Modele rozmyte zapotrzebowania na moc dla potrzeb krótkoterminowego prognozowania zużycia energii elektrycznej na wsi. Cz. I. Algorytmy wyznaczania modeli rozmytych

• Autorzy: Małopolski J. , Trojanowska M.

Warianty tytułu

EN

Fuzzy models of power demand for the purposes of short-term predicting of electric energy consumption in the country. Part I. Algorithms used to determine fuzzy models

• Języki publikacji: PL

Abstrakty

PL

Opracowano i oprogramowano algorytmy wyznaczania modeli rozmytych, a w szczególności algorytm doboru zmiennych wejściowych do modeli oraz algorytm wyznaczania struktury modeli. Spowodowało to przyśpieszenie procesu budowy modeli prognostycznych opartych na teorii zbiorów rozmytych, dając w ten sposób możność łatwego ich zastosowania do prognozowania zużycia energii elektrycznej na wsi.

EN

The scope of the research involved development and programming of algorithms for determining fuzzy models, and in particular an algorithm for selecting input variables for models and an algorithm for determining the structure of models. This resulted in the acceleration of the process involving construction of predicting models based on fuzzy set theory, thus making it possible to use them for predicting electric energy consumption in the country.

Słowa kluczowe

PL

energia elektryczna; prognozowanie krótkoterminowe; algorytm; model rozmyty

EN

electric energy; short-term predicting; algorithm; fuzzy model

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2009
• Tom: R. 13, nr 5
• Strony: 177--183
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Małopolski J.

autor

Trojanowska M.

• Instytut Inżynierii Rolniczej i Informatyki, Uniwersytet Rolniczy w Krakowie,

Bibliografia

• Dąsal K. 2002. Wpływ doboru zmiennych na błąd prognozy w modelu sieci neuronowej. VI Konferencja Naukowa PE 2002 „Prognozowanie w elektroenergetyce”. Częstochowa. s. 98-108.
• Findeisen W., Szymanowski J., Wierzbicki A. 1977. Teoria i metody obliczeniowe optymalizacji. WNT. Warszawa. ISBN 83-01-00976-4.
• Francik S. 2003. Możliwości wykorzystania SSN do prognozowania sprzedaży maszyn rolniczych w warunkach rynkowych. Inżynieria Rolnicza 12 (54). s. 97-105.
• Lula P. 2000. Wykorzystanie sztucznej inteligencji w prognozowaniu. Materiały Seminarium Statsoft. „Prognozowanie w przedsiębiorstwie”. Warszawa. s. 39-69.
• Małopolski J., Trojanowska M. 2008. Wykorzystanie modeli Mamdaniego do predykcji dobowych obciążeń wiejskich sieci elektroenergetycznych. Inżynieria Rolnicza Nr 9 (107). s. 205-212.
• Osowski S. 1996. Sieci neuronowe w ujęciu algorytmicznym. WNT. Warszawa. ISBN 83-204-1976-X.
• Piegat A. 1999. Modelowanie i sterowanie rozmyte. AOW EXIT. Warszawa. ISBN 83-87674-14-1.
• Popławski T. 2005a. Application of the Takagi-Sugeno (TS) fuzzy logic model for load curves prediction in the local power system. III–rd International Scientific Symposium Elektroenergetyka, Stara Lesna Slovak Republic. ISBN 80-8073-305-8.
• Popławski T. 2005b. Zastosowanie rozmytego modelu Mamdaniego do prognoz obciążeń w lokalnych systemach elektroenergetycznych. XII Międzynarodowa Konferencja Naukowa ”Aktualne problemy w elektroenergetyce APE’05”. Gdańsk-Jurata. s. 65-72.
• Trojanowska M., Małopolski J. 2007. Krótkoterminowe prognozowanie zapotrzebowania na energię elektryczną odbiorców wiejskich przy wykorzystaniu modeli Mamdaniego. Problemy Inżynierii Rolniczej 3(57). s. 35-42.