Zastosowanie algorytmu optymalizacji rojem cząstek w procesie uczenia sztucznej sieci neuronowej w prognozowaniu krótkoterminowym

• Autorzy: Baczyński D.

Warianty tytułu

EN

Application of particle swarm optimization algorithm in process of artificial neural networks training for short term forecasting

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono dwa sposoby wykorzystania algorytmów optymalizacji rojem cząstek (Particle Swarm Optimization - PSO) do optymalizacji wartości wag połączeń sztucznej sieci neuronowej. Pierwszy sposób wykorzystania PSO polegał na samodzielnej optymalizacji wag sieci tak by zminimalizować błąd prognozy. Drugi sposób wykorzystywał wspomaganie tego procesu klasycznym algorytmem back-propagation. Celem opracowanego układu hybrydowego miało być prognozowanie krótkoterminowe zapotrzebowania na energię elektryczną spółki dystrybucyjnej. Dla takiego zadania przeprowadzono testy jakości, które zaprezentowano w pracy. Przedstawiono także wnioski dotyczące własności opracowanej metody i ścieżki jej rozwoju.

EN

In the paper two applications of particle swarm optimization (PSO) algorithm for weights values optimization of artificial neural network are presented. First application consists in optimization of weights values only with the PSO in such a way to minimize forecast error. Second application aids this process using classical back propagation algorithm. The main purpose of this hybrid system is forecasting of electric energy load for distribution company. For this task efficiency tests were done. Conclusions concerning properties of proposed method and ways of development are presented.

Słowa kluczowe

PL

prognozowanie krótkoterminowe; sztuczne sieci neuronowe; algorytmy optymalizacji rojem cząstek

EN

short term forecasting; particle swarm optimization (PSO)

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2010
• Tom: nr 4
• Strony: 52--56
• Opis fizyczny: Bibliogr., 7 [poz., rys., tab.

Twórcy

autor

Baczyński D.

• Instytut Elektroenergetyki Politechniki Warszawskiej,

Bibliografia

• [1] Baczyński D., Parol M.: Influence of Artificial Neural Networks Structure on Quality of Short-term Electric Energy Consumption Forecast. IEE Proceedings Generation Transmission & Distribution, Volume 151, number 2, March 2004, ISSN 1350-2360, pp. 241-245, 2004.
• [2] Baczyński D., Parol M.: Artificial Neural Networks Aided by Fuzzy Logic in Short-Term Electric Energy Consumption Forecasting. IEEE – MEPS 06, Wrocław, September 2006
• [3] Baczyński D., Parol M.: Short-term electric energy consumption forecasting using artificial neural networks aided by evolutionary algorithms. Przegląd Elektrotechniczny, nr 03/2009, str. 204-207
• [4] Kennedy J., Eberhart R. C.: Particle Swarm Optimization. Proc. of IEEE Int. Conf. On Neural Networks (ICNN’95), vol. 4, pp. 1942-1948. IEEE Service Center, Piscataway, New Jork 1995.
• [5] Millonas M. M.: Artificial Life III, Swarms, phase transitions and collective intelligence. pp. 417-445, Addison-Wesley, Reading, MA, 1994.
• [6] Sroczan E.: Zastosowanie systemu IT do optymalizacji kosztów zasilania energią elektryczną. Rynek Energii 2008, nr 1
• [7] Trojanowski K.: Metaheurystyki praktycznie. Wydanie 2, poprawione. Wyższa Szkoła Informatyki Stosowanej i Zarządzania, Warszawa 2008.