FEN3251 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.

Visa kursinformation utifrån vald termin och kursomgång:

Kursomgång och genomförande

Ingen kursomgång är vald

Välj termin och kursomgång ovan för att få information från rätt kursplan och kursomgång.

Kursinformation

Innehåll och lärandemål

Kursinnehåll *

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.

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.

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.

Kurslitteratur och förberedelser

Särskild behörighet *

Antagen till Forskarutbildningsprogram vid KTH.

Rekommenderade förkunskaper

Ingen information tillagd

Utrustning

Inga.

Kurslitteratur

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.

Examination och slutförande

Betygsskala *

P, F

Examination *

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

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

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Övriga 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.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Lars Nordström

Ytterligare information

Kurswebb

Ytterligare information om kursen kan hittas på kurswebben via länken nedan. Information på kurswebben kommer framöver flyttas till denna sida.

Kurswebb FEN3251

Ges av

EECS/Elkraftteknik

Huvudområde *

Ingen information tillagd

Utbildningsnivå *

Forskarnivå

Påbyggnad

Ingen information tillagd

Etiskt förhållningssätt *

  • 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.

Forskarkurs

Forskarkurser på EECS/Elkraftteknik