 Datortillämpningar i elkraftsystemet, doktorandkurs 9,0 hp

Computer Applications in Power Systems, graduate course

Syftet med kursen är att öka specialisering inom tillämpning av maskininlärning för kraftsystem till den kurs på masternivå EH2745 som denna kurs är en fortsättning på. Kursen ger kunskap om insamling av data och dataanalys för kraftsystemtillämpningar, dataimport i olika format och tidsramar och sammanläggning av denna i enhetliga datalager. Baserat på detta, studeras grunderna för maskininlärningsverktyg för beslutsfattande som t.ex. Beslutsträd, Artificiella neuronnät och k-Nearest Neighbour tekniker. Dessa moment genomförs i kursen som en serie instuderingsuppgifter med tillhörande föreläsningar och seminarier.

Som avslutning ingår i kursen att utföra ett enskilt projekt inom maskininlärning för kraftsystemtillämpningar, detta inkluderar t.ex. dataanalys för felanalys, utveckling av statistiska verktyg för mönsteridentifiering i last eller produktionsdata för att skapa underlag för planering. Den specifika inriktningen av projektet bestäms tillsammans med examinator och handledare vid kursstart.

  • Utbildningsnivå

    Forskarnivå
  • Huvudområde

  • Betygsskala

    P, F

Kurstillfällen/kursomgångar

VT19 för programstuderande

  • Perioder

    VT19 P4 (9,0 hp)

  • Anmälningskod

    61163

  • Kursen startar

    2019-03-18

  • Kursen slutar

    2019-06-04

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

  • Kursansvarig

    Lars Nordström <larsno@kth.se>

Lärandemål

Efter avslutad kurs ska studenten kunna:

·         Skapa algoritmer för datafångst och rengöring från heterogena datakällor med hjälp av statistiska verktyg.

·         Utveckla och validera beslutsträd algoritmer med ansökan för att driva systemproblem

·         Utveckla algoritmer för prognostisering av produktion av förnybara energikällor (vind, PV) med hjälp av statistiska metoder och data baserade metoder: t.ex. ANN.

·         Förklara skillnader mellan inställd algoritmer för prognos aspekter av datatillgänglighet Inklusive och prognoser noggrannhet.

·         Med applikation på ett kraftsystem problem, och med hjälp av lämpliga testdata utveckla en beslutstödfunktion baserad på maskininlärning inom något av följande områden:

o   Mönsterigenkänning i profiler för last eller produktion

o   Prediktion av produktion från förnybara energikällor som vindkraft eller Solpaneler

o   Analys av fel scenario eller använda fasvinkelmätningar fas.

Samt dessutom implementera lämplig lösning i mjukvara och visualisera resultaten.

Kursens huvudsakliga innehåll

Kursen består av en inledande inläsningsdel vilken omfattar klassificering och regressionsproblem problem, statistiska metoder: t.ex. kNN, Artificiella Neurala Nätverk och beslutsträd. Instuderingen är uppdelad i tre separata studieblock, för varje block erbjuds 1-3 Föreläsningar, 2 seminarier Innehållet i studieblocken är:

Studieblock 1 - Statistiska metoder

Blocket innehåller grundläggande statistiska verktyg för dataanalys och förbehandling av data. Dessutom, distansbaserade metoder såsom K Nearest Neighbour och andra icke övervakade inlärningstekniker.

Studieblock 2 - Artificiella neuronnät

Ämnet omfattar design och optimering av lärande i ANN inkuderande enkla och flernivå nätverk. Metoder för optimering och lärande: som t.e.x Kohonen maps ingår. Dessutom är metoder för strukturerad sökning i problem inkluderade i detta studieblock.

Studieblock 3 - Beslutsträd

Detta studieblock innefattar analys och utformning av beslutsträd för klassificering och regression. Metoder för optimal delning av träd och validering med avseende på noggrannhet ingår också.

Det individuella projektet motsvarar 4,5 hp och handlar om att utveckla en beslutsstödsapplikation som utnyttjar maskininlärningstekniker. Projektet skall bestå av identifiering av ämnet, inläsning av relaterade arbete på tillämpningen, insamling och rengöring av data som behövs för tillämpningen, val av lämplig maskininlärningsalgoritm, utveckling av lösning och dokumentation av lösningen i form av ett konferenspapper som lämpar sig för en konferensen fokuserad på tillämpningar: t.ex. IEEE ISGT eller liknande.

Kursupplägg

Kursen genomförs som en sekvens av tre instuderingsämnen, följt av ett enskilt projekt. För varje instuderingsämne ges en inledande föreläsning för att presentera ämnet och målet med uppgiften, därefter 1-2 föreläsningar för presentation av innehållet i litteraturen för blocket. Därefter arbetar studenterna i grupper med problem i ämnesområdet givet från kurslitteraturen. Som avslutning på varje block håller varje student en individuell presentation kring något nyckelbegrepp från litteraturen. Varje instuderingsämne representerar en veckas heltidsarbete, 1,5 hp. Den första delen av kursen täcker normalt en hel studieperiod och kräver närvaro av deltagande studenter.

Kursen avslutas med ett projekt motsvarande 4,5 hp. Det individuella projektet behöver inte samordnas med andra studenter i kursen. Men alla elever i en kurs måste delta i presentationen av andra studentprojekt.

Totalt inkluderar kursen cirka 4-6 föreläsningar och 6-9 seminarier.

Behörighet

Antagen till Forskarutbildningsprogram vid KTH.

Litteratur

Automatic Learning techniques in Power Systems, L Vehekel

Studieblock 1 - kapitlen 1-3 och 6

Studieblock 2 kapitel 1 och 4

Studieblock 3 - Kapitel 1 och 5

För det individuella projektet, kan exemplen i kapitlen 7-10 i kursboken ge en bra utgångspunkt. Förutom kursboken kommer ytterligare material presenteras vid föreläsningarna i studieblocken.

Utrustningskrav

Inga.

Examination

  • EXA1 - Examination, 9,0, betygsskala: P, F

Krav för slutbetyg

Godkänt resultat på alla ingående instuderingsuppgifter och det individuella projektet vilket inkluderar en individuell presentation och slutrapport, vilka båda ska godkännas av kursens examinator.

Ges av

EECS/Elkraftteknik

Examinator

Lars Nordström <larsno@kth.se>

Versionsinformation

Kursplan gäller från och med VT2019.
Examinationsinformation gäller från och med VT2019.