A comparison of the neural gas and self organizing map methods for next day load curve forecasting

• Autorzy: Dudek G.

Warianty tytułu

PL

Porównanie metod gazu neuronowego i samoorganizującego się odwzorowania w prognozowaniu krzywej obciążenia dobowego

• Języki publikacji: EN

Abstrakty

EN

Both the neural gas and self organizing map clustering methods are used in the short-term load forecasting. Two approaches, based on the similarity of the load sequence patterns, are presented in the paper. Patterns preceding the forecast moment and the patterns of forecast, which are concatenated and then divided into clusters, are used in the first model. 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.

PL

Gaz neuronowy i samoorganizujące się odwzorowanie jako metod grupowania użyto do krótkoterminowego prognozowania obciążeń elektroenergetycznych. Zaprezentowano dwa podejścia oparte na podobieństwie obrazów sekwencji obciążeń. Pierwszy model używa obrazów poprzedzających moment prognozy i obrazów prognoz, które są połączone i pogrupowane. W drugim podejściu obliczane są empiryczne prawdopodobieństwa, że obraz prognozy należy do grupy j gdy skojarzony z nim obraz wejściowy należy do grupy i. Prawdopodobieństwa te wykorzystuje się do konstrukcji prognozy.

Słowa kluczowe

EN

short-term load forecasting; neural gas; self-organizing map

PL

prognozowanie krótkoterminowe obciążeń; gaz neuronowy; samoorganizujące się odwzorowanie

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2009
• Tom: R. 85, nr 3
• Strony: 153--156
• Opis fizyczny: Bibliogr. 16 poz., tab., wykr.

Twórcy

autor

Dudek G.

• Czestochowa University of Technology

Bibliografia

• [1] Engle R.F., Mustafa C., Rice J., Modeling peak electricity demand, Journal of Forecasting, 11 (1992), 241-251
• [2] Gross G., Galiana F.D., Short-term load forecasting, Proc. IEEE, 75 (1987), n.12, 1558-1573
• [3] Metaxiotis K., Kagiannas A., Askounis D., Psarras J., Artificial intelligence in short term load forecasting: a state-of-the-art survey for the researcher, Energy Conversion and Management, 44 (2003), 1525-1534
• [4] Dudek G., Regression tree as a forecasting tool, Proc. of the National Conference on Forecasting in Power Engineering PE’04 (2004), 99-105 (in Polish)
• [5] Dudek G., Application of hierarchical clustering methods to the daily electrical load profile forecasting, Przegląd Elektrotechniczny, 82 (2006), No.9, 9-11 (in Polish)
• [6] Pai P.-F., Hong W.-C., Support vector machines with simulated annealing algorithms in electricity load forecasting, Energy Conversion and Management, 46 (2005), 2669-2688
• [7] Dobrzańska I., Hausdorff dimension as a tool of step prediction, Badania Operacyjne i Decyzje, 2 (1991), 31-62 (in Polish).
• [8] Łyp J., Methodology of the Electric Load Analysis and Forecasting for the Local Power Systems, Ph.D. Dissertation, Dept. Elect. Eng., Czestochowa University of Technology (2003) (in Polish)
• [9] Popławski T., Dąsal K., Canonical distribution in short-term load forecasting, in: Szkutnik, J., Kolcun, M. (Eds.), Technical and Economic Aspect of Modern Technology Transfer in Context of Integration with European Union, Mercury-Smekal Pub House, Kosice, (2004), 147-153
• [10] Dudek G., Artificial immune system for short-term electric load forecasting, Lecture Notes in Artificial Intelligence (in print)
• [11] Kohonen T., Self-organization and associative memory, Springer Verlag (1989)
• [12] 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, 4 (1993), No.4, 558-569
• [13] Dudek G., Data preprocessing in similarity-based methods of short-term load forecasting, Przegląd Elektrotechniczny, 82 (2006), No.9, 15-19 (in Polish).
• [14] Dudek G, Short-term load forecasting using fuzzy clustering and genetic algorithms, Final report of the grant no. 3T10B02329, Dept. Elect. Eng., Czestochowa University of Technology (2006) (unpublished, in Polish)
• [15] Malko J., Mikołajczyk H., Skorupski W., Problems of short-term hourly load modeling accuracy with use layered neural networks, Proc. of the Conference on Forecasting in Power Engineering PE’96 (1996), 69-75 (in Polish)
• [16] Lendasse A., Verleysen M., de Bodt E., Cottrell M., Gregoire P., Forecasting time-series by Kohonen Classification, Proc. of the European Symposium on Artificial Neural Networks (1998), 221-226