Wpływ wstępnego przetwarzania danych wejściowych na jakość modeli predykcyjnych budowanych technikami Data Mining

• Autorzy: Nęcka K.

Warianty tytułu

EN

Effect of pre-processing of input data on the quality of predictive models built by Data Mining techniques

• Języki publikacji: PL

Abstrakty

PL

Artykuł porusza problematykę wstępnego przetwarzania danych wejściowych wykorzystywanych do prognozowania godzinowego zapotrzebowania na energię elektryczną. Analizy zostały przeprowadzone na danych uzyskanych w wyniku badań własnych wykonanych w ubojni drobiu. Zaprezentowane w pracy wyniki dotyczą przykładowych prognoz godzinowego zapotrzebowania na energię elektryczną wykonanych technikami data mining z wykorzystaniem zmiennych wejściowych poddanych różnym przekształceniom..

EN

This article contains issue of data pre-processing used in prediction of hourly energy consumption. All analyses and studies were done based on own researching made in poultry abattoir and data achieved this way. Results presented in this article applies to hourly prediction for energy consumption achieved with Data Mining techniques with utilization of input variables subjected to various transformations..

Słowa kluczowe

PL

elektroenergetyka; modele predykcyjne; zużycie energii elektrycznej

EN

electroenergetics; predictive models; electrical energy consumption

• Wydawca: Oddział Zagłębia Węglowego Stowarzyszenia Elektryków Polskich w Katowicach
• Czasopismo: Śląskie Wiadomości Elektryczne
• Rocznik: 2014
• Tom: Nr 2 (113)
• Strony: 11--17
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Nęcka K.

• Uniwersytet Rolniczy w Krakowie. Katedra Energetyki i Automatyzacji Procesów Rolniczych

Bibliografia

• [1] Ustawa z dnia 10 kwietnia 1997 r. Prawo energetyczne. Dz.U. z 1997 r. nr 54 poz. 348 wraz z późniejszymi zmianami
• [2] Raport Urzędu Regulacji Energetyki styczeń 2013. [online], [dostęp 27-03-2013]. Dostępny w Internecie: http://optimalenergy.pl/blog/aktualnosci/raport-urzedu-regulacji-energetyki-styczeń
• [3] Majka K., Bilansowanie zapotrzebowania godzinowego energii elektrycznej przez odbiorców z wykorzystaniem profili obciążeń, Energetyka, 56 (2006), nr 6, 401-415
• [4] Halicka K., Wpływ jakości prognoz na wartość obrotu na rynku bilansującym, Przegląd Elektrotechniczny, 84 (2010), nr 3,279-281
• [5] Nęcka K. Use of data mining techniques for predicting electric energy demand, TEKA Komisji Motoryzacji i Energetyki Rolnictwa XIC (2011), nr 5, 230-236
• [6] Fijorek K., Mróz K., Niedziela K., Fijorek D. Prognozowanie cen energii elektrycznej na rynku dnia następnego metodami data mining, Rynek Energii, 91 (2010), nr 6, 46-50
• [7] Ciepiela D. 2007. Koszty bilansowania - zmora klienta, [online], [dostęp 27-01-2013]. Dostępny w Internecie: http://energetvka.wnp.pl/tpa/poradnikjakzmienicdostawceenergii/koszty-bilansowania-zmora-klienta.3359201.html
• [8] Piotrowski P., Prognozowanie krótkoterminowe godzinowych obciążeń w spółce dystrybucyjnej z wykorzystaniem sieci neuronowych - analiza wpływu doboru i przetworzenia danych na jakość prognoz, Przegląd Elektrotechniczny, 83 (2007), nr 7-8, 40-43
• [9] Weron R., Misiorek A., Zwiększenie dokładności prognoz ceny energii poprzez zastosowanie preprocessingu oraz modeli nieliniowych, Przegląd Elektrotechniczny, LXXXII (2006), nr 9, 44-46
• [10] Gardner, E. S., Jr, Exponential smoothing, The state of the art. Journal of Forecasting, 4 (1985), 1-28
• [11] Velleman P. F., Definition and comparison of robust nonlinear data smoothing algorithms, Journal of the American Statistical Association, (1980), 609-615
• [12] Danieli, P. J., Discussion on symposium on autocorrelation in time series, Journal ofthe Royal Statistical Society, Supp, 8, (1946), 88-90
• [13] Makridakis, S. G., Wheelwright, S. C., & McGee, V. E. Forecasting, Methods and applications (2nd ed.). New York: Wiley. (1983)
• [14] Makridakis, S. G., & Wheelwright, S. C., Forecasting methods for management (5th ed.). New York: Wiley, (1989).
• [15] Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. Classification and regression trees, Monterey, CA: Wadsworth & Brooks/ Cole Advanced Books & Software (1984).
• [16] Ripley, B. D., Pattern Recognition and Neural Networks. Cambridge, Cambridge University Press. ISBN 0 521 46086 7, (1996)
• [17] Friedman, J. H., Greedy function approximation, A gradient boosting machine. IMS 1999 Reitz Lecture, (1999a)
• [18] Friedman, J. H., Stochastic gradient boosting, Stanford University, (1999b)
• [19] Hastie, T., Tibshirani, R., & Friedman, J. H., The elements of statistical learning: Data mining, inference, and prediction. New York: Springer, (2001)
• [20] Pitts, W., & McCulloch, W. S. A logical calculus of the ideas immanent in nervous activity, Bull. Math. Biophys., 5, (1943) 115-133.
• [21] Friedman, J., Multivariate adaptive regression splines (with discussion), Annals of Statistics, 19, (1991), 1-141