Nearest neighbour model with weather inputs for pattern-based electricity demand forecasting

• Autorzy: Dudek, G. , Janicki, M.

Warianty tytułu

PL

Model najbliższych sąsiadów z wejściami pogodowymi do opartego na obrazach prognozowania zapotrzebowania na moc

• Języki publikacji: EN

Abstrakty

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.

Słowa kluczowe

PL

prognozowanie krótkoterminowe obciążeń; model najbliższego sąsiedztwa; zapotrzebowanie na moc

EN

short-term load forecasting; nearest neighbour model

• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2017
• Tom: R. 93, nr 3
• Strony: 7--10
• Opis fizyczny: Bibliogr. 8 poz., schem., tab., wykr.

Twórcy

autor

Dudek, G.

• Czestochowa University of Technology, Institute of Computer Science, al. Armii Krajowej 17, 42-200 Czestochowa, Poland,

autor

Janicki, M.

• Czestochowa University of Technology, Institute of Computer Science, al. Armii Krajowej 17, 42-200 Czestochowa, Poland,

Bibliografia

• [1] Michie D., Spiegelhalter D.J., Taylor C.C.: Machine Learning, Neural and Statistical Classification, Ellis Horwood, (1994)
• [2] Cichosz P.: Systemy uczące się, WNT (2007)
• [3] Dudek G.: Prognozowanie krótkoterminowe obciążeń systemów elektroenergetycznych z wykorzystaniem estymatorów najbliższego sąsiedztwa, Mat. konf. Aktualne Problemy w Elektroenergetyce, t. 3 (2009), 31-39
• [4] Dudek G.: Systemy uczące się oparte na podobieństwie obrazów do prognozowania szeregów czasowych obciążeń elektroenergetycznych. Akademicka Oficyna Wydawnicza EXIT, Warszawa (2012)
• [5] Popławski T., Dudek G., Łyp J.: Forecasting Methods for Balancing Energy Market in Poland, Int. Jour. Electrical Power and Energy Systems, 65 (2015), 94-101
• [6] PL (PSE): http://pse.pl/index.php?dzid=77, BE (Elia): http://www.elia.be/en/grid-data/data-download, NE (ISO-NE): http://www.isone. com/isoexpress/web/reports/pricing/-/tree/zone-info, TX (ERCOT): http://www.ercot.com/gridinfo, Weather data (NCDC): http://www7.ncdc.noaa.gov/CDO/cdo
• [7] Sailor D.J., Munoz J.R.: Sensitivity of electricity and natural gas consumption to climate in the USA - methodology and results for eight states, Energy, 22 (1997), no. 10, 987-998
• [8] Bessec M., Fouquau J.: The non-linear link between electricity consumption and temperature: a threshold panel approach. Energy Economics, 30 (2008), no. 5, 2705-2721

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).

Identyfikatory

DOI

10.15199/48.2017.03.02