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

• Autorzy: Siwek K. , Osowski S.

Warianty tytułu

EN

Prognosing of 24-hour load in a power system with the use of neural network ensemble

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono 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

Presented is the neural network predictors ensemble to forecast 24-load pattern for the next day in a power system. Applied are four different structures of neural networks – they consist of MLP, SVM, Elman and Kohonen networks. The values of power consumption for 24 hours one day ahead, 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 real data taken from the Polish Power System.

Słowa kluczowe

PL

sieci neuronowe; prognozowanie; zapotrzebowanie na moc

EN

neural networks; prognosing; power demand

• Wydawca: Oficyna Wydawnicza Energia [Stowarzyszenie Elektryków Polskich - COSiW]
• Czasopismo: Energetyka
• Rocznik: 2009
• Tom: nr 8
• Strony: 540--544
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Siwek K.

autor

Osowski S.

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych

Bibliografia

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