Zastosowanie sieci neuronowych Kohonena do prognozowania obciążeń elektroenergetycznych

• Autorzy: Ciechulski T. , Osowski S.

Identyfikatory

DOI

10.15199/48.2016.10.48

Warianty tytułu

EN

The application of self-organizing methods in Kohonen network for prediction of the profiles of load in a small power system

• Języki publikacji: PL

Abstrakty

PL

Praca przedstawia analizę zastosowania różnych algorytmów uczących Kohonena w prognozowaniu profili obciążeń w małym systemie elektroenergetycznym w Polsce. W badaniach numerycznych, przeprowadzonych w środowisku programistycznym MATLAB, wzięły udział algorytmy WTA, CWTA, gaussowski WTM oraz algorytm gazu neuronowego WTM. Prognozowanie przeprowadzane zostało na podstawie uśrednionych wag neuronów zwyciężających w przeszłości dla danego typu dnia tygodnia.

EN

The paper shows the application of self-organizing methods in Kohonen network for prediction of the profiles of load in a small power system in Poland. Four learning methods were used: WTA, CWTA, Gaussian WTM and neural gas. The prediction of power consumption has been limited to the profile of load. The vector profile prognosis is equal to the average of vectors of the winning neurons in the appropriate days of the week and month.

Słowa kluczowe

PL

prognozowanie obciążeń; sieci neuronowe Kohonena

EN

electric load forecast; neural Kohonen network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2016
• Tom: R. 92, nr 10
• Strony: 209--213
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wykr.

Twórcy

autor

Ciechulski T.

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

autor

Osowski S.

• Wojskowa Akademia Techniczna, Instytut Systemów Elektronicznych, Zakład Systemów Informacyjno-Pomiarowych, ul. Kaliskiego 2, 00-908 Warszawa
• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno- Pomiarowych, ul. Koszykowa 75, 00-661 Warszawa

Bibliografia

• [1] T. Ciechulski, S. Osowski S, Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sieci neuronowych SVM, RBF i MLP, Przegląd Elektrotechniczny 2014, nr 8, pp. 148- 151.
• [2] P. Demartines, F. Blayo, Kohonen self-organizing maps: is the normalization necessary?, Complex Systems 6 (1992), pp. 105-123.
• [3] A. Lendasse, M. Cottrell, V. Wertz, M. Verleysen, Prediction of electric load using Kohonen maps – application to the Polish Electricity Consumption, Proceedings of the American Control Conference, Anchorage, 2002, pp. 3684-3689.
• [4] MathWorks, Matlab manual user’s guide, Mathworks, Natick, 2014.
• [5] S. Osowski, Sieci neuronowe do przetwarzania informacji, OWPW, Warszawa 2006.
• [6] S. Osowski, K. Siwek, The self-organizing neural network approach to load forecasting in the power system, 1999. IJCNN '99 Conference, Washington, pp. 3401-3404.
• [7] A. Sorjamaa, J. Hao, N. Reyhani, Y. Li, A. Lendasse, Methodology for long-term prediction of time series, Neurocomputing, vol. 70, 2007, pp. 2861-2869.
• [8] T. Ciechulski, S. Osowski, Ocena wpływu wyodrębnienia składowej stałej na jakość prognozy obciążeń elektroenergetycznych, Przegląd Elektrotechniczny, R. 91, Nr 10/2015, pp. 197-200.
• [9] G. Simon, A. Lendasse, M. Cottrell, M. Verleysen, Long-term time series forecasting using self-organizing maps: the double vector quantization method, Proc. ANNPR'2003-Artificial Neural Networks in Pattern Recognition, 2003, pp. 8-14
• [10] M. Martin-Merino, J. Roman, Electricity load forecasting using self organizing maps, Proc. ICANN, 2006, pp. 709-716.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.