The use of machine learning technique for short-term forecasting of demand for electricity

• Autorzy: Nęcka K.

Warianty tytułu

PL

Wykorzystanie technik uczenia maszynowego do krótkoterminowego prognozowania zapotrzebowania na energię elektryczną

• Języki publikacji: EN

Abstrakty

EN

The study verifies the usefulness of selected machine learning techniques for predicting hourly demand for electricity within a short time period. The results of the performed analyses show that the lowest values for both the MAPE forecast error for the test set at the level of 17% and the lowest share of the balancing energy in the total consumption at a level which does not exceed 15% were obtained for models for which the input data included the averaged electricity consumption profile for characteristic days of the week, the forecast number of pure production pieces and the encoded day of the week and time of the day. Among the tested models, forecasts prepared on the basis of artificial neural networks and standard CRT trees were characterised by the best quality of predictions.

PL

W pracy sprawdzono przydatność wybranych technik uczenia maszynowego do predykcji godzinowego zapotrzebowania na energię elektryczną w krótkim horyzoncie czasu. Z wykonanych analiz wynika, że najniższe wartości zarówno błędu prognozy MAPE na poziomie 17% jak i najniższy udział energii bilansującej w całkowitym zużyciu na poziomie nie przekraczającym 15% uzyskano dla modeli, dla których zmiennymi wejściowymi były uśredniony profil zużycia energii elektrycznej dla charakterystycznych dni tygodnia, prognozowana liczba sztuk czystej produkcji oraz zakodowany dzień tygodnia i godzina doby. Spośród badanych modeli najlepszą jakością predykcji charakteryzowały się prognozy opracowywane w oparciu o sztuczne sieci neuronowe oraz standardowe drzewa CRT.

Słowa kluczowe

EN

data mining; electricity; machine learning; short-term forecasts

PL

data mining; energia elektryczna; prognoza krótkoterminowa; uczenie maszynowe

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2014
• Tom: Vol. 59, nr 2
• Strony: 71--74
• Opis fizyczny: Bibliogr. 12 poz., tab.

Twórcy

autor

Nęcka K.

• Agricultural University of Cracow, Department of Power Engineering and Agricultural Processes Automation, Balicka Str. 116B, 30-149 Kraków, Poland

Bibliografia

• [1] Nęcka K., Trojanowska M.: Programming of rural power networks development Part II. Draft guidelines for the local plan of energy supply. TEKA Komisji Motoryzacji i Energetyki Rolnictwa, Vol. X. Lublin, 2010, s. 294-300.
• [2] Polityka energetyczna Polski do 2030 roku. Załącznik do uchwały nr 202/2009 Rady Ministrów z dnia 10 listopada 2009 r.
• [3] Motowidlak T.: Istota ciągłości dostaw energii elektrycznej w Unii Europejskiej. Polityka Energetyczna, 2007, Tom 10, Zeszyt 1. PL ISSN 1429-6675.
• [4] Hanzelka, Z.: Koszty dostawy złej jakości energii elektrycznej. Automatyka, Elektryka, Zakłócenia, 2012, nr 7, s. 11-19.
• [5] Popczyk J.: Nowe spojrzenie na jakość energii elektrycznej w Polsce w warunkach urynkowienia elektroenergetyki i integracji z UE, Przegląd Elektrotechniczny, 2004, R. 80, nr 6, s. 568-571.
• [6] Ustawa z dnia 10 kwietnia 1997 r. Prawo energetyczne. Dz.U. z 1997 r. nr 54 poz. 348 wraz z późniejszymi zmianami.
• [7] Ciepiela D.: Koszty bilansowania - zmora klienta. [online]. [dostęp 27-08-2013]. Dostępny w Internecie: http: //energetyka.wnp.pl/tpa/poradnik_jak_zmienic dostawceenergii/koszty-bilansowania-zmora-klienta,3359_2_0_1.html.
• [8] Trojanowska M.: Analiza zapotrzebowania na moc i energię elektryczną w zakładzie mleczarskim. Journal of Research and Applications in Agricultural Engineering, 2010, 55(2), 113-116.
• [9] Nęcka K.: Analiza sezonowości obciążeń w zakładzie przemysłu rolno-spożywczego. Technika Rolnicza Ogrodnicza Leśna. 2011, 3, 25-26.
• [10] Piotrowski P.: Prognozowanie krótkoterminowe godzinowych obciążeń w spółce dystrybucyjnej z wykorzystaniem sieci neuronowych - analiza wpływu doboru i przetworzenia danych na jakość prognoz. Przegląd Elektrotechniczny, 2007, 83, nr 7-8, 40-43.
• [11] Weron R., Misiorek A.: Zwiększenie dokładności prognoz ceny energii poprzez zastosowanie preprocessingu oraz modeli nieliniowych. Przegląd Elektrotechniczny, LXXXII, 2006, nr 9, 44-46.
• [12] Nęcka K.: Wpływ wstępnego przetwarzania danych wejściowych na jakość modeli predykcyjnych budowanych technikami Data Mining. Materiały konferencyjne. Prognozowanie w Elektroenergetyce PE, 2013.