Prognozowanie miesięcznego zapotrzebowania na energię elektryczną metodą k najbliższych sąsiadów

• Autorzy: Dudek G. , Pełka P.

Identyfikatory

DOI

10.15199/48.2017.04.16

Warianty tytułu

EN

Forecasting monthly electricity demand using k nearest neighbor method

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono model prognostyczny oparty na metodzie k najbliższych sąsiadów do prognozowania miesięcznego zapotrzebowania na energię elektryczną. Model wykorzystuje analogie pomiędzy fragmentami szeregów czasowych reprezentowanymi przez ich obrazy. Obrazy zapewniają ujednolicenie danych wejściowych i wyjściowych, odfiltrowanie trendu i uproszczenie modelowanej zależności. W części eksperymentalnej model przetestowano w prognozach dla wybranych państw europejskich.

EN

A forecasting model based on the k nearest neighbor method for forecasting monthly electricity demand is presented. The model uses analogies between fragments of time series represented by their patterns. Patterns ensure unification of input and output data, filtering out the trend and simplification of the modeled relationship. In the experimental part of the work the model was tested in forecasting for selected European countries.

Słowa kluczowe

PL

zapotrzebowanie na energię; podobieństwo obrazów; metoda k najbliższych sąsiadów

EN

demand forecasting; k-nearest neighbor method; patterns of time series sequences; pattern similarity-based model

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2017
• Tom: R. 93, nr 4
• Strony: 62--65
• Opis fizyczny: Bibliogr. 8 poz., tab., wykr.

Twórcy

autor

Dudek G.

• Politechnika Częstochowska, Instytut Informatyki, al. Armii Krajowej 17, 42-200 Częstochowa

autor

Pełka P.

• student kierunku Informatyka na Wydziale Elektrycznym Politechniki Częstochowskiej

Bibliografia

• [1] Piotrowski P., Prognozowanie w elektroenergetyce w różnych horyzontach czasowych. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa (2013)
• [2] Hor C.L., Watson S., Majithia S. , Analyzing the Impact of Weather Variables on Monthly Electricity Demand. IEEE Transactions On Power Systems, 20 (2005), 2078-2085
• [3] González-Romera E., Jaramillo -Morán M., Carmona-Fernández D., Monthly Electric Energy Demand Forecasting Based on Trend Extraction. IEEE Transactions On Power Systems, 21(2006), 1946-1953
• [4] Duch W., Similarity-based Methods: A General Framework for Classification, Approximation and Association. Control and Cybernetics, 29 (2000), 937-968
• [5] Dudek G., Systemy uczące się oparte na podobieństwie obrazów do prognozowania szeregów czasowych obciążeń elektroenergetycznych. Akademicka Oficyna Wydawnicza EXIT, Warszawa (2012)
• [6] Michie D., Spiegelhalter D.J., Taylor C.C., Machine Learning, Neural and Statistical Classification. Ellis Horwood (1994)
• [7] Cichosz P., Systemy uczące się. WNT (2007)
• [8] Jaramillo-Morán M., González-Romera E., Carmona-Fernández D., Monthly electric demand forecasting with neural filters. Electrical Power and Energy Systems, 49 (2013), 253-263

Uwagi

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