Pan Pavlík zpracoval svoji diplomovou práci na téma predikčního modelu odběrů domácností v době komunitní energetiky. Práce je členěna do pěti kapitol a navazuje na předchozí diplomovou práci, jejíž stochastický model odběrového diagramu (MATLAB) měl student převést do Pythonu, rozšířit o model FVE a vytápění/chlazení, opatřit přehledným GUI a validovat.

Teoretická část (kapitoly 2 a 3) popisuje nástroje pro simulaci spotřeby (LPG, dataset UK-DALE), architekturu přebíraného odběrového modelu a fyzikální základ modelu vytápění a chlazení včetně tepelné bilance budovy, solárních zisků a řízení přes HDO. Část je věcně správná a slušně odcitovaná.

Těžiště práce tvoří kapitola 4 – přepis do Pythonu (PySide6, pvlib) s čistým oddělením simulačního jádra a GUI, integrace FVE přes PVGIS/TMY i model jasného nebe, přepracovaný tepelný model a rozšíření o více časových rozlišení a horizontů (den/týden/rok, módy simple a advanced). Software je zjevně funkční, dobře strukturovaný a rozšiřitelný a všechny body zadání byly splněny. Oceňuji, že student při testování odhalil nekonzistentní chování původního modelu vytápění a přepracoval jej.

Za nejcennější a zároveň diskutabilní považuji kapitolu 4.8. Student poctivě dokumentuje, že model oproti reálným datům PREdistribuce nadhodnocuje výkon zhruba 7–9× při stejném počtu domácností, a srovnání tak drží jen díky škálovacím koeficientům. Z dat jasně nevyplývá, kolik domásností je v datech uvedených, a proto je MAPE 9–17 % po naškálování vypovídá o shodě tvaru křivky, nikoli o absolutní velikosti. Tato systematická chyba měřítka je u predikčního nástroje zásadní a jasně směřuje k otázkám pro obhajobu – kde nadhodnocení vzniká a jak by se dalo odstranit. Cením ovšem upřímnosti, s níž student tuto slabinu pojmenovává a nezakrývá.

Po formální stránce je práce na dobré úrovni s přehlednými grafy a tabulkami. Vznikl funkční a dobře rozšiřitelný nástroj; pro plnou predikční použitelnost by ale bylo nutné dořešit validaci absolutní úrovně výkonu. Points proposed by supervisor: 90

Hlavní cíl diplomové práce Libora Pavlíka bylo přepsat a rozšířit predikční výpočetní model z MATLABu do Pythonu a vytvořit přehledné GUI. Po přečtení práce lze konstatovat, že tento cíl byl splněn a student vytvořil funkční aplikaci, která zahrnuje několik uživatelských vstupů a má potenciál na další rozšíření a zdokonalení.

První dvě kapitoly popisují nástroje a datasety pro predikční model, kdy se autor odkazuje na jinou diplomovou práci – rozsah vlastního příspěvku studenta je zde místy těžko odlišitelný od převzaté práce. V těchto částech je popis někdy příliš obecný a není zřejmé, které datasety a jakým způsobem jsou zahrnuty do modelu (např. modely FV modulů a střídačů). Následující část, která popisuje samotnou aplikaci, je zpracována názorně a přehledně. Podkapitola 4.8, která má vyhodnotit funkčnost modelu, je však zpracována omezeně a nesystematicky. Autor zavádí škálování, které má přiblížit výsledky modelu validačním datům, avšak toto škálování je nekonzistentní – směr škálování se mezi jednotlivými případy liší, přičemž chybí zdůvodnění této volby a její vliv na srovnatelnost výsledných metrik. Metriky MAPE, RMSE a CV nejsou jednotně popsány a metodika validace není dostatečně zdůvodněna. Zásadní problém je nejasný cíl validace, tedy zda má model predikovat správné absolutní hodnoty výkonu, nebo pouze tvar odběrového diagramu. Prezentované škálování s koeficienty v rozsahu od 0,13 do 416 tuto schopnost modelu spíše zakrývá, než ověřuje. Chybí také diskuze nad příčinami odchylek mezi výsledky modelu a validačními daty.

Práce je strukturována přehledně, grafická stránka je na vysoké úrovni, obrázky jsou v dostatečné kvalitě, citované zdroje jsou vzhledem k prakticky zaměřenému tématu adekvátní. Přehlednosti napomáhá množství tabulek a vývojové diagramy logiky programu.

Práce má jednoznačně inženýrský přínos a splňuje požadavky na diplomovou práci, nicméně postrádá hlubší vědecké hodnocení vlastních výsledků. Práci doporučuji k obhajobě a hodnotím ji 85/B. Topics for thesis defence:

1. 1) Kapitoly 3.2.1 a 3.2.2 popisují výběr FV modulu a střídače z databáze pvlib, zatímco v popisu aplikace je výkon FVE zadáván přímo v kWp. Jak konkrétně jsou tyto databáze v implementaci využity?
2. 2) Simulace při stejném počtu domácností generuje 7–9x vyšší absolutní výkon než měřená data PREdi. Jaké jsou podle vás hlavní příčiny takto výrazného rozdílu?
3. 3) Jak byste navrhl konzistentnější metodiku validace, která by umožnila přímé srovnání metrik mezi jednotlivými validačními případy?

Points proposed by reviewer: 85