Narzędzia help

Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
first previous next last
cannonical link button

http://yadda.icm.edu.pl:80/baztech/element/bwmeta1.element.baztech-article-BPL2-0022-0089

Czasopismo

Rynek Energii

Tytuł artykułu

Zastosowanie algorytmu optymalizacji rojem cząstek w procesie uczenia sztucznej sieci neuronowej w prognozowaniu krótkoterminowym

Autorzy Baczyński, D. 
Treść / Zawartość
Warianty tytułu
EN Application of particle swarm optimization algorithm in process of artificial neural networks training for short term forecasting
Języki publikacji PL
Abstrakty
PL W artykule przedstawiono dwa sposoby wykorzystania algorytmów optymalizacji rojem cząstek (Particle Swarm Optimization - PSO) do optymalizacji wartości wag połączeń sztucznej sieci neuronowej. Pierwszy sposób wykorzystania PSO polegał na samodzielnej optymalizacji wag sieci tak by zminimalizować błąd prognozy. Drugi sposób wykorzystywał wspomaganie tego procesu klasycznym algorytmem back-propagation. Celem opracowanego układu hybrydowego miało być prognozowanie krótkoterminowe zapotrzebowania na energię elektryczną spółki dystrybucyjnej. Dla takiego zadania przeprowadzono testy jakości, które zaprezentowano w pracy. Przedstawiono także wnioski dotyczące własności opracowanej metody i ścieżki jej rozwoju.
EN In the paper two applications of particle swarm optimization (PSO) algorithm for weights values optimization of artificial neural network are presented. First application consists in optimization of weights values only with the PSO in such a way to minimize forecast error. Second application aids this process using classical back propagation algorithm. The main purpose of this hybrid system is forecasting of electric energy load for distribution company. For this task efficiency tests were done. Conclusions concerning properties of proposed method and ways of development are presented.
Słowa kluczowe
PL prognozowanie krótkoterminowe   sztuczne sieci neuronowe   algorytmy optymalizacji rojem cząstek  
EN short term forecasting   particle swarm optimization  
Wydawca KAPRINT
Czasopismo Rynek Energii
Rocznik 2010
Tom nr 4
Strony 52--56
Opis fizyczny Bibliogr., 7 [poz., rys., tab.
Twórcy
autor Baczyński, D.
Bibliografia
[1] Baczyński D., Parol M.: Influence of Artificial Neural Networks Structure on Quality of Short-term Electric Energy Consumption Forecast. IEE Proceedings Generation Transmission & Distribution, Volume 151, number 2, March 2004, ISSN 1350-2360, pp. 241-245, 2004.
[2] Baczyński D., Parol M.: Artificial Neural Networks Aided by Fuzzy Logic in Short-Term Electric Energy Consumption Forecasting. IEEE – MEPS 06, Wrocław, September 2006
[3] Baczyński D., Parol M.: Short-term electric energy consumption forecasting using artificial neural networks aided by evolutionary algorithms. Przegląd Elektrotechniczny, nr 03/2009, str. 204-207
[4] Kennedy J., Eberhart R. C.: Particle Swarm Optimization. Proc. of IEEE Int. Conf. On Neural Networks (ICNN’95), vol. 4, pp. 1942-1948. IEEE Service Center, Piscataway, New Jork 1995.
[5] Millonas M. M.: Artificial Life III, Swarms, phase transitions and collective intelligence. pp. 417-445, Addison-Wesley, Reading, MA, 1994.
[6] Sroczan E.: Zastosowanie systemu IT do optymalizacji kosztów zasilania energią elektryczną. Rynek Energii 2008, nr 1
[7] Trojanowski K.: Metaheurystyki praktycznie. Wydanie 2, poprawione. Wyższa Szkoła Informatyki Stosowanej i Zarządzania, Warszawa 2008.
Kolekcja BazTech
Identyfikator YADDA bwmeta1.element.baztech-article-BPL2-0022-0089
Identyfikatory