Wyniki wyszukiwania - BazTech

1

Modele wygładzania wykładniczego do krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych

Dudek G.

Rynek Energii

|

2013

|

Nr 3

14--19

PL

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.

EN

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.

2

Modele arima do krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych

Dudek G.

Rynek Energii

|

2012

|

Nr 2

94--98

PL

Przedstawiono jednowymiarowe modele autoregresji i średniej ruchomej do sporządzania krótkoterminowych prognoz zapotrzebowania na moc. Szeregi czasowe obciążeń wykazują trend oraz trzy okresy wahań sezonowych: roczny, tygodniowy i dobowy, co komplikuje budowę modelu prognostycznego. W celu uproszczenia zadania szereg czasowych poddano dekompozycji stosując dwa podejścia. Pierwsze polega na wydzieleniu odrębnych szeregów dla każdej godziny doby. Drugie podejście wykorzystuje regresję lokalną (LOESS) do dekompozycji szeregu na trend, składową sezonową i błąd. Niestacjonarny charakter szeregów zdekomponowanych wymusza zastosowania zintegrowanego modelu ARMA. Dokładność proponowanych metod porównano na przykładach aplikacyjnych z dokładnością modelu opartego na sieci neuronowej.

EN

Univariate autoregressive moving average models for short-term load forecasting are presented. Load time series show a trend and three seasonal patterns: annual, weekly and daily, which complicate the forecasting model construction. To simplify the forecasting problem time series were decomposed using two approaches. The first one consists in the decomposition a time series into separate series for each hour of a day. The second approach uses a local regression (LOESS) to decompose series into trend, seasonal component and error. Nonstationarity of the decomposed time series requires using an integrated ARMA model. The accuracy of the proposed methods were compared on application examples with an accuracy of the model based on neural network.

3

Prognozowanie dobowych przebiegów zapotrzebowania na moc metodami analizy skupień

Dudek G.

Rynek Energii

|

2011

|

nr 2

73-78

PL

Przedstawiono modele do sporządzania krótkoterminowych prognoz zapotrzebowania na moc wykorzystujące metody analizy skupień. Zaprezentowano dwa podejścia oparte na grupowaniu obrazów sekwencji szeregu czasowego za-potrzebowania. 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 obliczane są empiryczne prawdopodobieństwa, że prognozowana sekwencja na-leży do grupy j, pod warunkiem, że odpowiadająca jej sekwencja poprzedzająca należy do grupy i. Sekwencja prognozo-wana formowana jest ze środków klasterów, przy użyciu tych warunkowych prawdopodobieństw. Zastosowano kilka metod grupowania danych - metodę k-średnich w wersji ostrej i rozmytej, sieć Kohonena, gaz neuronowy oraz grupowanie hierarchiczne. Skuteczność proponowanych metod zilustrowano przykładami prognoz wykonanych na rzeczywistych danych.

EN

Several models to the short-term load forecasting based on cluster analysis are presented. Two approaches using grouping of the load sequence patterns, are described. The patterns preceding the forecast moment and the patterns of forecast, which are concatenated and then divided into clusters, are used in the first approach. The pattern preceding the forecast moment is presented to the model, and then the forecasted pattern is reconstructed from the nearest cluster mean. The empirical probabilities, that the forecast pattern is associated to cluster j while the corresponding input pattern is associated to cluster i, are computed and applied to the forecast construction in the second approach. Several clustering methods are used - crisp and fuzzy k-means methods, Kohonen network, neural gas and hierarchical clustering. The suitability of the proposed approaches is illustrated through an application to real load data.