FEN3251 Datortillämpningar i elkraftsystemet, doktorandkurs 9,0 hp

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.

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.

Antagen till Forskarutbildningsprogram vid KTH.

Inga.

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.

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

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

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

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

Lars Nordström

• Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
• Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
• Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.