Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych

• Autorzy: Ciechulski T. , Osowski S.

Identyfikatory

DOI

10.15199/48.2018.09.26

Warianty tytułu

EN

The neural method applied for 24-hour load forecasting for the next day in National Power System in Poland

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia neuronową metodę prognozowania 24-godzinnego zapotrzebowania na moc elektryczną w Krajowym Systemie Elektroenergetycznym w Polsce z wyprzedzeniem dobowym. W predykcji zastosowano zespół sieci neuronowych złożony z RBF, MLP i SVM. Wskazania każdego członka zespołu podlegają integracji tworząc końcową prognozę zapotrzebowani na moc dla kolejnych 24 godzin następnego dnia. Metoda została przetestowana na danych rzeczywistych Krajowego Systemu Elektroenergetycznego wykazując znaczną przewagę nad pojedynczymi rozwiązaniami neuronowymi.

EN

The paper shows the neural method applied for 24-hour load forecasting for the next day in National Power System in Poland. Three neural networks: RBF, MLP and SVM arranged in an ensemble were used for predicting hourly load demands in the power system. Their individual predictions have been integrated into final forecast. The method was tested on the real data of Polish Power System, proving its effectiveness and significant improvement in accuracy.

Słowa kluczowe

PL

prognozowanie obciążeń; krajowy system elektroenergetyczny; zespół sieci neuronowych; integracja zespołu

EN

load forecasting; national electric power system; ensemble of neural networks; integration of ensemble

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2018
• Tom: R. 94, nr 9
• Strony: 108--112
• Opis fizyczny: Bibliogr. 11 poz., tys., tab., wykr.

Twórcy

autor

Ciechulski T.

• Wojskowa Akademia Techniczna, Instytut Systemów Elektronicznych, Zakład Systemów Informacyjno-Pomiarowych, ul. gen. Witolda Urbanowicza 2, 00-908 Warszawa

autor

Osowski S.

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno- Pomiarowych, Zakład Elektrotechniki Teoretycznej i Informatyki Stosowanej, ul. Koszykowa 75, 00-662 Warszawa
• Wojskowa Akademia Techniczna, Instytut Systemów Elektronicznych, Zakład Systemów Informacyjno-Pomiarowych, ul. gen. Witolda Urbanowicza 2, 00-908 Warszawa

Bibliografia

• [1] Ciechulski T., Osowski S., Local dynamic integration of ensemble of predictors in load forecasting, Przegląd Elektrotechniczny, nr 10/2017, ss. 57-59
• [2] Paparoditis E., Sapatinas T., Short-term loaf forecasting: the similar shape functional time-series predictor, IEEE Transactions on Power Systems, vol. 28, no. 4, ss. 3818-3825, 2013
• [3] Marzeck i J., Metody prognozowania obciążeń terenowych stacji SN/nn, Przegląd Elektrotechniczny, nr 4/2017, ss. 26-29
• [4] Lin C.J., Chang C.C., Libsvm: a library for support vector machines, https://www.csie.ntu.edu.tw/~cjlin/libsvm
• [5] MathWorks , Matlab manual user’s guide, Natick, 2018
• [6] Osowski S., Siwek K., Szupiluk R., Ensemble neural network approach for accurate load forecasting in the power system, Applied Mathematics and Computer Science, 2009, vol. 19, No. 2, ss. 303-313
• [7] Polskie Sieci Elektroenergetyczne, https://www.pse.pl
• [8] Wan H., Load forecasting via deep neural network, Procedia Computer Science, 2017, vol. 122, ss. 308-314
• [9] Shah S., Nagaraja H. N., Chakravorty J., Short term load forecasting model for UGVCL, MGVCL, DGVCL and PGVCL using ANN, International Journal of Recent Trends in Electrical & Electronics Eng., 2017, vol. 5, pp. 21-30.
• [10] Tan P.N., Steinbach M., Kumar V., Introduction to Data Mining, 2006, Pearson Education Inc., Boston.
• [11] Kuncheva L., Combining Pattern Classifiers: Methods and Algorithms, 2004, Wiley, New York.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).