Temperatura powietrza jako dodatkowa zmienna egzogeniczna w krótkoterminowym prognozowaniu modelem ANFIS obciążeń w podsystemie elektroenergetycznym

• Autorzy: Sowiński Janusz

Identyfikatory

DOI

10.15199/48.2021.01.36

Warianty tytułu

EN

Air temperature as an additional exogenous variable in short-term forecasting of loads in the power subsystem using ANFIS model

• Języki publikacji: PL

Abstrakty

PL

Obciążenia elektryczne charakteryzują się zmiennością roczną, tygodniową i dobową. Ten typ krzywych, charakteryzujący się dobowym podobieństwem obciążeń, jest odpowiedni do prognozowania przy użyciu Adaptive Neuro-Fuzzy Inference System (model ANFIS). Badano wpływ doboru zmiennych na dokładność procesu prognozowania. Szczególną uwagę zwrócono na uwzględnienie dodatkowej zmiennej - temperatury powietrza.

EN

The electric loads are characterized by annual, weekly and daily variability. This type of curves, in the form of daily load similarity, is suitable for forecasting using the Adaptive Neuro-Fuzzy Inference System (ANFIS model). The influence of variable selection on the accuracy of the forecasting process has been tested. Special attention is paid to taking into consideration an additional variable – air temperature.

Słowa kluczowe

PL

krótkoterminowe prognozowanie obciążeń; model ANFIS; wybór zmiennych wejściowych

EN

short-term load forecasting; ANFIS model; input variables selection

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 1
• Strony: 178--181
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Sowiński Janusz

• Politechnika Częstochowska, Wydział Elektryczny, Katedra Elektroenergetyki, Al. Armii Krajowej 17, 42-200 Częstochowa

Bibliografia

• [1] Dobrzańska I., Dąsal K., Łyp J., Popławski T., Sowiński J., Prognozowanie w elektroenergetyce. Zagadnienia wybrane., WPCz, Częstochowa (2002)
• [2] Popławski T., Dąsal K., Łyp J., Sowiński J., Wybrane zagadnienia prognozowania długoterminowego w systemach elektroenergetycznych, WPCz, Częstochowa (2011)
• [3] Weron R., Modeling and forecasting electricity loads and prices: a statistical approach, John Wiley & Sons Ltd., England (2006)
• [4] Zalews ki W., Statistical Analysis of the Load Variability in Distribution Network, Economy and Management, 4 (2010), 203-213
• [5] Mirasgedis S., Sarafidis Y., Georgopoulou E., Lalas D. P., Moschovits M., Karagiannis F., Papakonstantinou D., Models for Mid-Term Electricity Demand Forecasting Incorporating Weather Influences, Energy, 31 (2006), 208-227
• [6] Taylor W. J., Buizza R., Using weather ensemble predictions in electricity demand forecasting, International Journal of Forecasting, 19 (2003)
• [7] Zeliaś A., Teoria prognozy, PWE, Wrocław, (1997)
• [8] Cassotti M. , Grisoni F., Variable selection methods: an introduction, University of Milano-Bicocca, Available online: in Tutorial 6 www.moleculardescriptors.eu (accessed on 15.04.2020)
• [9] Zadeh L.A., Fuzzysets, Information and Control, 8 (1965), 338.
• [10] Jang J.-R., ANFIS: adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man, and Cybernetics, 23 (1993), No. 3, 665-685.
• [11] Acakpovi A., Ternor A.T., Asabere N.Y., Adjei P., Iddrisu A-S., Time series prediction of electricity demand using Adaptive Neuro-Fuzzy Inference Systems, Mathematical Problems in Engineering, 2020 (2020)
• [12] Wei D., Wang J., NiK., Tang G., Research and Application of a Novel Hybrid Model Based on a Deep Neural Network Combined with Fuzzy Time Series for Energy Forecasting, Energies, 12 (2019), 3588
• [13] Jin X.B., Wang J.F., Zhang H.Y., Cao L.H., ANFIS Model for Time Series Prediction, Applied Mechanics and Materials, 385–386 (2013), 1411–1414
• [14] Sowiński J., Szydłowski M., Forecast of Electricity Supply Using Adaptive Neuro- Fuzzy Inference System, In Proceedings of 18th International Scientific Conference on Electric Power Engineering, Rusek S., Gono R., Eds., IEEE New York, USA (2017)
• [15] Prado F., Minutolo M.C., Kristjanpoller W., Forecasting based on an ensemble Autoregressive Moving Average - Adaptive neuro - Fuzzy inference system – Neural network - Genetic Algorithm Framework, Energy, 197 (2020)
• [16] Dudek G., Short-Term Load Forecasting Based on Kernel Conditional Density Estimation, Przegląd Elektrotechniczny, 86 (2010), No. 8, 164-167
• [17] Santra A.S., Lin J.-L., Integrating Long Short-Term Memory and Genetic Algorithm for Short-Term Load Forecasting, Energies, 12 (2019), 2040
• [18] Park R.-J., Song K.-B., Kwon B.-S., Short-Term Load Forecasting Algorithm Using a Similar Day Selection Method Based on Reinforcement Learning, Energies, 13 (2020), 2640

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).