Analiza skuteczności algorytmów PSO w szacowaniu jakości prognoz godzinowego zapotrzebowania na energię elektryczną wybranych grup odbiorców

• Autorzy: Baczyński D. , Piotrowski P.

Warianty tytułu

EN

PSO Algorithm Efficiency Analysis in Quality Estimation of Electric Energy Hourly Demand Forecast of Selected Consumers Groups

• Języki publikacji: PL

Abstrakty

PL

W tekście przedstawiono opis opracowanej metody szacowania jakości prognoz godzinowego zapotrzebowania na energię elektryczną wybranych grup odbiorców. Metoda pozwala oszacować poziom błędu prognoz dla różnych horyzontów prognoz (1, 2, 7, 14 oraz 21 dni naprzód) na podstawie informacji o danych statystycznych odbiorców. Optymalizacja parametrów metody szacowania wykonana została kilkoma metodami, w tym przy wykorzystaniu algorytmu optymalizacji rojem cząstek (PSO). Wykonano analizę porównawczą uzyskanych wyników. Sformułowano wnioski końcowe.

EN

The paper presents description of worked out method of estimating hourly demand electric energy forecasts quality for chosen consumer groups. The method allows to estimate the error level for various horizons of forecasts (1, 2, 7, 14 and 21 days ahead) based on information about consumers statistical data. Parameters optimization was performed using different methods including particle swarm optimization algorithm (PSO). The final conclusions have been presented.

Słowa kluczowe

PL

prognozowanie krótkoterminowe; szacowanie jakości prognoz; optymalizacja rojem cząstek

EN

short term forecasting; estimating of forecasts quality; particle swarm optimization (PSO)

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2012
• Tom: R. 88, nr 11a
• Strony: 25--29
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Baczyński D.

autor

Piotrowski P.

• Politechnika Warszawska, Instytut Elektroenergetyki, ul. Koszykowa 75, 00-662 Warszawa,

Bibliografia

• [1] Baczyński D., Parol M.: Short-term electric energy consumption forecasting using artificial neural networks aided by evolutionary algorithms, Przegląd Elektrotechniczny, 3/2009, s.204-207
• [2] Baczyński D., Zastosowanie algorytmu optymalizacji rojem cząstek w procesie uczenia sztucznej sieci neuronowej w prognozowaniu krótkoterminowym, Rynek Energii, nr 4/2010, s. 52-56, ISSN 1425-5960.
• [3] Del Valle Y. et al ., Particle Swarm Optimization: Basic Concepts, Variants and Applications in Power Systems, IEEE Transactions on Evolutionary Computation, vol. 12, no. 2, april 2008, str. 171-195.
• [4] Dobrzańska I., Dąsal K., Łyp J., Popławski T., Sowiński J.: Prognozowanie w elektroenergetyce. Zagadnienia wybrane. Wydawnictwo Politechniki Częstochowskiej, Częstochowa (2002)
• [5] Helt P., Parol M., Piotrowski P.: Metody sztucznej inteligencji w elektroenergetyce, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa (2000)
• [6] Piotrowski P.: “The optimum selection of data for forecasts of demand on electric energy consumption for different time horizons”, 2nd International Youth Conference on Energetics (2009), Budapeszt 4-6 czerwca 2009
• [7] Piotrowski P.: „Analiza skuteczności wybranych algorytmów uczących sieci neuronowych typu MLP w zadaniu prognozowania krótkoterminowego zapotrzebowania na energię elektryczną na potrzeby spółek dystrybucyjnych”, Śląskie Wiadomości Elektryczne, (2011), nr.1, str.18-24
• [8] Piotrowski P.: „Prognozowanie krótkoterminowe godzinowych obciążeń w spółce dystrybucyjnej z wykorzystaniem sieci neuronowych – analiza wpływu doboru i przetworzenia danych na jakość prognoz”, Przegląd Elektrotechniczny , R.83, (2007), nr.7-8, str.40-43
• [9] Piotrowski P.: Metoda szacowania jakości prognoz godzinowego zapotrzebowania na energię elektryczną wybranych grup odbiorców dla różnych horyzontów czasowych na podstawie analizy danych statystycznych, Śląskie Wiadomości Elektryczne nr.4/2011, str.12-16
• [10] Riccardo P., Analysis of the Publications on the Applications of Particle Swarm Optimisation, Journal of Artificial Evolution and Applications, vol. 2008, Article ID 685175, 10 pages, 2008. doi:10.1155/2008/685175.
• [11] Trojanowski K . , Metaheurystyki praktycznie, Wydanie 2, poprawione, Wyższa Szkoła Informatyki Stosowanej i Zarządzania, Warszawa 2008.
• [12] Cieślak M.: Metody analizy i prognozowania, PWN, Warszawa 1992.