Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: electrical load forecast

Sortuj według:

Ogranicz wyniki do:

Metody selekcji cech diagnostycznych w prognozowaniu obciążeń energetycznych

Ciechulski T.

Logistyka

2015

nr 3

728--736, CD 1

Praca dotyczy porównania metod selekcji cech diagnostycznych w prognozowaniu zapotrzebowania na energię elektryczną w małym systemie elektroenergetycznym w Polsce. W symulacji brały udział sieci neuronowe typu MLP, RBF i SVM, które zostały zaimplementowane w środowisku MATLAB. Do badań użyty został przedział czasowy obejmujący 729 dni. Spośród nich, 500 dni zostało przeznaczonych do zbioru danych uczących, pozostałe zaś przydzielono do zbioru danych testujących. Oprócz danych zużycia energii elektrycznej, włączone do analizy zostały również dane dotyczące typu dnia, pory roku oraz atmosferyczne zawierające wartości temperatury i prędkości wiatru. Symulacje zostały przeprowadzone w czterech etapach. W etapie pierwszym użyto całego zbioru dostępnych danych wejściowych, tzn. bez selekcji, co stanowi bazę porównawczą dla dalszych etapów. W etapie drugim użyto metodę selekcji cech bazującą na liniowej regresji krokowej. W etapie trzecim użyta została selekcja cech z zastosowaniem algorytmu genetycznego. W etapie czwartym użyto metodę selekcji cech za pomocą zespołu drzew decyzyjnych czyli lasu losowego.

The paper compares methods of the input attribute selection for electrical load forecasting in a small power system in Poland. Three neural networks were used in the simulations: MLP, RBF and SVM implemented in the MATLAB computing environment. Forecasted period covers 729 days. 500 days were used as a training set and other 229 days as a test set. Except of the electrical load data, the day type bit, the season bits and the weather data such as values of temperature and wind speed were added to the analysis. The simulations were carried out in four stages. In the first one the whole data set without the selection was used in the forecast. It is done for the comparison to the other stages of simulations. In the second stage, the stepwise regression was used for the selection of the most important input attributes. In the third stage for the selection, genetic algorithm was used. In the fourth stage, the random forest was used as the selection method. The results of the simulations were shown in the last chapter of the article. The comparison of results has shown different influence of the selection methods to the improvement of prediction accuracy.