/

Главная / Учебный центр / Вендоры / Академия Анализа Данных / Современные методы анализа и прогнозирования потребления электроэнергии: классические методы и Data Mining

Современные методы анализа и прогнозирования потребления электроэнергии: классические методы и Data Mining

0005
  • Формат проведения:
  • Уровень: продвинутый
  • Продолжительность: 12 ак. часов

В ходе обучения демонстрируются современные методы прогнозирования потребления электроэнергии (краткосрочные, среднесрочные, долгосрочные прогнозы) в регионе и на отдельном предприятии.


Расписание и цены

Стоимость и формат проведения курса:

  • очный (дневной, в аудитории) 42000 руб.

Формат, место и дата проведения обучения согласовываются индивидуально.

Оставьте запрос на обучение, заполнив форму ниже. Менеджер Учебного центра свяжется с вами для согласования времени и места проведения курса.

Запрос курса
  • *
  • *
  • *
    Ваш пароль для входа в личный кабинет будет сгенерирован и отправлен на e-mail автоматически
  • *

    Например,
  • *
  • *
  • *
  • Период *

  • *
  • Настоящим в соответствии с Федеральным законом № 152-ФЗ «О персональных данных» от 27.07.2006, отправляя данную форму, вы подтверждаете свое согласие на обработку персональных данных. Мы, ЗАО «СофтЛайн Интернейшнл» и аффилированные к нему лица, гарантируем конфиденциальность получаемой нами информации. Обработка персональных данных осуществляется в целях эффективного исполнения заказов, договоров и пр. в соответствии с «Политикой конфиденциальности персональных данных».
О курсе

Демонстрируется возможность комплексного использования методов прогнозирования: классические методы прогнозирования, нейронные сети, методы добычи данных.

Слушатели учатся строить предсказательные модели, оценивать их точность, сохранять и использовать построенные предсказательные модели.

О курсе

  1. Парадигма прогнозирования: горизонт прогнозирования, точность прогнозирования, кросс-проверка
  2. Структура исходных данных, описательный анализ и группировка
  3. Агрегирование данных (почасовое, суточное, недельное, месячное, годовое потребление)
  4. Визуализация данных (линейные графики, ящики-усы, гистограммы, диаграммы рассеяния)
  5. Сглаживание данных
  6. Классификация и категоризация данных
  7. Декомпозиция рядов: выделение трендов и сезонных составляющих (в течение суток, в течение недели, по месяцам)
  8. Учет погодных факторов (температура окружающей среды, направление и скорость ветра, облачность)
  9. Проблема пиковых нагрузок
  10. Регрессионные модели прогнозирования
  11. Применение кластерного анализа для выделения групп схожих объектов
  12. Прогнозирование с помощью моделей АРПСС (авторегрессии и проинтегрированного скользящего среднего)
  13. Прогнозирование временных рядов с помощью нейронных сетей:
    • Парадигма нейросетевого анализа, многослойные персептроны и радиальные базисные функции
    • Архитектура сетей
    • Обучение сетей, обучающая, тестовая и контрольная выборка
    • Переобучение
    • Ансамбли сетей
    • Оценка качества нейросетевой модели
    • Сохранение моделей в формате pmml, использование моделей на новых данных
  14. Построение моделей методами дейта майнинг: CART модели, многомерные адаптивные сплайны
  15. Учебные примеры
  16. Кейсы
  17. Вопросы и ответы
Отзывы