Prognozowanie obciążeń dla systemu dostarczania energii z uwzględnieniem warunków pogodowych

• Autorzy: Ciechulski T.

Warianty tytułu

EN

Electrical load forecasting considering weather conditions

• Języki publikacji: PL

Abstrakty

PL

Artykuł dotyczy prognozowania zapotrzebowania na zużycie energii elektrycznej w małym systemie elektroenergetycznym w Polsce. Do symulacji posłużyły sztuczne sieci neuronowe SVM, RBF i MLP, zaimplementowane w środowisku programistycznym MATLAB. Prognozowany przedział czasowy obejmował lata 2004–2005, w których do badań użyto 729 dni. Oprócz danych zużycia energii elektrycznej w powyższym przedziale czasowym, do badań posłużyły również dane atmosferyczne składające się z następujących parametrów pogodowych: prędkość wiatru, temperatura powietrza, nasłonecznienie oraz wilgotność. Symulacje przeprowadzone zostały w dwóch etapach, w których odbyło się prognozowanie zapotrzebowania na energię elektryczną w odstępie godzinnym z wyprzedzeniem 24–godzinnym. Etap pierwszy dotyczył prognozowania z uwzględnieniem wszystkich dostępnych parametrów wejściowych. Natomiast etap drugi dotyczył prognozowania na podstawie wyselekcjonowanych danych wejściowych metodą liniowej regresji krokowej. Wyniki badań symulacyjnych wykazały, że selekcja cech ma niewielki wpływ na poprawę predykcji, a otrzymane miary jakości predykcji w postaci błędów MAPE okazały się lepsze po przeprowadzeniu selekcji cech.

EN

The paper is concerned with electrical load forecasting in small power system in Poland. Three types of artificial neural networks: SVM, RBF and MLP implemented in MATLAB computing environment were used. Forecasted period covers two years: 2004–2005. 729 days were used in the analysis. The atmospheric parameters including wind speed, air temperature, insolation and humidity have been taken into account. The simulations were conducted in two stages. The first stage taken into account with all available input parameters including weather data at the last 24 hours. In the second stage the simulations used only the attributes selected by the stepwise linear regression procedure. The simulation results show that the applied selection has only slight influence on the improvement of prognosis quality.

Słowa kluczowe

PL

zapotrzebowanie na energię elektryczną; system elektroenergetyczny; zużycie energii elektrycznej

EN

electrical load forecasting; power system; energy consumption

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 6
• Strony: 2759--2768
• Opis fizyczny: Bibliogr. 16 poz., schem., tab., wykr., pełen tekst na CD3

Twórcy

autor

Ciechulski T.

• Wojskowa Akademia Techniczna, Instytut Systemów Elektronicznych, Zakład Systemów Informacyjno–Pomiarowych, ul. gen. S. 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., Osowski S., Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sieci neuronowych SVM, RBF i MLP, Przegląd Elektrotechniczny, 2014, vol. 8, pp. 148–151.
• 3. 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.
• 4. 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.
• 5. Kowalski Z., Podstawy prognozowania elektroenergetycznego, Łódź 1980.
• 6. 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.
• 7. MathWorks, Matlab manual user’s guide, Natick, 2002.
• 8. Osowski S., Siwek K., The Self-organizing Neural Network Approach to Load Forecasting in the Power System, Neural Networks, 1999. IJCNN '99.
• 9. Osowski S., Metody i narzędzia eksploracji danych, BTC 2013.
• 10. Siwek K., Osowski S., Regularization of neural networks for improved load forecasting in power system, Electronics, Circuits and Systems, 2001. ICECS 2001.
• 11. Sorjamaa A., Hao J., Reyhani N., Li Y., Lendasse A., Methodology for long-term prediction of time series, Neurocomputing, vol. 70, 2007, pp. 2861-2869.
• 12. Chen S.T., Yu D.C., Moghaddamjo A.R., Weather Sensitive Short–Term Load Forecasting Using Nonfully Connected Artificial Neural Network, Transactions on Power Systems, Vol. 7, No. 3, 1992.
• 13. Zalewski W., Wpływ czynników atmosferycznych na zmienność zużycia energii elektrycznej, Economy and Management – 4/2011.
• 14. Hamadi H.M.A., 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 (2004) 47/59.
• 15. Taylor J.W., Buizza R., Neural network load forecasting with weather ensemble predictions, IEEE Trans. on Powers Systems, 2002, Vol. 17, pp. 626–632.
• 16. 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.