Prognozowanie obciążeń 24-godzinnych w systemie elektroenergetycznym z użyciem zespołu sieci neuronowych

• Autorzy: Siwek K. , Osowski S.

Warianty tytułu

EN

The ensemble of neural network predictors to forecast the 24-hour load pattern for the next day in the power system

• Języki publikacji: PL

Abstrakty

PL

Praca przedstawia zastosowanie zespołu sieci neuronowych w prognozowaniu zapotrzebowania 24-godzinnego na energię elektryczną w systemie elektroenergetycznym. Autorzy proponują zastosowanie wielu predyktorów neuronowych działających równolegle na tych samych danych wejściowych. Prognozy poszczególnych sieci są integrowane w jedną prognozę szeregu 24 wartości odpowiadających 24 godzinom doby z wyprzedzeniem jednodniowym. Zaproponowano i przebadano dwa różne warianty metod integracji porównując wyniki z prognozami wykonanymi przy zastosowaniu pojedynczego predyktora.

EN

The paper presents the ensemble of neural network predictors to forecast the 24-hour load pattern for the next day in the power system. Four different structures of neural networks have been applied. They include MLP, SVM, Elman and Kohonen networks. The values of power consumption of 24 hours of the day, predicted by using individual predictors are combined together using either blind source separation or principal component analysis combined with neural integrator. The developed system of prediction was tested on the real data of the Polish Power System.

Słowa kluczowe

PL

sieć neuronowa; obciążenie elektryczne; fuzja danych

EN

power system operational condition; neural network; data fusion

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2009
• Tom: R. 85, nr 8
• Strony: 28--32
• Opis fizyczny: Bibliogr. 17 poz., tab.

Twórcy

autor

Siwek K.

autor

Osowski S.

• Politechnika Warszawska,

Bibliografia

• [1] Cichocki, A., Amari S.I.: Adaptive blind signal and image processing. Wiley (2003)
• [2] M. Cottrell, B. Girard, Y. Girard, C. Muller, P. Rousset, Daily electrical power curve: classification and forecasting using a Kohonen map, IWANN, Malaga, 1995, pp. 1107-1113
• [3] K. Diamantras, S.Y. Kung, Principal component neural networks, Wiley, 1996, New York
• [4] J.N. Fidalgo, J. Pecas Lopez, Load forecasting performance enhancement when facing anomalous events, IEEE Trans. Power Systems, 2005, vol. 20pp. 408-415
• [5] E. Gonzalez-Romera, M.A. Jaramillo-Moran, D. Carmona-Fernandez, Monthly electric energy demand forecasting based on trend extraction, IEEE Trans. Power Systems,. 2006, vol. 21 pp. 1946-1953
• [6] S. Haykin, Neural networks a comprehensive foundation, Macmillan, 2002, New York
• [7] H.S. Hippert, C.E. Pedreira, R.C. Souza, Neural networks for short-term load forecasting: a review and evaluation, IEEE Trans, on Power Systems, 2001, vol. 16, pp. 44-55
• [8] N. Kandil, R. Wamkeue, M. Saad, S. Georges, An efficient approach for short term load forecasting using artificial neural networks, Electrical Power and Energy Systems, 2006 vol 28 pp. 525-530
• [9] T. Kohonen, Self-organizing maps, 1995, Springer, Berlin
• [10] L. Kuntcheva, Combining pattern classifiers - methods and algorithms, Wiley, 2004, New Jersey
• [11] P. Mandal, T. Senjyu, N. Urasaki, T. Funabashi, A neural network based several hours ahead electric load forecasting using similar days approach, Electrical Power and Energy Systems, 2006, vol 28, pp. 367-373
• [12] Matlab, Neural network toolbox, User manual, Matlab Series, Natick, USA, 2004
• [13] S. Osowski Sieci neuronowe do przetwarzania informacji, OWPW, 2007
• [14] S. Osowski, K. Siwek, The self-organizing neural network approach to load forecasting in power system, Int. Joint Conf. on Neural Networks, Washington, 1999, pp. 1345-1348
• [15] S. Osowski, K. Siwek, Regularization of neural networks for load forecasting in power system, IEE Proc. GTD, 2002, vol. 149, pp. 340-345
• [16] B. Scholkopf, A. Smola, Learning with Kernels, 2002, Cambridge, MA: MIT Press,
• [17] T. Yalcinoz, U. Eminoglu, Short term and medium term power distribution load forecasting by neural networks, Energy Conversion and Management, 2005, vol. 46, pp. 1393-1405