W artykule przedstawiono przykład zastosowania regresji liniowej do wyznaczenia zapotrzebowania na ciepło. Współczynniki prostej regresyjnej wyznaczane są na podstawie analizy regresyjnej danych dobowych o zapotrzebowaniu na ciepło. Prognoza zapotrzebowania na ciepło wykorzystuje wyznaczone współczynniki i planowane stopniodni w okresie prognozy. Przedstawiono wyniki zastosowania metody do prognozowania obciążeń w przykładowym miejskim systemie ciepłowniczym.
EN
The example of implementation of linear regression for a forecast of heat demand is presented in the paper. The linear regression coefficients are calculated using regression of heat demand daily data. Heat demand forecast is formulated basing on historical coefficients and forecasting degree-days in the forecast period. The results of method implementation in the town heating system are presented in the paper.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The paper presents the Support Vector Machine (SVM) approach to the short term (24 hours ahead) load forecasting for small energetic region serving the railway system. The main problem in such forecasting is large diversity of load demand, changing from hour to hour. The proposed solution applies 24 SVM networks responsible for prediction of the load demand for each hour of the day. The results of numerical experiments regarding the small railway region in the form of MAPE and MAX errors are presented and discussed in the paper.
PL
Praca przedstawia prognozowanie zapotrzebowania na energię elektryczną w małym kolejowym rejonie elektroenergetycznym z wyprzedzeniem jednodniowym na każdą z 24 godzin. Podstawą rozwiązania jest system 24 sieci neuronowych typu Support Vector Machine, z których każda jest specjalizowana do prognozy na jedną określoną godzinę w ciągu doby. Dla uzyskania jak najlepszych wyników prognozy opracowano specjalny zestaw cech diagnostycznych, na podstawie których dokonywana jest prognoza. Wyniki uzyskane dla małego rejonu kolejowego zasilania pokazują, że zastosowanie metody pozwala uzyskać poprawę dokładności prognozowania rzędu 20% w stosunku do klasycznych metod prognozowania.
Artykuł dotyczy problematyki określania niepewności prognoz zapotrzebowania energii, dla powszechnie stosowanych modeli prognostycznych opartych na warstwowych sieciach perceptronowych (MLP) i neuronowo-rozmytych sieciach z funkcjami o bazie rozmytej (FBF). Przedstawiono w nim zagadnienia związane z łączeniem prognoz z procesami decyzyjnymi, które są przez nie zasilane. Omówione zostało zagadnienie wyznaczania przedziałów prognozy zapotrzebowania oraz określania optymalnej wielkości zamówienia w warunkach ryzyka, wynikającego z błędu prognozy. Następnie przedstawiono dwa podstawowe podejścia do szacowania niepewności nieliniowych modeli prognostycznych.
EN
The paper discuss the problem of uncertainty assessment of short-term load forecasts for commonly used neural MLP networks and neuro-fuzzy FBF models. The point of our interest is connection between forecasts and decision processes. There are several exemplary topics from this area discussed, like prediction intervals estimation, or optimization of the market order size under risk resulted from the forecasting error. Then we analyzed two basic approaches to forecast uncertainty (variance) assessment for nonlinear models.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.