Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: modele prognostyczne oparte na podobieństwie

Sortuj według:

Ogranicz wyniki do:

Analiza modelu krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych opartego na klasteryzacji rozmytej

Dudek G.

Badania Operacyjne i Decyzje

2007

nr 2

15-34

Zaprezentowano model krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych oparty na rozmytej klasteryzacji, który można zaliczyć do klasy modeli opartych na podobieństwie. Modele te bazują na założeniu, że jeśli obrazy sekwencji szeregów czasowych są do siebie podobne, to skojarzone z nimi obrazy prognoz również są do siebie podobne. Oznacza to, że obrazy sąsiednich sekwencji pozostają ze sobą w pewnej relacji, która nie zmienia się znacząco w czasie. Zależnie od charakteru szeregu czasowego i jego właściwości, relację tę, jak i stopień podobieństwa, można kształtować za pomocą definicji obrazów, funkcji przynależności, defuzyfikacji i miary odległości pomiędzy obrazami. Do budowy modeli prognostycznych wykorzystano cztery rodzaje funkcji przynależności optymalizując ich parametry. Zbadano empirycznie działanie modelu przy różnych miarach odległości pomiędzy obrazami. Zbadano wrażliwość modelu na szerokość funkcji przynależności. Analizowano odporność modelu na zaszumione i brakujące dane oraz działanie przy różnych definicjach zbiorów referencyjnych. Badania pozwoliły sformułować kilka wniosków na temat jakości i odporności modelu.

A model of the short-term power system load forecasting based on fuzzy clustering is presented. It can be classified as similarity-based models relying on the assumption that if patterns of the time series sequences are similar, then the forecast patterns associated with them are also similar. This means that the patterns of the neighboring sequences are in some relation to each other which does not change significantly with time. Depending on the character and properties of the time series, this relation as well as similarity degree can be shaped with the help of definitions of patterns, membership and defuzzification functions, and the distance measure between patterns. Four types of the membership functions with optimized parameters were used in the model construction. The model performance with the various distance measures between patterns was empirically examined. The model sensitivity to the membership function width was analyzed. The model resistance to the noisy and missing data and the model performance with the various definitions of the reference sets were analyzed. The tests allow to formulate some conclusions on the model quality and resistance.