Analiza modelu krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych opartego na klasteryzacji rozmytej

• Autorzy: Dudek G.

Warianty tytułu

EN

The analysis of the short-term power system load forecasting model based on the fuzzy clustering

• Języki publikacji: PL

Abstrakty

PL

Zaprezentowano model krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych oparty na rozmytej klasteryzacji, który można zaliczyć do klasy modeli opartych na podobieństwie. Modele te bazują na założeniu, że jeśli obrazy sekwencji szeregów czasowych są do siebie podobne, to skojarzone z nimi obrazy prognoz również są do siebie podobne. Oznacza to, że obrazy sąsiednich sekwencji pozostają ze sobą w pewnej relacji, która nie zmienia się znacząco w czasie. Zależnie od charakteru szeregu czasowego i jego właściwości, relację tę, jak i stopień podobieństwa, można kształtować za pomocą definicji obrazów, funkcji przynależności, defuzyfikacji i miary odległości pomiędzy obrazami. Do budowy modeli prognostycznych wykorzystano cztery rodzaje funkcji przynależności optymalizując ich parametry. Zbadano empirycznie działanie modelu przy różnych miarach odległości pomiędzy obrazami. Zbadano wrażliwość modelu na szerokość funkcji przynależności. Analizowano odporność modelu na zaszumione i brakujące dane oraz działanie przy różnych definicjach zbiorów referencyjnych. Badania pozwoliły sformułować kilka wniosków na temat jakości i odporności modelu.

EN

A model of the short-term power system load forecasting based on fuzzy clustering is presented. It can be classified as similarity-based models relying on the assumption that if patterns of the time series sequences are similar, then the forecast patterns associated with them are also similar. This means that the patterns of the neighboring sequences are in some relation to each other which does not change significantly with time. Depending on the character and properties of the time series, this relation as well as similarity degree can be shaped with the help of definitions of patterns, membership and defuzzification functions, and the distance measure between patterns. Four types of the membership functions with optimized parameters were used in the model construction. The model performance with the various distance measures between patterns was empirically examined. The model sensitivity to the membership function width was analyzed. The model resistance to the noisy and missing data and the model performance with the various definitions of the reference sets were analyzed. The tests allow to formulate some conclusions on the model quality and resistance.

Słowa kluczowe

PL

prognozowanie krótkoterminowe obciążeń systemów elektroenergetycznych; klasteryzacja rozmyta; modele prognostyczne oparte na podobieństwie

EN

short-term load forecasting; fuzzy clustering; similarity-based forecasting models

• Wydawca: Oficyna Wydawnicza Politechniki Wrocławskiej
• Czasopismo: Badania Operacyjne i Decyzje
• Rocznik: 2007
• Tom: nr 2
• Strony: 15--34
• Opis fizyczny: Bibliogr. 29 poz., rys.

Twórcy

autor

Dudek G.

• Instytut Elektroenergetyki, Wydział Elektryczny, Politechnika Częstochowska, al. Armii Krajowej 17, 42-200 Częstochowa,

Bibliografia

• [1] BAUMANN T., GERMOND A., Application of the Kohonen network to short-term load forecasting,Proceedings of the Second International Forum on Application of Neural Networks to Power Systems,1993, s. 407–412.
• [2] BEZDEK J. C., Pattern recognition with fuzzy objective function algorithms, Plenum Press, New York 1981.
• [3] CIEŚLAK M. (red.), Nieklasyczne metody prognozowania, PWN, Warszawa 1983.
• [4] DOBRZAŃSKA I., Wymiar Hausdorffa jako narzędzie predykcji krokowej, Badania Operacyjne i Decyzje,1991, nr 2, s. 31–62.
• [5] DUDEK G., Drzewo regresyjne jako narzędzie prognostyczne, Mat. konf. „Prognozowanie w Elektroenergetyce PE’2004”, Częstochowa 2004, s. 99–105.
• [6] DUDEK G., Krótkoterminowe prognozowanie obciążenia systemu elektroenergetycznego z zastosowaniem sieci neuronowych o radialnych funkcjach bazowych, Mat. konf. „Prognozowanie w Elektroenergetyce PE’2000”, 2000, s. 59–68.
• [7] DUDEK G., Krótkoterminowe prognozowanie obciążeń systemów elektroenergetycznych z zastosowaniem klasteryzacji rozmytej i algorytmów genetycznych, Sprawozdanie merytoryczne z projektu badawczego nr 3 T10B 023 29. Politechnika Częstochowska, Częstochowa 2006 (praca niepublikowana).
• [8] DUDEK G., Krótkoterminowe prognozowanie zapotrzebowania na moc elektryczną metodą klasteryzacji rozmytej, Przegląd Elektrotechniczny, 2006, r. 82, nr 9, s. 26–28.
• [9] DUDEK G., Przetwarzanie danych w opartych na podobieństwie metodach prognozowania przebiegów dobowych zapotrzebowania na moc elektryczną, Przegląd Elektrotechniczny, 2006, r. 82, nr 9,s. 15–19.
• [10] DUDEK G., Sporządzanie dobowych prognoz obciążenia systemu elektroenergetycznego przy użyciu sieci neuronowych – problemy wyboru struktury i uczenia sieci, Mat. konf. „Algorytmy Ewolucyjne i Optymalizacja Globalna”, Lądek Zdrój 2000, s. 59–66,
• [11] DUDEK G., Wybrane metody analizy szeregów czasowych obciążeń elektroenergetycznych, Mat. konf. „Prognozowanie w Elektroenergetyce PE’2004”, 2004, s. 116–125.
• [12] DUDEK G., Zastosowanie hierarchicznych metod grupowania do prognozowania dobowych charakterystyk obciążeń elektroenergetycznych, Przegląd Elektrotechniczny, 2006, r. 82, nr 9, s. 9–11.
• [13] DUDEK G., Zastosowanie sieci neuronowej Hecht–Nielsena do krótkoterminowej predykcji obciążeń systemu elektroenergetycznego, Mat. konf. „Aktualne Problemy w Elektroenergetyce APE’97”,1997, t. 4, s. 65–72.
• [14] GROSS G., GALIANA F.D., Short-term load forecasting, Proc. IEEE, 1987, Vol. 75, No. 12, s. 1558–1573.
• [15] HÖPPNER F., KLAWONN F., KRUSE R., RUNKLER T., Fuzzy cluster analysis, Wiley, Chichester 1999.
• [16] JAJUGA K., Statystyczna teoria rozpoznawania obrazów, PWN, Warszawa 1990.
• [17] KIM K. i in., Implementation of hybrid short-term load forecasting system using artificial neural networks and fuzzy expert systems, IEEE Trans Power Syst, 1995, Vol. 10, No. 3, s. 603–610.
• [18] KODOGIANNIS V.S., ANAGNOSTAKIS E.M., Soft computing based techniques for short-term load forecasting, Fuzzy Sets and Systems, 2002, Nol. 128, s. 413–426.
• [19] LAGARIAS J.C., REEDS J.A., WRIGHT M.H., WRIGHT P.E., Convergence properties of the Nelder-Mead Simplex method in low dimensions, SIAM Journal of Optimization, 1998, Vol. 9, No. 1, s. 112–147.
• [20] LENDASSE A. i in., Prediction of electric load using Kohonen maps – application to the Polish electricity consumption, Proceedings of the American Control Conference, Anchorage 2002, s. 3684–3689.
• [21] LIU T.-C., LI R-K., A new ART-counterpropagation neural network for solving a forecasting problem, Expert Systems with Applications, 2005, Vol. 28, s. 21–27.
• [22] ŁYP J., Metodyka analizy i prognozy obciążeń elektroenergetycznych systemów lokalnych, praca doktorska, Politechnika Częstochowska. Częstochowa 2000.
• [23] MALKO J., MIKOŁAJCZYK H., SKORUPSKI W., Progress in employment of neural network for Power system load forecasting, Mat. konf. „Neural Networks and Their Applications”, 1996, t. 1, s. 317–323.
• [24] METAXIOTIS K. i in., Artificial intelligence in short term load forecasting: a state-of-the-art survey for the researcher, Energy Conversion and Management, 2003, Vol. 44, s. 1525–1534.
• [25] OSOWSKI S., SIWEK K., KĄDZIELAWA A., Neural network approach to load forecasting, Mat. konf. „Neural Networks and Their Applications”, 1996, t. 1, s. 355–360.
• [26] POPŁAWSKI T., DĄSAL K., Canonical distribution in short-term load forecasting [w:] Technical and economic aspect of modern technology transfer in context of integration with European Union, Kosice 2004, s. 147–153.
• [27] POPŁAWSKI T., Application of the Takagi-Sugeno (TS) fuzzy logic model for load curves prediction in the local power system, III-rd International Scientific Symposium “Elektroenergetika”, Stara Lesna, Slovak Republic 2005.
• [28] RAHMAN S., HAZIM O., A generalized knowledge-based short term load forecasting technique, IEEE Trans Power Syst, 1993, Vol. 8, No. 2, s. 508–514.
• [29] RANAWEERA D., HUBELE N., KARADY G., Fuzzy logic for short term load forecasting, Electr. Power Energ. Syst., 1995, Vol. 18, No. 4, s. 215–222.