BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Dudek Grzegorz
Tytuł
Analiza modelu krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych opartego na klasteryzacji rozmytej
The analysis of the short-term power system load forecasting model based on the fuzzy clustering
Źródło
Badania Operacyjne i Decyzje, 2007, nr 2, s. 15-34, bibliogr. 29 poz.
Operations Research and Decisions
Słowa kluczowe
Prognozy gospodarcze, Badania operacyjne, Systemy rozmyte
Economic forecast, Operations research, Fuzzy systems
Abstrakt
Zaprezentowano model krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych, oparty na rozmytej klasteryzacji. Opisano klasę modeli prognostycznych, opartych na podobieństwie obrazów sekwencji szeregów czasowych. Poddano analizie różne funkcje przynależności, defuzyfikacji i odległości pomiędzy obrazami w modelu rozmytym. Zbadano empirycznie wrażliwość modelu na zmianę wartości parametru, jego odporność na zaszumione i brakujące dane oraz działanie przy różnych definicjach zbiorów referencyjnych. (abstrakt oryginalny)

The analysis of the short-terra power system load forecasting model based on the fuzzy clustering 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 to each other, which does not change significantly with time. Depending 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 denazification 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 blurred noisy and missing data and the model performance with the various definitions of the reference sets were analyzed. The tests allow us to formulate some conclusions on the model quality and resistance. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. BAUMANN T., GERMOND A., Application of the Kohonen network to short-term load forecasting. Proceedings of the Second International Forum on Application of Neural Networks to Power Systems, 1993,s.407
  2. BEZDEK J. C., Pattern recognition with fuzzy objective function algorithms, Plenum Press, New York 1981.
  3. CIEŚLAK M. (red.), NieUasyczne metody prognozowania, PWN, Warszawa 1983.
  4. DOBRZAŃSKA L, Wymiar Hausdorffa jako narzędzie predykcji krokowej, Badania Operacyjne i Decyzje, 1991, nr 2, s. 31-62.
  5. DUDEK G., Drzewo regresyjnejako narządzie prognostyczne, Mat. konf. "Prognozowanie w Elektroenergetyce PE'2004", Częstochowa 2004, s. 99-105.
  6. DUDEK G., Krótkoterminowe prognozowanie obciążenia systemu elektroenergetycznego z zastosowaniem sieci neuronowych o radialnych funkcjach bazowych, Mat. konf. "Prognozowanie w Elektroenergetyce PE'2000", 2000, s. 59-68.
  7. DUDEK G., Krótkoterminowe prognozowanie obciążeń systemów elektroenergetycznych z zastosowaniem klasteryzacji rozmytej i algorytmów genetycznych, Sprawozdanie merytoryczne z projektu badawczego nr 3 T10B 023 29. Politechnika Częstochowska, Częstochowa 2006 (praca niepublikowana).
  8. DUDEK G., Krótkoterminowe prognozowanie zapotrzebowania na moc elektryczną metodą klasteryzacji rozmytej, Przegląd Elektrotechniczny, 2006, r. 82, nr 9, s. 26-28.
  9. [9J DUDEK G., Przetwarzanie danych w opartych na podobieństwie metodach prognozowania przebiegów dobowych zapotrzebowania na moc elektryczną, Przegląd Elektrotechniczny, 2006, r. 82. nr 9, s. 15-19.
  10. DUDEK G., Sporządzanie dobowych prognoz obciążenia systemu elektroenergetycznego przy użyciu sieci neuronowych -problemy wyboru struktury i uczenia sieci, Mat. konf. "Algorytmy Ewolucyjne i Optymalizacja Globalna", Lądek Zdrój 2000, s. 59-66,
  11. DUDEK G., Wybrane metody analizy szeregów czasowych obciążeń elektroenergetycznych, Mat.konf. "Prognozowanie w Elektroenergetyce PE'2004", 2004, s. 116-125.
  12. DUDEK G., Zastosowanie hierarchicznych metod grupowania do prognozowania dobowych charakterystyk obciążeń elektroenergetycznych, Przegląd Elektrotechniczny, 2006, r. 82, nr 9, s. 9-11.
  13. DUDEK G., Zastosowanie sieci neuronowej Hecht-Nielsena do krótkoterminowej predykcji obciążeń systemu elektroenergetycznego, Mat. konf. "Aktualne Problemy w Elektroenergetyce APE'97", 1997,t.4,s.65-72.
  14. GROSS G., GALIANA F.D., Short-term load forecasting, Proc. IEEE, 1987, Vol. 75, No. 12, s. 1558-1573.
  15. HÖPPNER F., KLAWONN F., KRUSE R., RUNKLER T., Fuzzy cluster analysis, Wiley, Chichester 1999.
  16. JAJUGA K., Statystyczna teoria rozpoznawania obrazów, PWN, Warszawa 1990.
  17. [l7] KIM K. i in., Implementation of hybrid short-term load forecasting system using artificial neural networks and fuzzy expert systems, IEEE Trans Power Syst, 1995, Vol. 10, No. 3, s. 603-610.
  18. K.ODOGIANNIS V.S., ANAGNOSTAKIS E.M., Soft computing based techniques for short-term load forecasting, Fuzzy Sets and Systems, 2002, Nol. 128, s. 413-426.
  19. LAGARIAS J.C., REEDS J.A., WRIGHT M.H., WRIGHT P.E., Convergence properties of the Nelder-Mead Simplex methodin low dimensions, SIAM Journal of Optimization, 1998, Vol. 9, No. l,s. 112-147.
  20. LENDASSE A. i in., Prediction of electric load using Kohonen maps - application to the Polish electricity consumption, Proceedings of the American Control Conference, Anchorage 2002, s. 3684-3689.
  21. Liu T.-C., Li R-K., A new ART-counlerpropagation neural network for solving a forecasting problem, Expert Systems with Applications, 2005, Vol. 28, s. 21-27.
  22. ŁYP J., Metodyka analizy i prognozy obciążeń elektroenergetycznych systemów lokalnych, praca doktorska, Politechnika Częstochowska. Częstochowa 2000.
  23. MALKO J., MIKOŁAJCZYK H., SKORUPSK.I W., Progress in employment of neural network for power system load forecasting, Mat. konf. "Neural Networks and Their Applications", 1996, t. 1, s. 317-323.
  24. METAXIOTIS K. i in., Artificial intelligence in short term load forecasting: a state-of-the-art survey for the researcher, Energy Conversion and Management, 2003, Vol. 44, s. 1525-1534.
  25. OSOWSKI S., SIWEK K., KĄDZIELAWA A., Neural network approach to load forecasting, Mat. konf. "Neural Networks and Their Applications", 1996, t. 1, s. 355-360.
  26. POPŁAWSKI T., DĄSAŁ K., Canonical distribution in short-term load forecasting [w:J Technical and economic aspect of modern technology transfer in context of integration with European Union, Ko-sice2004, s. 147-153.
  27. POPŁAWSKI T., Application of the Takagi-Sugeno (TS) fuzzy logic model for load curves prediction in the local power system, III-rd International Scientific Symposium "Elektroenergetika", Stara Leśna, Slovak Republic 2005.
  28. RAHMAN S., HAZIM O., A generalized knowledge-based short term load forecasting technique, IEEE Trans Power Syst, 1993, Vol. 8, No. 2, s. 508-514.
  29. RANAWEERA D., HUBELE N., KARADY G., Fuzzy logic for short term load forecasting, Electr. Power Energ. Syst., 1995, Vol. 18, No. 4, s. 215-222.
Cytowane przez
Pokaż
ISSN
1230-1868
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu