Day ahead electric power load forecasting by WT-ANN

• Autorzy: Jurasz J. , Mikulik J.

Identyfikatory

DOI

10.15199/48.2016.04.32

Warianty tytułu

PL

Prognozowania obciążenia sieci elektroenergetycznej na kolejny dzień w oparciu o model WT-ANN

• Języki publikacji: EN

Abstrakty

EN

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.

PL

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.

Słowa kluczowe

EN

wavelet transformation; neural network; qualitative variable

PL

transformacja falkowa; sieć neuronowa; zmienna jakościowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2016
• Tom: R. 92, nr 4
• Strony: 152--154
• Opis fizyczny: Bibliogr. 26 poz., tab., wykr.

Twórcy

autor

Jurasz J.

• AGH w Krakowie, Wydział Zarządzania, Katedra Inżynierii Zarządzania, ul. Gramatyka 10, 30-067 Kraków

autor

Mikulik J.

• 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.