Modele arima do krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych

• Autorzy: Dudek G.

Warianty tytułu

EN

Arima models for short-term load forecasting

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono jednowymiarowe modele autoregresji i średniej ruchomej do sporządzania krótkoterminowych prognoz zapotrzebowania na moc. Szeregi czasowe obciążeń wykazują trend oraz trzy okresy wahań sezonowych: roczny, tygodniowy i dobowy, co komplikuje budowę modelu prognostycznego. W celu uproszczenia zadania szereg czasowych poddano dekompozycji stosując dwa podejścia. Pierwsze polega na wydzieleniu odrębnych szeregów dla każdej godziny doby. Drugie podejście wykorzystuje regresję lokalną (LOESS) do dekompozycji szeregu na trend, składową sezonową i błąd. Niestacjonarny charakter szeregów zdekomponowanych wymusza zastosowania zintegrowanego modelu ARMA. Dokładność proponowanych metod porównano na przykładach aplikacyjnych z dokładnością modelu opartego na sieci neuronowej.

EN

Univariate autoregressive moving average models for short-term load forecasting are presented. Load time series show a trend and three seasonal patterns: annual, weekly and daily, which complicate the forecasting model construction. To simplify the forecasting problem time series were decomposed using two approaches. The first one consists in the decomposition a time series into separate series for each hour of a day. The second approach uses a local regression (LOESS) to decompose series into trend, seasonal component and error. Nonstationarity of the decomposed time series requires using an integrated ARMA model. The accuracy of the proposed methods were compared on application examples with an accuracy of the model based on neural network.

Słowa kluczowe

PL

krótkoterminowe prognozowanie zapotrzebowania na moc elektryczną; ARIMA

EN

short-term load forecasting; ARIMA

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2012
• Tom: Nr 2
• Strony: 94--98
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Dudek G.

• Instytut Elektroenergetyki Politechniki Częstochowskiej

Bibliografia

• [1] Al-Hamadi H.M., Soliman S.A.: Short-Term Electric Load Forecasting Based on Kalman Filtering Algorithm with Moving Window Weather And Load Model. Electric Power Systems Research 68, pp. 47-59, 2004.
• [2] Amaral L.F., Souza R.C., Stevenson M.: A Smooth Transition Periodic Autoregressive (STPAR) Model for Short-Term Load Forecasting. International Journal of Forecasting 24, pp 603-615, 2008.
• [3] Cleveland R.B., Cleveland W.S., McRae J.E., Terpenning I.: STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics, Vol. 6, No. 1, pp. 3-73, 1990.
• [4] Dudek G.: Przetwarzanie danych w opartych na podobieństwie metodach prognozowania przebiegów dobowych zapotrzebowania na moc elektryczną. Przegląd Elektrotechniczny, r. 82, nr 9, str. 15-19, 2006.
• [5] Espinoza M., Joye C., Belmans R., De Moor B.: Short-Term Load Forecasting, Profile Identification, and Customer Segmentation: A Methodology Based on Periodic Time Series. IEEE Transactions on Power Systems, Vol. 20 (3), pp. 1622-1630, 2005.
• [6] Gross G., Galiana F.D.: Short-Term Load Forecasting. Proceedings of the IEEE, Vol. 75, No. 12, pp. 1558-1573, 1987.
• [7] Huang C.-M., Huang C.-J., Wang M.-L.: A Particle Swarm Optimization to Identifying the ARMAX Model for Short-Term Load Forecasting. IEEE Transactions on Power Systems, Vol. 20 (2), pp. 1126-1133, 2005.
• [8] Hyndman R.J., Khandakar Y.: Automatic Time Series Forecasting: The Forecast Package for R. Journal of Statistical Software, Vol. 27, issue 3, 2008.
• [9] Lee C.-M., Ko C.-N.: Short-Term Load Forecasting using Lifting Scheme and ARIMA Models. Expert Systems with Applications 38, pp. 5902-5911, 2011.
• [10] Nowicka-Zagrajek J., Weron R.: Modeling Electricity Loads in California: ARMA Models with Hyperbolic Noise. Signal Processing 82, pp. 1903-1915, 2002.
• [11] R Development Core Team: R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. URL http: //www.R-project.org/.
• [12] Soares L.J., Medeiros M.C.: Modeling and Forecasting Short-Term Electricity Load: A Comparison of Methods with an Application to Brazilian Data. International Journal of Forecasting 24, pp. 630-644, 2008.
• [13] Weron R.: Modeling and Forecasting Electricity Loads and Prices. Wiley 2006.
• [14] Yang H.T., Huang C.M.: A New Short-Term Load Forecasting Approach using Self-Organizing Fuzzy ARMAX Models. IEEE Transactions on Power Systems, Vol. 18 (2), pp. 673-679, 2003.