Tytuł artykułu
Autorzy
Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
Prognozowania obciążenia sieci elektroenergetycznej na kolejny dzień w oparciu o model WT-ANN
Języki publikacji
Abstrakty
This paper presents a method for forecasting energy demand based on WT-ANN (Wavelet Transform – Artificial Neural Network). Model has been developed and assessed for system data for the period 2002-2014. As input variables following have been considered: five levels of signal decomposition (t-1, t-2), values of time series (t-1, t-2) and qualitative variables denoting day of the week.
W artykule przedstawiono metodę prognozowania zapotrzebowania na moc elektryczną w oparciu o model hybyrdowy WT-ANN (Wavelet Transform – Artificial Neural Network). Budowę oraz ocenę jakoś prognoz modelu przeprowadzono dla danych systemowych za okres 2002-2014. Jako dane wejściowe uwzględniono: pięć poziomów dekompozycji sygnału, wartości szeregu czasowego (t-1, t-2) oraz zmienne jakościowe określające dzień tygodnia.
Wydawca
Czasopismo
Rocznik
Tom
Strony
152--154
Opis fizyczny
Bibliogr. 26 poz., tab., wykr.
Twórcy
autor
- AGH w Krakowie, Wydział Zarządzania, Katedra Inżynierii Zarządzania, ul. Gramatyka 10, 30-067 Kraków
autor
- AGH w Krakowie, Wydział Zarządzania, Katedra Inżynierii Zarządzania, ul. Gramatyka 10, 30-067 Kraków
Bibliografia
- [1] Swan L.G., Ugursal V.I., Modeling of end-use energy consumption in the residential sector: a review of modeling techniques, Renewable SustainableEnergy Rev. 13 (2009), 1819-1935
- [2] Fan H., MacGill I.F., A.B. Sproul, Statistical analysis of driving factors of residential energy demand in the greater Sydney region, Australia, Energy and Buildings 105 (2015) 9-25
- [3] Zużycie Paliw i Nośników Energii w 2013 R., Główny Urząd Statystyczny, Warszawa 2014
- [4] Moral-Carcedo J., Perez-Garcia J., Temperature effects on firms’ electricity demand: An analysis of sectorial differences in Spain, Applied Energy 142 (2015) 407-425
- [5] Almeshaiei E., Soltan H., A methodology for Electric Power Load Forecasting, Alexandria Engineering Journal, 50 (2011), 137-144
- [6] Lee W.J., Hong J., A hybrid dynamic and fuzzy time series model for mid-term power load forecasting., Electrical Power and Energy Systems, 64 (2015), 1057-1062
- [7] Chen. Y., Yang Y., Chaoqun L., Caihong L., Lian L., A hybrid application algorithm based on the support vector machine and artificial intelligence: An example of electric load forecasting, Applied Mathematical Modelling, 39 (2015), 2617-2632
- [8] Mollaiy-Berneti S., Developing energy forecasting model using hybrid artificial intelligence method J. Cen. South Univ., 22 (2015), 3026-3032
- [9] Shahid M.A., et al., An efficient model based on artificial bee colony optimization algorithm with Neural Networks for electric load forecasting, Neural Comput & Applic, 25 (2014), 1967-1978
- [10] Khwaja A.S. et al., Improved short-term load forecasting using bagged neural networks, Electric Power Systems Research, 125 (2015), 109-115
- [11] Dudek G., Pattern-based local linear regression models for short-term load forecasting, Electric Power System Research, 130 (2016), 139-147
- [12] Hong T., Wang P., White L., Weather station selection for electric load forecasting, International Journal of Forecasting, 31 (2015), 286-295
- [13] Maciejewski Z., Prognozowanie krajowego zapotrzebowania na energię elektryczną do 2012, Rynek Energii 10 (2007), 71-85
- [14] Popławski T., Prognozowanie zapotrzebowania na energię elektryczną i moc szczytową dla Polski do 2040 roku, Rynek Energii, 2 (2014)
- [15] Nęcka K., Wpływ wstępnego przetwarzania danych na jakosć krótkoterminowych prognoz zapotrzebowania na energię elektryczną, Inżynieria Rolnicza, 3 (2013) 291-299
- [16] Otręba L., Zagadnienie estymacji i adaptacji parametrów w modelu autoregresji – średniej ruchomej procesu zapotrzebowania na moc, Prace naukoznawcze i prognostyczne Politechniki Wrocławskiej 1-2 (1990) 66-67
- [17] Malko J., Wybrane zagadnienia prognozowania w elektroenergetyce, Wydawnictwo Politechniki Wrocławskiej, Wrocław 1996
- [18] Popławski T., K. Dąsal, Prognozowanie zapotrzebowanie na moc i energię elektryczną metodą rozkładu kanonicznego, Polityka Energetyczna 10 (2007) 289-304
- [19] Siwek K., Prognozowania obciążeń w systemie elektroenergetycznym przy wykorzystaniu sztucznych sieci neuronowych, Przegląd Elektrotechniczny 12 (2002) 374-377
- [20] Tadeusiewicz R., Chaki R., Chaki N.: Exploring Neural Networks with C#, CRC Press, Taylor & Francis Group, Boca Raton, 2014
- [21] Smyczyńska U., Smyczyńska J., Tadeusiewicz R.: Neural modelling of growth hormone thereapy for the prediction of therapy results. Bio-Algorithms and Med-Systems Vol. 11, Nr. 1, 2015, pp.33-45
- [22] Chui C., An iIntroduction to Wavelets, 1st Edition, Academic Press, (1992)
- [23] Daubechies, I., 1992. Ten lectures on wavelets. CBMS-NSF Regional Conference Series in Applied Mathematics 61, Philadelphia, PA: Soc. Ind. Appl. Math
- [24] http://www.rynek-energii-elektrycznej.cire.pl/access 26.10.2015
- [25] Alcott, Blake (July 2005). "Jevons' paradox". Ecological Economics 54(1): 9-21. doi:10.1016/j.ecolecon.2005.03.020
- [26] http://www.pse.pl/ access 20.10.2015
Uwagi
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-523e137a-7fdb-4750-b009-68c38e159c17