PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 4

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  przewidywanie obciążenia
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote Deep Bi-Directional LSTM Networks for Device Workload Forecasting
Ruta Dymitr, Cen Ling, Vu Quang Hieu
Annals of Computer Science and Information Systems
|
2020
|
Vol. 21
115--118
EN
Deep convolutional neural networks revolutionized the area of automated objects detection from images. Can the same be achieved in the domain of time series forecasting? Can one build a universal deep network that once trained on the past would be able to deliver accurate predictions reaching deep into the future for any even most diverse time series? This work is a first step in an attempt to address such a challenge in the context of a FEDCSIS'2020 Competition dedicated to network device workload prediction based on their historical time series data. We have developed and pre-trained a universal 3-layer bi-directional Long-Short-Term-Memory (LSTM) regression network that reported the most accurate hourly predictions of the weekly workload time series from the thousands of different network devices with diverse shape and seasonality profiles. We will also show how intuitive human-led post-processing of the raw LSTM predictions could easily destroy the generalization abilities of such prediction model.
2
Content available remote The Effect of System Characteristics on Very-Short-Term Load Forecasting
Katzir L., Loewenstern Y., Shmilovitz D.
Przegląd Elektrotechniczny
|
2015
|
R. 91, nr 11
119-123
EN
The rise of the Smart Grid and Microgrid concepts require load demand control at short lead times, at a resolution of minutes, leading to the need for Very Short Term Load Forecasting (VSTLF). This study builds upon previous research of load forecast and investigates the relationship between system characteristics and the achievable of VSTLF accuracy. The results presented here are based on study and simulated forecasting of three years’ worth of real load data obtained from the New York Independent System Operator (NYISO).
PL
Koncepcje Sieci Inteligentnych oraz MicroSieci wymagają sterowania z krótkim czasem wyprzedzania, rzędu minut, co prowadzi do zapotrzebowania na Bardzo Krótko Terminowe Przewidywanie Obciążenia (ang.: Very Short Term Load Forecasting - VSTLF). Przedstawione badnia są kontynuacją poprzednich nad przewidywaniem obciążenia i dotyczą związku między cechami systemu i osiągalną dokładnością VSTLF. Przedstawione wyniki są oparte na badaniu oraz na modelowaniu trzyletniego przewidywania obciążenia rzeczywistego, na podstawie danych otrzymanych od New York Independent System Operator (NYISO).
3
Content available remote Mid-long-Term Regional Load Forecasting based on Cenzus X12-SARIMA Model
Qiao Z.-J., Li F.-I., Li Y.
Przegląd Elektrotechniczny
|
2013
|
R. 89, nr 1b
224--227
EN
Regional power load time series has obviously trend circulation and seasonal cycle etc characteristics. In addition, using Census X12, such time series can be decomposed into trend circulation element, season element, irregular element etc. The paper attempts to establish a Census X12-SARIMA season adjustment model for mid-long-term regional power load analysis and prediction.Through empirical test for 92 months power load of Guangzhou and Suzhou area, 12 monthly power load from 2011.9 to 2012.8 was predicted. The results proved that Census X12SARIMA model is effective in mid-long-term regional power load analysis and prediction.
PL
W artykule podjęto próbę dopasowania modelu energetycznego Census X12-SARIMA na potrzeby średnio-okresowych analiz i predykcji obciążenia energetycznego. Na podstawie testów empirycznych, opartych na danych z 92 miesięcy obciążenia energetycznego regionów Guangshou i Suzhou, stworzony został 12 miesięczny profil– 09.2011-08.2012. Wyniki dowodzą ze Census X12-SARIMA jest efektywny w analizie średnio-okresowej.
4
Content available remote LS-SVM model for electrical load prediction based on incremental training set update
Stojanović M., Božić M., Stajić Z., Milošević M.
Przegląd Elektrotechniczny
|
2013
|
R. 89, nr 4
194-198
EN
In this paper a forecasting model based on an incremental update scheme is proposed for the hourly load demand of the next day, using least square support vector machines (LS-SVM). The model is based on historical daily load demands in combination with calendar and climate features. The presented model was tested on real-life load data and the results show that the proposed approach can, by catching the evolving nature of the load pattern and dynamically updating the training set with new instances, lead to significant improvements in the accuracy of load forecasts.
PL
W artykule opisano opracowany model przyrostowy do przewidywania godzinowego zapotrzebowania na energię elektryczną na dzień następny, w którym wykorzystano maszynę wektorów pomocniczych LS-SVM. Proponowany model bazuje na wcześniejszych danych, dotyczących zapotrzebowania dziennego w połączeniu z analizą kalendarza i warunków klimatycznych. Badania eksperymentalne na rzeczywistych danych pozwala na skuteczne przewidywanie obciążenia energetycznego.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.