Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: analiza skupisk

Sortuj według:

Ogranicz wyniki do:

Next day electric load curve forecasting using k-means clustering

Dudek G.

Rynek Energii

2011

nr 1

143-149

Accurate models for electric power load forecasting are essential to the operation and planning for the electric industry. They have many applications including energy purchasing, generation, distribution, and contract evaluation. This paper proposes the methods of short-term load forecasting using the k-means clustering. Two approaches are presented based on the similarity of the load sequence patterns. In the first one, each cluster is created from two preprocessed sequences of load time series: one preceding the forecast moment and the forecasted one. In the forecast procedure only the first part is presented to the model. The second forecasted part is reconstructed from the cluster closest to the first part. In the second approach both sequences are divided into clusters independently. After clustering the empirical probabilities that the forecasted sequence is associated to cluster j when the corresponding input sequence is associated to cluster i are calculated. The forecasted sequence for the new input sequence is formed from cluster centroids using these conditional probabilities. The suitability of the proposed approaches is illustrated through an application to real load data.

W tym artykule proponuje się metody prognozowania krótkoterminowego oparte na klasteryzacji k-średnich. Zaprezentowano dwa podejścia wykorzystujące podobieństwo obrazów sekwencji szeregu czasowego obciążeń. W pierwszym podejściu, każdy klaster tworzony jest z dwóch przetworzonych sekwencji szeregu czasowego obciążeń: poprzedzającej moment prognozy i prognozowanej. W procedurze prognostycznej tylko pierwsza sekwencja jest prezentowana na wejście modelu. Druga sekwencja, prognozowana, rekonstruowana jest z klastera najbliższego do sekwencji pierwszej. W drugim podejściu obie sekwencje dzielone są na grupy niezależnie. Po fazie grupowania wyznacza się empiryczne prawdopodobieństwa, że prognozowana sekwencja należy do grupy j, pod warunkiem, że odpowiadająca jej sekwencja poprzedzająca należy do grupy i. Sekwencja prognozowana dla sekwencji wejściowej formowana jest z centroidów klasterów, przy użyciu tych warunkowych prawdopodobieństw. Skuteczność proponowanych metod zilustrowano przykładami prognoz wykonanych na rzeczywistych danych.