Neuro-fuzzy approach to the next day load curve forecasting

• Autorzy: Dudek G.

Warianty tytułu

PL

Sieć neuronowo-rozmyta do prognozowania dobowej krzywej obciążenia z jednodobowym wyprzedzeniem

• Języki publikacji: EN

Abstrakty

EN

An adaptive neuro-fuzzy inference system ANFIS is used to the short-term load forecasting. ANFIS combines the comprehensibility of fuzzy rules and the adaptability and self-learning algorithms of neural networks. The model maps the input pattern of the sequence of the historical hourly load time series to the component of the next sequence. Input space is divided on fuzzy sets by fuzzy c-means clustering. The most informative input variables are determined using deterministic variable selection algorithms. Individual models are constructed for each day type and hour of the day. The method is applied to several load forecasting problems.

PL

Adaptacyjny neuronowo-rozmyty system wnioskujący ANFIS zastosowano do prognozowania krótkoterminowego obciążeń systemów elektroenergetycznych. ANFIS łączy czytelność reguł rozmytych i adaptacyjność samouczących się sieci neuronowych. Model odwzorowuje obraz wejściowy sekwencji historycznego godzinowego szeregu czasowego obciążeń na składową obrazu następnej sekwencji. Przestrzeń wejściowa jest dzielona na zbiory rozmyte przy użyciu rozmytej metody c-średnich. Zmienne wejściowe niosące najwięcej informacji wyznaczane są za pomocą deterministycznych algorytmów selekcji zmiennych. Odrębne modele są tworzone dla każdego typu dnia i godziny doby. Metodę zastosowano do kilku problemów prognozowania obciążeń.

Słowa kluczowe

EN

short-term load forecasting; neuro-fuzzy network; adaptive network based fuzzy; inference system

PL

prognozowanie krótkoterminowe obciążeń; sieć neuronowo-rozmyta; adaptacyjny sieciowy rozmyty system wnioskowania

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2011
• Tom: R. 87, nr 2
• Strony: 61--64
• Opis fizyczny: bibliogr. 10 poz., rys. 3,

Twórcy

autor

Dudek G.

• Czestochowa University of Technology,

Bibliografia

• [1] Jang J.-S.R., ANFIS: Adaptive-Network-Based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics, 23 (1993), n.3, 665-685
• [2] Abraham A., Neuro Fuzzy Systems: State-of-the-Art Modeling Techniques, Lecture Notes in Computer Science, 2084 (2001), 269-276
• [3] Łęski J., Czogała E., A New Artificial Neural Network Based Fuzzy Inference System with Moving Consequents in IfThen Rules, BUSEFAL, 71 (1997), 72-81
• [4] Bakirtzis A. G. et al., Short Term Load Forecasting using Fuzzy Neural Networks, IEEE Transactions Power Systems, 10 (1995), 1518-1524
• [5] Ling S.H. et al., Short-Term Electric Load Forecasting Based on a Neural Fuzzy Network, IEEE Transactions on Industrial Electronics, 50 (2003), n.6, 1305-1316
• [6] Popławski T., Application of the Takagi-Sugeno (TS) Fuzzy Logic Model for Load Curves Prediction in the Local Power System, in: IIIrd International Scientific Symposium Elektroenergetika 2005, Stara Lesna Slovak Republic
• [7] Theodoridis S., Koutroumbas K., Pattern Recognition, Elsevier Academic Press 2003
• [8] Dudek G., Short-Term Load Forecasting using Fuzzy Clustering and Genetic Algorithms, Final report of the Polish State Committee for Scientific Research founded grant no. 3T10B02329. Dept. Elect. Eng., Częstochowa University of Technology 2006 (unpublished, in Polish)
• [9] Dudek G., Similarity-Based Approaches to Short-Term Load Forecasting, in Forecasting Models: Methods and Applications, pp. 161-178, iConcept Press 2010
• [10] Dudek G., Tournament Searching Method to Feature Selection Problem, in: Rutkowski L., Tadeusiewicz R., Zadeh L., Zurada J. (eds): Lecture Notes in Artificial Intelligence, Springer, Proceedings of the 10th International Conference on Artificial Intelligence and Soft Computing ICAISC 2010, (in print).