Energetika nabízí studentským projektům náročnou kombinaci fyzikálních procesů, proměnlivých podmínek a rozsáhlých veřejných dat. Vedl jsem bakalářskou práci Martina Horešovského zaměřenou na predikci přeshraničního tranzitu elektřiny, kterou jako externí konzultant podpořil Petr Souček z ČEPS. Martin práci obhájil 16. června 2026 se známkou výborně poté, co s ní získal první místo v bakalářské sekci Studentské vědecké konference FAV.

Bakalářská práce Predikce tranzitu elektrické energie z otevřených datových zdrojů spojila modelování časových řad s otevřenými energetickými a meteorologickými daty. Martin navrhl automatizovanou pipeline pro časové sjednocení, čištění a transformaci vstupů, porovnal predikční modely a vyhodnotil jejich použití pro odhad tranzitu elektřiny přes hranice České republiky.

Práce byla od začátku spojená s praxí. Vedl jsem její akademickou a strojově-učicí část, zatímco Petr Souček přinesl pohled společnosti ČEPS, provozovatele české přenosové soustavy. Projekt tak měl konkrétní technickou otázku a prostředí, v němž jsou kvalita dat, predikční horizont a proměny energetických zdrojů stejně důležité jako výběr modelu.

Ještě před obhajobou Martin práci představil na Studentské vědecké konferenci FAV 2026, kde získal první místo v bakalářské sekci a ocenění partnera GK Software.

Úplné PDF bakalářské práce je dostupné přímo v univerzitním repozitáři. Související záznam v IS/STAG obsahuje posudky a průběh obhajoby; Martin práci 16. června 2026 úspěšně obhájil se známkou výborně.

První strana bakalářské práce Martina Horešovského Predikce tranzitu elektrické energie z otevřených datových zdrojů
První strana bakalářské práce zveřejněné v repozitáři kvalifikačních prací Západočeské univerzity.

Abstrakt

The dynamic expansion of renewable energy sources in Europe introduces increasing volatility into transmission grids, leading to frequent and massive unplanned electrical energy transit flows across the Czech Republic. This bachelor thesis focuses on the design and implementation of a computational system for predicting these physical flows using machine learning methods and open data sources. For modeling purposes, data from the ENTSO-E Transparency platform and the Open-Meteo API were automatically acquired and harmonized. The problem was framed as a time series regression task. During the experiments, several regression models (e.g., ElasticNet, Lasso, SGDRegressor) were evaluated on various feature sets for all four cross-border profiles of the Czech Republic. The results demonstrate that machine learning models can highly accurately approximate the behavior of the European grid solely based on historical data, even without knowledge of the internal physical topology. The best performance was achieved in predicting the total transit balance of the Czech Republic, reaching a coefficient of determination R² = 0.9589. Furthermore, the proposed system was successfully validated during a multi-week deployment in a real-time operational environment. The thesis proves that a data-driven approach represents an effective tool for short-term prediction of grid load, which can enhance grid security and the overall economic efficiency of dispatch management.

Odkazy