Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sieci neuronowych SVM, RBF i MLP

• Autorzy: Ciechulski T. , Osowski S.

Warianty tytułu

EN

Comparison of three methods of load forecasting in a small power system based on neural networks

• Języki publikacji: PL

Abstrakty

PL

W pracy porównane zostały metody predykcji obciążeń w małym systemie elektroenergetycznym w Polsce, bazujące na wykorzystaniu jako modeli predykcyjnych sieci neuronowych SVM, RBF i MLP. Symulacje sieci neuronowych zostały przeprowadzone w środowisku MATLAB z uwzględnieniem dwóch zadań prognozy: z wyprzedzeniem jedno i 24–godzinnym.

EN

This paper compares three methods of load forecasting in a small power system in Poland. The solution is based on application of the SVM, RBF and MLP neural networks. The simulations of neural networks performed in MATLAB were conducted for two tasks of prognosis: one hour ahead and 24–hour ahead. The results have been compared to the naïve prognoses.

Słowa kluczowe

PL

predykcja obciążenia; eksploracja danych; sieć neuronowa; system elektroenergetyczny

EN

load forecasting; data mining; neural network; electric power system

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2014
• Tom: R. 90, nr 8
• Strony: 148--151
• Opis fizyczny: Bibliogr. 10 poz., wykr.

Twórcy

autor

Ciechulski T.

• Wojskowa Akademia Techniczna, Instytut Systemów Elektronicznych, Zakład Systemów Informacyjno-Pomiarowych, ul. Kaliskiego 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, 00-661 Warszawa

Bibliografia

• [1] T. Ciechulski: Data clusterization in application to the analysis of load distribution in small power system, 5th AFCEA Student Conference SECON 2013.
• [2] H.S. Hippert, C.E. Pereira, R.C. Souza, Neural networks for short-term load forecasting: a review and evaluation, IEEE Trans. on Power Systems, 2001, vol. 16, pp. 44-55.
• [3] N. Kandil, R. Wamkeue, M. Saad, S. Georges, An efficient approach for short term load forecasting using artificial neural networks, Electrical Power and Energy Systems, vol. 28, 2006, pp. 525-530.
• [4] Z. Kowalski: Podstawy prognozowania el-energetycznego, Łódź 1980.
• [5] P. Mandal, T. Senjyu, N. Urasaki, T. Funabashi, A neural network based several hours ahead electric load forecasting using similar days approach, Electrical Power and Energy Systems, vol. 28, 2006, pp. 367-373.
• [6] Matlab manual, user’s guide, MathWorks, Natick, 2002.
• [7] S. Osowski, K. Siwek: The Self-organizing Neural Network Approach to Load Forecasting in the Power System, Neural Networks, 1999. IJCNN '99.
• [8] S. Osowski: Metody i narzędzia eksploracji danych, BTC 2013.
• [9] K. Siwek, S. Osowski: Regularization of neural networks for improved load forecasting in power system, Electronics, Circuits and Systems, 2001. ICECS 2001.
• [10] 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.