PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników
Powiadomienia systemowe
  • Sesja wygasła!
  • Sesja wygasła!
  • Sesja wygasła!

Znaleziono wyników: 21

Liczba wyników na stronie
first rewind previous Strona / 2 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  short-term load forecasting
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 2 next fast forward last
1
Content available Loadability maximisation in bilateral network for real-time forecasting system using cuckoo search algorithm
Venkatasivanagaraju S., Rao M. Venkateswara
Computer Assisted Methods in Engineering and Science
|
2023
|
Vol. 30, no. 1
73--88
EN
This manuscript proposes an optimal power flow (OPF) solution in a coordinated bilateralpower network. The primary goal of this project is to maximise the benefits of the powermarket using Newton–Raphson (NR) and cuckoo search algorithm CSA methodologies.The global solution is found using a CSA-based optimisation approach. The study isconducted on real-time bus system. To avoid this, creative techniques have lately beenused to handle the OPF problem, such as loadability maximisation for real-time predictionsystems employing the CSA. In this work, cuckoo search (CS) is used to optimise theobtained parameters that help to minimise parameters in the predecessor and consequentunits of each sub-model. The proposed approach is used to estimate the power load in thelocal area. The constructed models show excellent predicting performance based on derivedperformance. The results confirm the method’s validity. The outcomes are compared withthose obtained by using the NR method. CSA outperformed the other methods in thisinvestigation and gave more accurate predictions. The OPF problem is solved via CSAin this study. Implementing a real-time data case bus system is recommended to test theperformance of the established method in the MATLAB programme.
2
Content available remote Temperatura powietrza jako dodatkowa zmienna egzogeniczna w krótkoterminowym prognozowaniu modelem ANFIS obciążeń w podsystemie elektroenergetycznym
Sowiński Janusz
Przegląd Elektrotechniczny
|
2021
|
R. 97, nr 1
178--181
PL
Obciążenia elektryczne charakteryzują się zmiennością roczną, tygodniową i dobową. Ten typ krzywych, charakteryzujący się dobowym podobieństwem obciążeń, jest odpowiedni do prognozowania przy użyciu Adaptive Neuro-Fuzzy Inference System (model ANFIS). Badano wpływ doboru zmiennych na dokładność procesu prognozowania. Szczególną uwagę zwrócono na uwzględnienie dodatkowej zmiennej - temperatury powietrza.
EN
The electric loads are characterized by annual, weekly and daily variability. This type of curves, in the form of daily load similarity, is suitable for forecasting using the Adaptive Neuro-Fuzzy Inference System (ANFIS model). The influence of variable selection on the accuracy of the forecasting process has been tested. Special attention is paid to taking into consideration an additional variable – air temperature.
3
Content available remote Temperature correction method for pattern similarity-based short-term electricity demand forecasting models
Janicki M
Przegląd Elektrotechniczny
|
2017
|
R. 93, nr 3
11--14
EN
In this paper, a temperature extension of pattern similarity-based (PSB) short-term load forecasting models is proposed. Different variants of these models were recently thoroughly described in literature, though focus was placed on univariate-type ones. Proposed method introduces correction of temperature bias into the model. PSB model with proposed correction is examined on several datasets illustrating power systems with various demand characteristics. Different variants of method are investigated to evaluate its influence on forecasting performance of the model.
PL
W pracy przedstawiono temperaturowe rozszerzenie modeli prognostycznych opartych na podobieństwie obrazów. Proponowana metoda wprowadza do modeli korekcję uwzględniającą wpływ temperatury na zapotrzebowanie na energię. Działanie różnych wariantów przedstawionej korekcji jest badane na zbiorach danych pochodzących z różnych systemów energetycznych.
4
Content available remote Stochastic optimization algorithms for learning GRNN forecasting model – comparative study
Dudek G.
Przegląd Elektrotechniczny
|
2017
|
R. 93, nr 4
66--69
EN
This paper presents stochastic optimization algorithms for learning Generalized Regression Neural Network which is used as a patternbased short-term load forecasting model. For adjustment of the model parameters four types of stochastic optimization methods are used: evolution strategies, differential evolution, particle swarm optimization and tournament searching. The learning effectiveness when using these four algorithms is compared on real power system load data.
PL
W artykule zaprezentowano stochastyczne algorytmy uczenia sieci neuronowej regresji uogólnionej, która pełni funkcję modelu krótkoterminowego prognozowania obciążeń elektroenergetycznych. Do strojenia parametrów modelu użyto czterech metod optymalizacji stochastycznej: strategii ewolucyjnych, ewolucji różnicowej, optymalizacji rojem cząstek i przeszukiwania turniejowego. Efektywność tych metod w uczeniu sieci porównano w badaniach symulacyjnych przy użyciu rzeczywistych danych.
5
Content available remote Nearest neighbour model with weather inputs for pattern-based electricity demand forecasting
Dudek G., Janicki M.
Przegląd Elektrotechniczny
|
2017
|
R. 93, nr 3
7--10
EN
A nearest neighbour model with exogenous variables representing weather factors for electricity demand forecasting in short horizons is proposed. Weather factors are included into the k-nearest neighbours regression model as forecast pattern contexts. Similarities between contexts affect the weights assigned to the patterns in the regression model. The proposed model is examined in several forecasting problems with different levels of influence of weather factors on the demand. For strong influence the forecast results are improved due to incorporation of weather inputs.
PL
Zaproponowano model najbliższych sąsiadów ze zmiennymi egzogenicznymi reprezentującymi czynniki pogodowe do krótkoterminowego prognozowania zapotrzebowania mocy. Czynniki pogodowe wprowadzone są do modelu regresji k-najbliższych sąsiadów jako konteksty obrazów prognoz. Podobieństwa pomiędzy kontekstami wpływają na wagi obrazów w modelu regresyjnym. W badaniach symulacyjnych obserwuje się poprawę rezultatów dzięki wprowadzeniu kontekstów, gdy wpływ czynników pogodowych na zapotrzebowanie jest istotny.
6
Content available remote Methods of weather variables introduction into short-term electric load forecasting models - a review
Janicki M.
Przegląd Elektrotechniczny
|
2017
|
R. 93, nr 4
70--73
EN
Short-term load forecasting (STLF) is a problem of noticeable significance for operation of power systems. Wide range of methodologies for STLF is given in the literature – univariate models as well as multivariate ones (mostly extended with weather variables). This paper is an attempt to categorize various approaches of introducing exogenous variables into models. Different classifications of this aspect are created and described in an effort to demonstrate the problem from various perspectives. Finally, the advantages and disadvantages of reviewed solutions are discussed.
PL
Krótkoterminowe prognozowanie obciążeń jest istotnym elementem działania systemów elektroenergetycznych. W literaturze opisane zostało szerokie spektrum metod – modele zarówno jedno- jak i wielowymiarowe (najczęściej używające zmiennych pogodowych). W pracy podjęto próbę przeglądu metod prognozowania pod kątem sposobu w jaki korzystają one ze zmiennych egzogenicznych. Przedstawiono klasyfikacje dla tych metod opisujące problem z różnych perspektyw.
7
Content available remote Prognozowanie krótkoterminowe obciążeń systemów elektroenergetycznych z wykorzystaniem rozmytych drzew regresyjnych
Dudek G.
Przegląd Elektrotechniczny
|
2014
|
R. 90, nr 4
108--111
PL
Przedstawiono model prognostyczny oparty na drzewie regresyjnym z rozmytymi węzłami do sporządzania krótkoterminowych prognoz obciążeń systemów elektroenergetycznych. Model operuje na obrazach cykli dobowych szeregów czasowych obciążeń. Odpowiedź modelu wyznaczana jest jako średnia z wartości zapisanych w liściach drzewa ważonych iloczynami stopni przynależności obrazu wejściowego do poszczególnych gałęzi na jego drodze do liści. Parametry nachylenia funkcji przynależności optymalizuje się metodą przeszukiwania turniejowego. Działanie modelu zilustrowano przykładem i porównano z działaniem innych modeli.
EN
Short-term load forecasting model based on the regression tree with fuzzy nodes are presented. The model operates on the patterns of the load time series daily cycles. The response of the model is calculated as the mean of the values stored in the tree leaves weighted by the product of the membership degrees of the input pattern to branches on its way to the leaves. The slope parameters of membership functions are optimized using the tournament searching method. The performance of the model is illustrated on the example and compared with other models.
8
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.
9
Content available remote Short Term Load Forecasting Based on WLS-SVR and TGARCH Error Correction Model in Smart Grid
Hou L., Yang S., Wang X., Shen J.
Przegląd Elektrotechniczny
|
2013
|
R. 89, nr 3b
170--175
EN
Smart grid is the main development goal of future power grid while the short-term load forecasting is the significant premise of making management, power supply and trading plan in market circumstance. The forecasting accuracy directly determined the safety and economy of electric system. Support Vector Machines (SVM), as the new machine learning method, has applied successfully to short-termed load forecasting. However, research finds out that the singular points of the initial data have impact on forecasting accuracy. So in this paper, firstly, based on the analysis of SVM, we render Weighted Least Square and Support Vector Regression (WLS-SVR) applying to short-termed load forecasting, which overcomes the disadvantage of singular points. Secondly, we offer Threshold Generalized Autoregressive Conditional Heteroskedasticity (TGARCH) model to construct error prediction model to modify the initial predicted value. Finally, according to the PJM historical data, we get the results showing that the accuracy is greatly improving by implementing our methods which makes our methods founded.
PL
W artykule przedstawiono model przewidywania krótkookresowego obciążenia sieci elektroenergetycznej. W proponowanym rozwiązaniu wykorzystano metodę SVM (ang. Support Vector Machine). W celu eliminacji istniejącego wpływu wartości syngularnych na dokładność wyniku, zastosowano regresję ze średnią ważoną. Dodatkowo wykorzystano model TGARCH w określaniu błędów predykcji. Przedstawiono wyniki badań weryfikacyjnych, przeprowadzonych na rzeczywistych danych.
10
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.
11
Content available remote Application of Gray-Fuzzy-Markov Chain Method for Day-Ahead Electric Load Forecasting
Asrari A., Javan D. S., Javidi M. H., Monfared M.
Przegląd Elektrotechniczny
|
2012
|
R. 88, nr 3b
228-237
EN
Short-term load forecasting (STLF) plays a decisive role in electric power system operation and planning. Accurate load forecasting not only reduces the generation costs of power systems, but also serves to maximize profit for participants in electricity markets. In recent years, power markets have grown more deregulated and competitive, adding to the complexity and uncertainties of load, and making it more difficult for conventional techniques to accurately forecast the load. To improve the accuracy of load forecasting, this paper suggests a hybrid method, called Gray-Fuzzy-Markov Chain Method (GFMCM), comprising three stages. In the first stage, daily load is forecasted by Gray model, with its training deviations classified, in a second stage, by fuzzy-set theory, and finally, fed into Markov chain model to predict future relative errors that might be supplied by the Gray model. The proposed approach has been verified by the historical data of power consumption in Ontario, PJM and Iranian electricity markets. The obtained forecasts by GFMCM proved to have better prediction properties compared to the other forecasting techniques, such as Gray models, specifically GM(1,1) and GM(1,2), ARIMA time series, wavelet-ARIMA and multi-layer perceptron (MLP) neural network.
PL
W celu poprawy jakości przewidywania zużycia energii autorzy zaproponowali hybrydową metodę GMMCM (Gray-Fuzzy-Markov Chan Method). W pierwszym etapie prognoza obciążeń jest prowadzona przy wykorzystaniu modelu Gray, następnie stosuje się metody logiki rozmytej. Błąd prognozowania analizowany jest metodą Markova.
12
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.
13
Next day electric load curve forecasting using k-means clustering
Dudek G.
Rynek Energii
|
2011
|
nr 1
143-149
EN
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.
PL
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.
14
Content available remote Optymalizacja modelu regresji jądrowej do krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych
Dudek G.
Przegląd Elektrotechniczny
|
2011
|
R. 87, nr 9a
222-225
PL
Model regresji jądrowej do krótkoterminowych prognoz obciążeń systemów elektroenergetycznych wykazuje wrażliwość na wartości parametrów wygładzania funkcji jądrowych. Proponuje się kilka metod doboru wartości parametrów wygładzania: prostą metodę zachłanną, algorytm ewolucyjny oraz przeszukiwanie turniejowe.
EN
A kernel model to the short-term load forecasting is very sensitive to the bandwidth values of the kernel functions. Some methods of the bandwidth value selection are presented: simple greedy method, evolutionary algorithm and tournament searching.
15
Content available remote Neuro-fuzzy approach to the next day load curve forecasting
Dudek G.
Przegląd Elektrotechniczny
|
2011
|
R. 87, nr 2
61-64
EN
An adaptive neuro-fuzzy inference system ANFIS is used to the short-term load forecasting. ANFIS combines the comprehensibility of fuzzy rules and the adaptability and self-learning algorithms of neural networks. The model maps the input pattern of the sequence of the historical hourly load time series to the component of the next sequence. Input space is divided on fuzzy sets by fuzzy c-means clustering. The most informative input variables are determined using deterministic variable selection algorithms. Individual models are constructed for each day type and hour of the day. The method is applied to several load forecasting problems.
PL
Adaptacyjny neuronowo-rozmyty system wnioskujący ANFIS zastosowano do prognozowania krótkoterminowego obciążeń systemów elektroenergetycznych. ANFIS łączy czytelność reguł rozmytych i adaptacyjność samouczących się sieci neuronowych. Model odwzorowuje obraz wejściowy sekwencji historycznego godzinowego szeregu czasowego obciążeń na składową obrazu następnej sekwencji. Przestrzeń wejściowa jest dzielona na zbiory rozmyte przy użyciu rozmytej metody c-średnich. Zmienne wejściowe niosące najwięcej informacji wyznaczane są za pomocą deterministycznych algorytmów selekcji zmiennych. Odrębne modele są tworzone dla każdego typu dnia i godziny doby. Metodę zastosowano do kilku problemów prognozowania obciążeń.
16
Content available remote Short-Term Load Forecasting Based on Kernel Conditional Density Estimation
Dudek G.
Przegląd Elektrotechniczny
|
2010
|
R. 86, nr 8
164-167
EN
A short-term load forecasting model based on the kernel estimation of the conditional probability density distribution is proposed. The pattern vector of the load time series sequence can be treated as the multivariate random variable whose value determines the pattern component values of the next sequence, which is forecasted. Probability density functions are obtained from historical load time series by means of nonparametric density estimation. This approach uses the product kernel estimators. The kernel function smoothing parameters are determined using cross-validation procedure. The suitability of the proposed approach is illustrated through applications to real load data.
PL
Proponuje się model prognostyczny do sporządzania krótkoterminowych prognoz obciążeń systemów elektroenergetycznych w oparciu o estymację jądrową rozkładu warunkowej gęstości prawdopodobieństwa. Wektor obrazu sekwencji szeregu czasowego obciążeń może być traktowany jako wielowymiarowa zmienna losowa, która determinuje wartość składowych obrazu następnej, prognozowanej sekwencji. Funkcje gęstości prawdopodobieństwa utworzono na podstawie historycznych szeregów czasowych obciążeń za pomocą estymacji nieparametrycznej. To podejście używa produktowych estymatorów jądrowych. Parametry wygładzania funkcji jądrowych określa się w procedurze walidacji krzyżowej. Użyteczność proponowanego podejścia zilustrowano aplikacjami do rzeczywistych danych.
17
Content available remote A comparison of the neural gas and self organizing map methods for next day load curve forecasting
Dudek G.
Przegląd Elektrotechniczny
|
2009
|
R. 85, nr 3
153-156
EN
Both the neural gas and self organizing map clustering methods are used in the short-term load forecasting. Two approaches, based on the similarity of the load sequence patterns, are presented in the paper. Patterns preceding the forecast moment and the patterns of forecast, which are concatenated and then divided into clusters, are used in the first model. 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.
PL
Gaz neuronowy i samoorganizujące się odwzorowanie jako metod grupowania użyto do krótkoterminowego prognozowania obciążeń elektroenergetycznych. Zaprezentowano dwa podejścia oparte na podobieństwie obrazów sekwencji obciążeń. Pierwszy model używa obrazów poprzedzających moment prognozy i obrazów prognoz, które są połączone i pogrupowane. W drugim podejściu obliczane są empiryczne prawdopodobieństwa, że obraz prognozy należy do grupy j gdy skojarzony z nim obraz wejściowy należy do grupy i. Prawdopodobieństwa te wykorzystuje się do konstrukcji prognozy.
18
Content available remote Analiza modelu krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych opartego na klasteryzacji rozmytej
Dudek G.
Badania Operacyjne i Decyzje
|
2007
|
nr 2
15-34
PL
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.
EN
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.
19
Content available remote Zastosowanie hierarchicznych metod grupowania do prognozowania dobowych charakterystyk obciążeń elektroenergetycznych
Dudek G.
Przegląd Elektrotechniczny
|
2006
|
R. 82, nr 9
9-11
PL
Przedstawiono zastosowanie jednej z najbardziej popularnych metod grupowania danych do prognoz dobowych charakterystyk obciążeń elektroenergetycznych. Hierarchiczne metody grupowania tworzą dendrogram, obrazujący klastery profilów prognoz obciążeń dobowych wyznaczone z historii procesu i wzajemne odległości pomiędzy nimi. Klasterom nadaje się etykiety z typami i numerami dni profilów, które formują klaster. Prognozy tworzy się wykorzystując informacje zapisane w etykietach i charakterystykach klasterów. Model przetestowano na rzeczywistych danych.
EN
Application one of the most popular clustering method to the daily electrical load profile forecasting is presented. Hierarchical clustering methods create a dendrogram, which illustrates the daily load profile clusters determined on the process history basis and distances between them. Clusters are being labeled with day types and day numbers of profiles that form a cluster. Information on those labels and cluster profiles serve for creating forecasts. The method was tested on real data.
20
Content available remote Krótkoterminowe prognozowanie zapotrzebowania na moc elektryczną metodą klasteryzacji rozmytej
Dudek G.
Przegląd Elektrotechniczny
|
2006
|
R. 82, nr 9
26-28
PL
Przedstawiono metodę prognozy przebiegów dobowych zapotrzebowania na moc elektryczną wykorzystującą klasteryzację rozmytą. Metoda polega na uformowaniu klastera wokół wektora profilu wejściowego, reprezentującego charakterystykę obciążeń godzinowych poprzedzających moment prognozy. Profile prognoz skojarzone z profilami tworzącymi klaster formują prognozę, w stopniu zależnym od przynależności do klastera. Model zweryfikowano na przykładach prognoz obciążenia i cen energii na rynku bilansującym.
EN
A method of the daily electrical load profiles forecasting using fuzzy clustering is presented. This method creates a cluster around the input profile vector, which represents an hourly load profile preceding a forecast moment. Forecast profiles, associated with profiles creating a cluster, form the forecast in the degree dependent on the membership to the cluster. The model was verified on the several examples of the forecast - load and energy prices on the balance market.
first rewind previous Strona / 2 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.