Metody selekcji cech diagnostycznych w prognozowaniu obciążeń energetycznych

• Autorzy: Ciechulski T.

Warianty tytułu

EN

Application of methods of the attribute selection in electrical load forecasting

• Języki publikacji: PL

Abstrakty

PL

Praca dotyczy porównania metod selekcji cech diagnostycznych w prognozowaniu zapotrzebowania na energię elektryczną w małym systemie elektroenergetycznym w Polsce. W symulacji brały udział sieci neuronowe typu MLP, RBF i SVM, które zostały zaimplementowane w środowisku MATLAB. Do badań użyty został przedział czasowy obejmujący 729 dni. Spośród nich, 500 dni zostało przeznaczonych do zbioru danych uczących, pozostałe zaś przydzielono do zbioru danych testujących. Oprócz danych zużycia energii elektrycznej, włączone do analizy zostały również dane dotyczące typu dnia, pory roku oraz atmosferyczne zawierające wartości temperatury i prędkości wiatru. Symulacje zostały przeprowadzone w czterech etapach. W etapie pierwszym użyto całego zbioru dostępnych danych wejściowych, tzn. bez selekcji, co stanowi bazę porównawczą dla dalszych etapów. W etapie drugim użyto metodę selekcji cech bazującą na liniowej regresji krokowej. W etapie trzecim użyta została selekcja cech z zastosowaniem algorytmu genetycznego. W etapie czwartym użyto metodę selekcji cech za pomocą zespołu drzew decyzyjnych czyli lasu losowego.

EN

The paper compares methods of the input attribute selection for electrical load forecasting in a small power system in Poland. Three neural networks were used in the simulations: MLP, RBF and SVM implemented in the MATLAB computing environment. Forecasted period covers 729 days. 500 days were used as a training set and other 229 days as a test set. Except of the electrical load data, the day type bit, the season bits and the weather data such as values of temperature and wind speed were added to the analysis. The simulations were carried out in four stages. In the first one the whole data set without the selection was used in the forecast. It is done for the comparison to the other stages of simulations. In the second stage, the stepwise regression was used for the selection of the most important input attributes. In the third stage for the selection, genetic algorithm was used. In the fourth stage, the random forest was used as the selection method. The results of the simulations were shown in the last chapter of the article. The comparison of results has shown different influence of the selection methods to the improvement of prediction accuracy.

Słowa kluczowe

PL

sieci neuronowe; predykcja zapotrzebowania na energię; selekcja cech diagnostycznych; liniowa regresja krokowa; algorytm genetyczny; las losowy

EN

neural networks; electrical load forecast; attributes selection; stepwise regression; genetic algorithm; random forest

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2015
• Tom: nr 3
• Strony: 728--736, CD 1
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Ciechulski T.

• Wojskowa Akademia Techniczna, Instytut Systemów Elektronicznych, Zakład Systemów Informacyjno–Pomiarowych, ul. gen. Sylwestra Kaliskiego 2, 00-908 Warszawa

Bibliografia

• 1. Ciechulski T., Data clusterization in application to the analysis of load distribution in small power system, 5th AFCEA Student Conference SECON 2013.
• 2. Ciechulski T., Prognozowanie obciążeń dla systemu dostarczania energii z uwzględnieniem warunków pogodowych, Logistyka 6/2014, pp. 2759–2768.
• 3. Ciechulski T., Osowski S., Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sieci neuronowych SVM, RBF i MLP, Przegląd Elektrotechniczny, 2014, vol. 8, pp. 148–151.
• 4. Hippert H.S., Pereira C.E., Souza R.C., Neural networks for short-term load forecasting: a review and evaluation, IEEE Trans. on Power Systems, 2001, vol. 16, pp. 44-55.
• 5. Kandil N., Wamkeue R., Saad M., Georges S., An efficient approach for short term load forecasting using artificial neural networks, Electrical Power and Energy Systems, vol. 28, 2006, pp. 525-530.
• 6. Kowalski Z., Podstawy prognozowania elektroenergetycznego, Łódź 1980.
• 7. Mandal P., Senjyu T., Urasaki N., Funabashi T., A neural network based several hours ahead electric load forecasting using similar days approach, Electrical Power and Energy Systems, vol. 28, 2006, pp. 367-373.
• 8. MathWorks, Matlab manual user’s guide, Natick, 2002.
• 9. Osowski S., Siwek K., The Self-organizing Neural Network Approach to Load Forecasting in the Power System, Neural Networks, 1999. IJCNN '99.
• 10. Osowski S., Metody i narzędzia eksploracji danych, BTC 2013.
• 11. Zalewski W., Wpływ czynników atmosferycznych na zmienność zużycia energii elektrycznej, Economy and Management – 4/2011.
• 12. Taylor J.W., Buizza R., Neural network load forecasting with weather ensemble predictions, IEEE Trans. on Powers Systems, 2002, Vol. 17, pp. 626–632.
• 13. Chow T.W.S., Leung C.T., Neural network based short-term load forecasting using weather compensation, IEEE Trans. Power Systems, 1996, Vol. 11, pp. 1736–1742.