Local dynamic integration of ensemble of predictors in load forecasting

• Autorzy: Ciechulski T. , Osowski S.

Identyfikatory

DOI

10.15199/48.2017.10.13

Warianty tytułu

PL

Integracja dynamiczna zespołu predyktorów w zastosowaniu do prognozowania obciążeń elektroenergetycznych

• Języki publikacji: EN

Abstrakty

EN

The paper shows the new approach to integration of an ensemble of neural predictors in load forecasting. In opposite to classic integration method built upon weighted averaging of every single predictor results this integration method uses only the results of one predictor which was the best on the input data of the learning vectors from the past, which were closest to the actual excitation. Thanks to this the result of ensemble is never worse than the best unit in ensemble. The results of 24-hour ahead prediction of the daily load in small power system have confirmed the efficiency of the proposed solution.

PL

Artykuł przedstawia nowe podejście do integracji zespołu predyktorów neuronowych w zadaniu prognozowania godzinnych obciążeń dobowych z wyprzedzeniem 24-godzinnym. W metodyce tej do predykcji używany jest tylko jeden – najlepszy predyktor dla analizowanej doby. Konkretny wektor obciążeń z danych uczących wraz z najbardziej dokładną odpowiadającą mu siecią neuronową wyłonioną w trybie uczenia wybierany jest na podstawie najmniejszej odległości euklidesowej badanego wektora w trybie testującym. Wyniki badań numerycznych potwierdzają wyższość prezentowanej metody nad rozwiązaniami klasycznymi predykcji.

Słowa kluczowe

EN

load forecasting; neural networks; ensemble of predictors; local dynamic integration

PL

prognozowanie obciążeń; sieci neuronowe; zespół predyktorów; integracja dynamiczna

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2017
• Tom: R. 93, nr 10
• Strony: 57--59
• Opis fizyczny: Bibliogr. 6 poz., rys., tab.

Twórcy

autor

Ciechulski T.

• Military University of Technology, Institute of Electronic Systems, Division of Measurement and Information Systems, ul. gen. Sylwestra Kaliskiego 2, 00-908 Warszawa

autor

Osowski S.

• Warsaw University of Technology, Institute of Theory of Electrical Engineering, Measurement and Information Systems, ul. Koszykowa 75, 00-662 Warszawa and Military University of Technology, Institute of Electronic Systems, Division of Measurement and Information Systems, ul. gen. Sylwestra Kaliskiego 2, 00-908 Warszawa

Bibliografia

• [1] Ciechulski T., Osowski S., Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sieci neuronowych SVM, RBF i MLP, Przegląd Elektrotechniczny, no. 8/2014, pp. 148-151
• [2] Li S., Wang P., Goel L., A novel wavelet-based ensemble method for short-term load forecasting with hybrid neural networks and feature selection, IEEE Transactions on Power Systems, vol. 31, no. 3, pp. 1788-1798, 2016
• [3] Lin C.J., Chang C.C., Libsvm: a library for support vector machines, https://www.csie.ntu.edu.tw/~cjlin/libsvm
• [4] MathWorks, Matlab manual user’s guide, Natick, 2016
• [5] Osowski S., Siwek K., Szupi luk R., Ensemble neural network approach for accurate load forecasting in the power system, Applied Mathematics and Computer Science, 2009, vol. 19, No. 2, pp. 303-313
• [6] Price P.N., Methods for analyzing electric load shape and its variability, Environmental Energy Technologies Division, 2010

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).