Prognozowanie dobowych przebiegów zapotrzebowania na moc metodami analizy skupień

• Autorzy: Dudek G.

Warianty tytułu

EN

Forecasting of the daily load curves using cluster analysis methods

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono modele do sporządzania krótkoterminowych prognoz zapotrzebowania na moc wykorzystujące metody analizy skupień. Zaprezentowano dwa podejścia oparte na grupowaniu obrazów sekwencji szeregu czasowego za-potrzebowania. W pierwszym podejściu, każdy klaster tworzony jest z dwóch przetworzonych sekwencji szeregu czasowego obciążeń: poprzedzającej moment prognozy i prognozowanej. W procedurze prognostycznej tylko pierwsza sekwencja jest prezentowana na wejście modelu. Druga sekwencja, prognozowana, rekonstruowana jest z klastera najbliższego do sekwencji pierwszej. W drugim podejściu obliczane są empiryczne prawdopodobieństwa, że prognozowana sekwencja na-leży do grupy j, pod warunkiem, że odpowiadająca jej sekwencja poprzedzająca należy do grupy i. Sekwencja prognozo-wana formowana jest ze środków klasterów, przy użyciu tych warunkowych prawdopodobieństw. Zastosowano kilka metod grupowania danych - metodę k-średnich w wersji ostrej i rozmytej, sieć Kohonena, gaz neuronowy oraz grupowanie hierarchiczne. Skuteczność proponowanych metod zilustrowano przykładami prognoz wykonanych na rzeczywistych danych.

EN

Several models to the short-term load forecasting based on cluster analysis are presented. Two approaches using grouping of the load sequence patterns, are described. The patterns preceding the forecast moment and the patterns of forecast, which are concatenated and then divided into clusters, are used in the first approach. The pattern preceding the forecast moment is presented to the model, and then the forecasted pattern is reconstructed from the nearest cluster mean. The empirical probabilities, that the forecast pattern is associated to cluster j while the corresponding input pattern is associated to cluster i, are computed and applied to the forecast construction in the second approach. Several clustering methods are used - crisp and fuzzy k-means methods, Kohonen network, neural gas and hierarchical clustering. The suitability of the proposed approaches is illustrated through an application to real load data.

Słowa kluczowe

PL

krótkoterminowe prognozowanie zapotrzebowania na moc elektryczną; analiza skupień; metody oparte na podobieństwie

EN

short-term load forecasting; cluster analysis; similarity-based methods

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2011
• Tom: nr 2
• Strony: 73--78
• Opis fizyczny: Bibliogr. 7 poz., rys.

Twórcy

autor

Dudek G.

• Politechnika Częstochowska, Instytut Elektroenergetyki,

Bibliografia

• [1] Bezdek J. C.: Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, New York 1981.
• [2] Dudek G.: Artificial immune system for short-term electric load forecasting. Proc. 9th International Conference on Artificial Intelligence and Soft Computing ICAISC’08, LNAI 5097, pp. 1007-1017, 2008.
• [3] Dudek G.: Przetwarzanie danych w opartych na podobieństwie metodach prognozowania przebiegów dobowych zapotrzebowania na moc elektryczną. Przegląd Elektrotechniczny, r. 82, nr 9, str. 15-19, 2006.
• [4] Dudek G.: Similarity-based approaches to short-term load forecasting. In: Forecasting Models: Methods and Applications. iConcept Press, pp. 161-178, 2010.
• [5] Jajuga K.: Statystyczna teoria rozpoznawania obrazów. PWN, Warszawa 1990.
• [6] Kohonen T.: Self-Organizing Maps. Springer 2001.
• [7] Martinetz T.M., Berkovich S.G., Schulten K.J.: “Neural-Gas” Network for Vector Quantization and its Application to Time-Series Prediction. IEEE Transactions on Neural Networks, Vol. 4, No.4, pp. 558-569, 1993.