Short-term electric energy consumption forecasting using artificial neural networks aided by evolutionary algorithms

• Autorzy: Baczyński D. , Parol M.

Warianty tytułu

PL

Prognozowanie krótkoterminowe zużycia energii elektrycznej przy użyciu sztucznych sieci neuronowych wspomaganych przez algorytmy ewolucyjne

• Języki publikacji: EN

Abstrakty

EN

Ones of the most accurate short-term electric energy consumption forecasting methods are those, which are based on an artificial neural network (ANN) technique. Quality of an ANN learning and testing process has been investigated. Evolutionary algorithm (EA) has been utilised to aid artificial neural network in operation, i.e. to learn ANN, determine proper neural network topology, choose optimal learning rules for ANN. Computational experiments have been executed on the test problems. Operation efficiency comparison of both methods, i.e. ANN and ANN aided by EA, have been presented.

PL

Sztuczne sieci neuronowe (ANN) są jedną z najdokładniejszych metod prognozowania krótkoterminowego zapotrzebowania na energię elektryczną. Zbadano jakość procesu uczenia i testowania ANN. Do wspomagania działania sztucznej sieci neuronowej, tj. do uczenia ANN, określania odpowiedniej topologii sieci neuronowej oraz wyboru właściwych reguł uczenia, wykorzystano algorytm ewolucyjny (AE). Przeprowadzono eksperymenty obliczeniowe na danych testowych. Porównano i zaprezentowano sprawność działania obu metod, tj. klasycznych sztucznych sieci neuronowych oraz sztucznych sieci neuronowych wspomaganych przez algorytmy ewolucyjne.

Słowa kluczowe

EN

short-term forecasting; electric energy consumption; artificial neural networks; evolutionary algorithms

PL

prognozowanie krótkoterminowe; zużycie energii elektrycznej; sztuczne sieci neuronowe; algorytmy ewolucyjne

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2009
• Tom: R. 85, nr 3
• Strony: 204--207
• Opis fizyczny: Bibliogr. 17 poz., wykr.

Twórcy

autor

Baczyński D.

autor

Parol M.

• Warsaw University of Technology, Institute of Electrical Power Engineering,

Bibliografia

• [1] Hippert H. S., Pedreira C. E., Souza R. C.: Neural networks for short-term load forecasting: a review and evaluation. IEEE Transactions on Power Systems, 16 (2001), no. 1, 44-55
• [2] Papadakis S. E., Theocharis J. B., Kiartizis S.J., Bakirtizis A. G.: A novel approach to short-term load forecasting using fuzzy neural networks. IEEE Transactions on Power Systems, 13 (1998), no. 2, 480-492
• [3] Gundin D. A., Garcia C., Gomez E., Dimitriadis Y. A., Vega G.: Short-term load forecasting for industrial customers using FasArt and FasBack neuro-fuzzy systems. Proceedings of the 14 th PSCC, Sevilla, 24-28 June, 2002
• [4] Cottrell M., Girard B., Rousset P.: Forecasting of curves using a Kohonen classification. Journal of Forecasting, 17 (1999), 429-439
• [5] Vermaak J., Botha E. C.: Recurrent neural networks for short-term load forecasting. IEEE Transactions on Power Systems, 13 (1998), no. 1, 126-132
• [6] Hecht-Nielsen R.: Neurocomputing. Addison-Wesley, Reading, MA, 1990
• [7] Hertz J., Krogh A., Palmer R.G.: Introduction to the theory of neural computation. Addison-Wesley, Reading, MA, 1991
• [8] Vapnik V. N.: Principle of risk minimization for learning theory. J. Moody, S. Hanson and R. Lippmann (Eds.), “NIPS4”, San Mateo, Morgan Kaufmann, 1992, 831-838
• [9] Baczynski D., Parol M.: Influence of artificial neural network structure on quality of short-term electric energy consumption forecast. IEE Proceedings – Generation, Transmission and Distribution, 15 (2004), no. 2, 241-245
• [10] Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte (Neural networks, genetic algorithms and fuzzy systems). PWN, Warszawa-Łódź, 1997
• [11] Michalewicz Z.: Genetic Algorithms + Data Structures = Evolution Programs. Springer Verlag, 1998
• [12] Fogel D. B., Fogel L. J., Porto V. W.: Evolving neural networks. Biological Cybernetics, 63 (1990), 487-493
• [13] Montana D. J., Davis L.: Training feedforward neural networks using genetic algorithms. Proceedings of Eleventh International Joint Conference on Artificial Intelligence, San Mateo, CA, Morgan Kaufmann, 1989, 762-767
• [14] Yao X.: A review of evolutionary artificial neural networks. International Journal of Intelligent Systems, 1993, 539-567
• [15] Masters T.: Practical neural network recipes in C++. Boston, Academic Press, 1993
• [16] Schaffer J. D., Caruana R. A., Eshelman L. J.: Using genetic search to exploit the emergent behaviour of neural networks. S. Forrest (Ed.) Emergent Computation, Amsterdam, North Holland, 1990, 244-248
• [17] Chalmers D. J.: The evolution of learning: an experiment in genetic connectionism. Proceedings of the 1990 Connectionism Models Summer School, D. S. Touretsky, J. L. Elman, T. J. Sejnowski, G. E. Hinton, (Eds.), CA, San Mateo, Morgan Kaufmann, 1990, 81-90