Tytuł artykułu
Autorzy
Identyfikatory
Warianty tytułu
Exponential smoothing models for short-term load forecasting
Języki publikacji
Abstrakty
Przedstawiono modele wygładzania wykładniczego do sporządzania krótkoterminowych prognoz zapotrzebowania na moc. Szeregi czasowe obciążeń charakteryzują się wieloma wahaniami sezonowymi, co komplikuje model prognostyczny. W celu uproszczenia problemu szeregi czasowe zdekomponowano na m szeregów obciążeń w tych samych chwilach doby, co pozwoliło zastosować model wygładzania wykładniczego z pojedynczą sezonowością. Inny rodzaj dekompozycji z wykorzystaniem regresji lokalnej (LOESS) umożliwia użycie modelu o mniejszej złożoności bez składnika sezonowego. Zastosowanie modelu Holta-Wintersa z podwójną sezonowością zwalnia z potrzeby dekompozycji szeregu czasowego. Dokładność proponowanych metod porównano na przykładach aplikacyjnych z dokładnością modeli ARIMA i modelu opartego na sieci neuronowej.
Exponential smoothing models for short-term load forecasting are presented. Load time series show many seasonal patterns which complicate the forecasting model construction. To simplify the problem the load time series were decomposed into m subseries for each hour of a day, which allowed the use of exponential smoothing model with a single seasonality. Another type of decomposition using local regression (LOESS) enables the use of a model with less complexity with no seasonal component. Application of the Holt-Winters model with double seasonality does not require decomposition of the time series. The accuracy of the proposed methods were compared on application examples with an accuracy of the ARIMA models and the model based on neural network.
Wydawca
Czasopismo
Rocznik
Tom
Strony
14--19
Opis fizyczny
Bibliogr. 8 poz., rys.
Twórcy
Bibliografia
- [1] Dudek G.: Systemy uczące się oparte na podobieństwie obrazów do prognozowania szeregów czasowych obciążeń elektroenergetycznych. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2012.
- [2] Hyndman R.J., Koehler A.B., Ord J.K., Snyder R.D.: Forecasting with Exponential Smoothing: The State Space Approach. Springer, 2008.
- [3] Taylor J.W.: A Comparison of Univariate Methods for Forecasting Electricity Demand Up to a Day Ahead. International Journal of Forecasting, 22, pp. 1-16, 2006.
- [4] Ord J.K., Koehler A.B., Snyder R.D.: Estimation and Prediction for a Class of Dynamic Nonlinear Statistical Models. Journal of the American Statistical Association, 92, pp. 1621-1629, 1997.
- [5] Cleveland R.B., Cleveland W.S., McRae J.E., Terpenning I.: STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics, 6(1), pp. 3-73, 1990.
- [6] Hyndman R.J., Khandakar Y.: Automatic Time Series Forecasting: The Forecast Package for R. Journal of Statistical Software, 27(3), 2008.
- [7] Dudek G.: Modele ARIMA do krótkoterminowego prognozowania obciążeń systemów elektroenerge-tycznych. Rynek Energii, 2(99), s. 94-98, 2012.
- [8] Dudek G.: Forecasting Time Series with Multiple Seasonal Cycles using Neural Networks with Local Learning. In: Artificial Intelligence and Soft Computing, LNCS, Springer, ICAISC 2013 (in print).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-d5fe006d-c182-451c-ac79-a5f4f908ce79