Krótkoterminowe prognozowanie zapotrzebowania na moc elektryczną metodą klasteryzacji rozmytej

• Autorzy: Dudek G.

Warianty tytułu

EN

Short-term electrical load forecasting using fuzzy clustering method

• Konferencja: VIII Konferencja Naukowa "Prognozowanie w elektroenergetyce", Częstochowa- Złoty Potok, 21-22 września 2006 r.
• Języki publikacji: PL

Abstrakty

PL

Przedstawiono metodę prognozy przebiegów dobowych zapotrzebowania na moc elektryczną wykorzystującą klasteryzację rozmytą. Metoda polega na uformowaniu klastera wokół wektora profilu wejściowego, reprezentującego charakterystykę obciążeń godzinowych poprzedzających moment prognozy. Profile prognoz skojarzone z profilami tworzącymi klaster formują prognozę, w stopniu zależnym od przynależności do klastera. Model zweryfikowano na przykładach prognoz obciążenia i cen energii na rynku bilansującym.

EN

A method of the daily electrical load profiles forecasting using fuzzy clustering is presented. This method creates a cluster around the input profile vector, which represents an hourly load profile preceding a forecast moment. Forecast profiles, associated with profiles creating a cluster, form the forecast in the degree dependent on the membership to the cluster. The model was verified on the several examples of the forecast - load and energy prices on the balance market.

Słowa kluczowe

PL

prognozowanie krótkoterminowe; zapotrzebowania na moc elektryczną; logika rozmyta; klasteryzacja rozmyta; profil obciążeń

EN

short-term load forecasting; fuzzy logic; fuzzy clustering; load profile

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2006
• Tom: R. 82, nr 9
• Strony: 26--28
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Dudek G.

• Politechnika Częstochowska, Instytut Elektroenergetyki,

Bibliografia

• [1] Gross G., Galiana F.D., Short-term load forecasting, Proc. IEEE, 75 (1987), n.12, 1558-1573
• [2] Metaxiotis K. i in., Artificial intelligence in short term load forecasting: a state-of-the-art survey for the researcher, Energy Conversion and Management, 44 (2003), 1525-1534
• [3] Rahman S., Hazim O., A generalized knowledge-based short term load forecasting technique, IEEE Trans Power Syst, 8(1993), n.2, 508-514
• [4] Markovic M., Fraissler W., Short-term load forecast by plausibility checking of announced demand: an expert system approach, Eur Trans Electr Power Eng/ETEP, 3 (1993), n.5, 353-358
• [5] Malko J., Mikołajczyk H., Skorupski W., Progress in Employment of Neural Network for Power System Load Forecasting, Mat. konf.: ,,Neural Networks and Their Applications". 1 (1996), 317-323
• [6] Khotanzad A. i in., ANNSTLF - A Neural-Network-Based Electric Load Forecasting System, IEEE Trans, on Neural Networks, 8 (1997), n.4, 835-845
• [7] Malko J., Mikołajczyk H., Skorupski W., Sieć radialna gaussowska jako predyktor neuronowy godzinowego zapotrzebowania mocy, Mat. konf.: ,,Prognozowanie w Elektroenergetyce PE 2000", (2000), 163-170
• [8] Dudek G., Krótkoterminowe prognozowanie obciążenia systemu elektroenergetycznego z zastosowaniem sieci neuronowych o radialnych funkcjach bazowych, Mat. konf.: ,Prognozowanie w Elektroenergetyce PE 2000", (2000), 59-68
• [9] Osowski S., Siwek K., Kądzielawa A., Neural Network Approach to Load Forecasting, Mat. konf.: ,,Neural Networks and Their Applications", 1 (1996), 355-360
• [10] Dudek G., Zastosowanie sieci neuronowej Hecht-Nielsena do krótkoterminowej predykcji obciqżeń systemu elektroenergetycznego, Mat. konf.: ,,Aktualne Problemy w Elektroenergetyce APE'97", 4 (1997), 65-72
• [11] Vermaak J., Botha E.G., Recurrent neural networks for short-term load forecasting, IEEE Trans Power Syst, 13 (1998), n.1, 126-132
• [12] Papadakis S.E., Theocharis J.B., Bakirtzis A.G..A load curve based fuzzy modeling technique for short-term load forecasting, Fuzzy Sets and Systems, 135 (2003), 279-303
• [13] Al-Kandari A.M., Soliman S.A., El-Hawary M.E., Fuzzy short-term electric load forecasting, Electrical Power and Energy Systems , 26 (2004), 111 -122
• [14] Mastorocostas P.A., Theocharis J.B., Petridis V.S., A constrained orthogonal least-squares method for generating TSK fuzzy models: application to short-term load forecasting, Fuzzy Sets and Systems, 118 (2001), 215-233
• [15] Kodogiannis V.S., Anagnostakis E.M., Soft computing based techniques for short-term load forecasting, Fuzzy Sets and Systems, 128 (2002), 413-426
• [16] Ranaweera D., Hubele N., Karady G., Fuzzy logic for short term load forecasting, Electr Power Energ Syst, (1995), 18(4), 215-222
• [17] Kim K. i in., Implementation of hybrid short-term load forecasting system using artificial neural networks and fuzzy expert systems, IEEE Trans Power Syst, 10 (1995), n.3, 603-610
• [18] Srinivasan D., Evolving artificial neural networks for short term load forecasting, Neurocomputing, 23 (1998), 265-276
• [19] Dudek G., Drzewo regresyjne jako narzędzie prognostyczne, Mat. Konf.: ,,Prognozowanie w Elektroenergetyce PE 2004", (2004), 99-105
• [20] Dudek G., Zastosowanie hierarchicznych metod grupowania do prognozowania dobowych charakterystyk obciążeń elektroenergetycznych, Przegląd Elektrotechniczny (w druku)
• [21] Dudek G., Przetwarzanie danych w opartych na podobieństwie metodach prognozowania przebiegów dobowych zapotrzebowania na moc elektryczną, Przegląd Elektrotechniczny (w druku)
• [22] Bezdek J.C., Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York 1981
• [23] Łyp J., Prognozowanie cen energii na rynku bilansującym z użyciem sztucznych sieci neuronowych, Mat. Konf.: ..Prognozowanie w Elektroenergetyce PE 2004", (2004), 43-48