Trend elimination of time series of 24-hour load demand in the power system and its application in power forecasting power system and its application in power forecasting

• Autorzy: Siwek K. , Osowski S. , Świderski B.

Warianty tytułu

PL

Usuwanie różnego rodzaju trendów występujących w szeregu czasowym odpowiadającym obciążeniom godzinnym w systemie elektroenergetycznym

• Języki publikacji: EN

Abstrakty

EN

The paper is concerned with the elimination of different trends existing in the time series representing the hourly power consumption in the power system of smali size. Analysing the hourly need for the power in such system we can observe significant trends associated with the season of the year, type of the day. as well as the particular hour of the day. At prediction task the variability of the time series is of great importance. The lower in this variability the belfer is the accuracy of prediction. In the paper we will present the method of reducing this variability by removing such trends. The eltmnation of trends is performed in few phases. The first step is to determine the index corresponding to the regular jth day of the weak for j = 1, 2, ..., 7 and also type of such day. After this first step of detrending of the time series we follow the second and third aiming at removing the trend coresponding to the particular hour h of the day (n=t, 2 ....o 24) and then the seasonality trend. characterizing the succeeding day of the year (d=t, 2, ..., 365). All detrending operations are done by using the appropriately defined indexes. After application of all these steps we get the final detrended time series corresponding to all days under consideration (o=t, 2 ..... p). The detrended time series is of much lower variance than the original one, This means the significant simplification of the forecasting problem and increase of probability of achieving belfer accuracy of forecasting results. The experiments of prediction of such detrended time series for smali power region of Łódz performed using two types of neural predictors (MLP and SVM) have proved the superiority of such approach.

PL

Praca dotyczy usuwania różnego rodzaju trendów występujących w szeregu czasowym odpowiadającym obciążeniom godzinnym w systemie elektroenergetycznym. Zwykły szereg czasowy charakteryzujący pobór mocy. zwłaszcza w małym systemie elektroenergetycznym, charakteryzuje się występowaniem trendu związanego z charakterystycznymi cechami danego dnia tygodnia, sezonem oraz godziną doby. Wielkości te występują w miarę regularnie i istnieje możliwość ich znacznego złagodzenia. Usunięcie tych trendów powoduje istotne zmniejszenie różnic obciążeń występujących z godziny na godzinę. Oznacza to zmniejszenie zmienności analizowanego szeregu i w efekcie zwiększenie dokładności jego predykcji w procesie prognozowania obciążeń na nowy dzień. Praca dotyczy aspektu usuwania trendów różnego rodzaju poprzez wprowadzenie tzw. indeksów normalizacyjnych. Pokażemy. że zastosowane podejście pozwala na istotne zmniejszenie odchylenia standardowego odniesionego do wartości średniej obciążenia. Dzięki temu możliwe jest uzyskanie lepszej dokładności predykcji szeregu czasowego. Eksperymenty numeryczne przeprowadzone na danych z Łódzkiego systemu elektroenergetycznego potwierdziły. że istotnej redukcji ulega przede wszystkim błąd maksymalny.

Słowa kluczowe

EN

time series; power system; trend removal; forecasting; neural networks

PL

szereg czasowy; system elektroenergetyczny; usuwanie trendu; prognozowanie; sieci neuronowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2011
• Tom: R. 87, nr 3
• Strony: 249--253
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Siwek K.

autor

Osowski S.

autor

Świderski B.

• Warsaw University of Technology,

Bibliografia

• [1] Box G. E,. Jenkins G. M, Time series analysis - forecasting and control, San Francisco, Holden-Day, (1976)
• [2] Gonzalez-Romera, E., Jaramillo-Moran, M. A., Carmona-Fernandez D.: Monthly electric energy demand forecasting based on trend extraction. IEEE Trans. Power Systems, 21, (2006), 1946-1953
• [3] Hayk n, S.: Neural networks, a comprehensive foundation. Macmillan, N. Y. (2002)
• [4] Koehler A., Snyder R., Ord J. K., Forecasting models and prediction intervals fort he multiplicative Holt-Winters method, Int. J. Forecasting, 17 (2001), 269-286
• [5] Osowski S., Siwek K., Szupiluk R., Ensemble Neural Network Approach for Accurate Load Forecasting in the Power System, Applied Mathematics and Computer Science, 19 (2009), NO.2, 303-345
• [6] Matlab user manual, MathWorks, Natick, (2008)
• [7] Osowski, S., Siwek, K.: Regularization of neural networks for load forecasting in power system. IEE Proc. GTD, 149, (2002), 340-345
• [8] Osowski S., Sieci neuronowe SVM w zastosowaniu do problemów regresji, Przegląd Elektrotechniczny, 2002, vol. 78, No 9, ss. 225-229
• [9] Schölkopf, B., Smola, A.: Learning with Kerneis. Cambridge, MA: MIT Press (2002)