Wyniki 1-5 spośród 5 dla zapytania: authorDesc:"Tomasz CIECHULSKI"

Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sieci neuronowych SVM, RBF i MLP DOI:10.12915/pe.2014.08.034

Czytaj za darmo! »

W pracy porównane zostały metody predykcji obciążeń w małym systemie elektroenergetycznym w Polsce, bazujące na wykorzystaniu jako modeli predykcyjnych sieci neuronowych SVM, RBF i MLP. Symulacje sieci neuronowych zostały przeprowadzone w środowisku MATLAB z uwzględnieniem dwóch zadań prognozy: z wyprzedzeniem jedno i 24-godzinnym. Abstract. This paper compares three methods of load forecasting in a small power system in Poland. The solution is based on application of the SVM, RBF and MLP neural networks. The simulations of neural networks performed in MATLAB were conducted for two tasks of prognosis: one hour ahead and 24-hour ahead. The results have been compared to the naïve prognoses. Comparison of three methods of load forecasting in a small power system based on neural networks Słowa kluczowe: predykcja obciążeń, eksploracja danych, sieci neuronowe, systemy elektroenergetyczne. Keywords: load forecasting, data mining, neural networks, electric power systems. doi:10.12915/pe.2014.08.34 Wstęp Praca przedstawia metody prognozowania obciążeń elektrycznych w małym systemie elektroenergetycznym w Polsce, bazujące na wykorzystaniu sieci neuronowych SVM, RBF i MLP jako modeli predykcyjnych. Symulacje sieci neuronowych zostały przeprowadzone w środowisku MATLAB z uwzględnieniem dwóch zadań prognozy [2,4]: - z wyprzedzeniem 1-godzinnym, - z wyprzedzeniem 24-godzinnym. Rys.1. Wykres poboru mocy przykładowego dnia roboczego (a) sobocie (b) oraz niedzieli (c). Dane do symulacji stanowią wartości poboru mocy elektrycznej w małym systemie elektroenergetycznym dla każdej godziny i doby spośród wszystkich dni z przedziału od 1 stycznia 2000 r. do 31 grudnia 2008 r. (wyrażone w megawatach). Na rys. 1 przedstawiony został dobowy pobór mocy elektrycznej w badanym systemie elektroenergetycznym dla przykładowego dnia roboczego, soboty oraz niedzieli. Dla dnia roboczego najniższe zużycie, na poziomie 300÷350 MW odnotowuje si[...]

Ocena wpływu wyodrębnienia składowej stałej na jakość prognozy obciążeń elektroenergetycznych DOI:10.15199/48.2015.10.41

Czytaj za darmo! »

W pracy przedstawione zostało nowe podejście do prognozowania zapotrzebowania na energię elektryczną w małym systemie elektroenergetycznym w Polsce. W rozwiązaniu problemu wykorzystano dekompozycję obciążeń 24-godzinnych na składową stałą oraz zmienną. Główny wysiłek badawczy został skierowany na predykcję wektora 24-elementowego składowej zmiennej. Abstract. This paper presents new approach to the issue of power load forecasting in a small system in Poland. The load is decomposed into two components: the mean value of the day and the variable part. The main problem is prediction of 24-hour load pattern of the variable term and this paper is concerned mainly on this task. The new approach to the issue of power load forecasting in a small system in Poland Słowa kluczowe: prognozowanie obciążeń, składowa zmienna obciążenia, eksploracja danych, sieci neuronowe. Keywords: power load forecasting, variable component, data mining, neural networks. Wstęp Praca przedstawia porównanie trzech metod neuronowych prognozowania obciążeń elektrycznych w małym systemie elektroenergetycznym w Polsce, wykorzystując w rozwiązaniu dekompozycję 24-godzinnego obciążenia na składową stałą dla danego dnia i składową zmienną dla każdej godziny doby. Dane wejściowe poddane eksperymentom w środowisku MATLAB stanowią wartości poboru mocy elektrycznej w małym systemie elektroenergetycznym dla każdej godziny spośród wszystkich dni z przedziału od 2 stycznia 2004 r. do 31 grudnia 2005 r. (wyrażone w megawatach). Łączna liczba dni poddanych analizie wynosi 729. Dla każdego dnia zastosowano następujące cechy diagnostyczne (atrybuty wejściowe dla predyktora): rzeczywista moc elektryczna (24 atrybuty - jedna wielkość dla każdej godziny doby), typ dnia (jeden atrybut zakodowany binarnie: 0 - dzień roboczy, 1 - sobota lub niedziela), pora roku (2 atrybuty zakodowane binarnie: 01 - wiosna, 00 - lato, 10 - jesień, 11 - zima), dane temperatury (24 atrybuty - po jednym [...]

Zastosowanie sieci neuronowych Kohonena do prognozowania obciążeń elektroenergetycznych DOI:10.15199/48.2016.10.48

Czytaj za darmo! »

Praca przedstawia analizę zastosowania różnych algorytmów uczących Kohonena w prognozowaniu profili obciążeń w małym systemie elektroenergetycznym w Polsce. W badaniach numerycznych, przeprowadzonych w środowisku programistycznym MATLAB, wzięły udział algorytmy WTA, CWTA, gaussowski WTM oraz algorytm gazu neuronowego WTM. Prognozowanie przeprowadzane zostało na podstawie uśrednionych wag neuronów zwyciężających w przeszłości dla danego typu dnia tygodnia. Abstract.. The paper shows the application of self-organizing methods in Kohonen network for prediction of the profiles of load in a small power system in Poland. Four learning methods were used: WTA, CWTA, Gaussian WTM and neural gas. The prediction of power consumption has been limited to the profile of load. The vector profile prognosis is equal to the average of vectors of the winning neurons in the appropriate days of the week and month. The application of self-organizing methods in Kohonen network for prediction of the profiles of load in a small power system Słowa kluczowe: prognozowanie obciążeń, sieci neuronowe Kohonena, algorytmy uczące, uczenie samoorganizujące ze współzawodnictwem. Keywords: electric load forecast, neural Kohonen network, learning algorithms, unsupervised learning. Wstęp Praca przedstawia zastosowanie sieci samoorganizujących, w szczególności sieci Kohonena, do prognozowania obciążeń w małym systemie elektroenergetycznym. Przeanalizowane zostały różne algorytmy samoorganizacji (WTA, CWTA, gaussowski WTM, algorytm gazu neuronowego WTM [5]) pod kątem ich zdolności do minimalizacji wartości oczekiwanej zniekształcenia, czyli błędu kwantyzacji. Algorytm uczący, przy użyciu którego uzyskuje się najniższy błąd kwantyzacji, został użyty do prognozowania rozkładu czasowego obciążeń elektroenergetycznych. Praca przedstawia i analizuje wyniki statystyczne prognozowania. Dekompozycja obciążenia na składową stałą i zmienną Obciążenie elektroenergetyczne każdej do[...]

Local dynamic integration of ensemble of predictors in load forecasting DOI:10.15199/48.2017.10.13

Czytaj za darmo! »

The work shows a new approach to integration of an ensemble of neural predictors in load forecasting in a small power system. The group of predictors is composed of many individual neural networks, trained on the same set of learning data. Each network is of different type and generates its own response, which might vary from unit to unit. Conventional integration [5] is based on weighted averaging of every predicted results. The units generating more accurate results are assigned higher priority represented by the proper weighs in averaging process. However, in such system at different quality of predicting units in ensemble, the result of group can be worse than result of the best predictor (worse units have bad influence on the ensemble result). Local dynamic integration principle The new concept of integration has been presented in this paper. It is so called local dynamic integration. At the beginning every predictor is subject to classical learning process [1, 2, 3, 6]. Then the learning error committed by each predictor is computed for all observations from the learning set. In the testing mode (the real prediction on the data not taking part in learning), the actual input vector xt is compared to all vectors xu used in learning. The nearest to it learning vectors xu are selected, according to their Euclidean distance. In the extreme case the selected set can be limited to only one closest vector. Then, the prediction errors committed by all members of ensemble are computed for the chosen set of vectors xu. The network generating the lowest error on the closest learning data will be used in prediction using the actual testing vector xt as an excitation. Other predictors do not take part in generating the results. It means the networks, which were worse for the data closest to the actual excitation, do not influence the final result of an ensemble. The integration is dynamic and local, since for each testing data d[...]

Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych DOI:10.15199/48.2018.09.26

Czytaj za darmo! »

Statystyczna analiza danych zapotrzebowania na moc w KSE Krajowy System Energetyczny (KSE) obejmuje wszystkie urządzenia wytwórcze i odbiorcze energii elektrycznej w Polsce. Moc zainstalowana w KSE w dniu 31.12.2017 wynosiła 43421 MW, natomiast moc osiągalna - 43332 MW [7]. Ponieważ wpływ pojedynczych zakładów przemysłowych, zwłaszcza w momentach włączania i wyłączania poboru mocy, na pracę całego systemu jest stosunkowo niewielki, system odznacza się znacznie mniejszymi wahaniami godzinowymi zapotrzebowania na moc dostarczaną, niż Lokalne Systemy Energetyczne obejmujące swoim zasięgiem pojedyncze miasta. Praca dotyczy prognozowania zapotrzebowania dobowego w Krajowym Systemie Energetycznym (KSE) i porównania z małym regionem elektroenergetycznym. Prognozowanie krótkoterminowe zapotrzebowania na moc jest tematem wielu prac, zarówno krajowych jak i zagranicznych [2,3,4,8,9]. Prezentowane były różnorodne podejścia do rozwiązania tego problemu, prowadzące do różnych poziomów błędu. W ostatnich latach najwięcej prac dotyczy zastosowania sztucznych sieci neuronowych. Stosowane są różne rodzaje sieci: perceptron wielowarstwowy MLP, sieć RBF, SVM, sieci rekurencyjne, itp. Prezentowane dokładności w sensie błędu bezwzględnego średniego MAPE (Mean Absolute Percentage Error) przyjmują wartości w przedziale 2%÷3% [1,2,8,9]. Na poziom błędu duży wpływ ma sposób generacji danych wejściowych, zwłaszcza metoda normalizacji oraz zastosowane rozwiązanie predyktora. W pracy zostanie pokazane, że prognozy indywidualne wielu predyktorów pracujących w zespole po ich integracji uzyskują znacznie wyższy poziom dokładności. Zespół zaproponowany w pracy składa się z trzech rodzajów sieci: perceptronu wielowarstwowego (MLP), sieci wektorów nośnych (SVM) i sieci radialnej (RBF), przy czym każdy z nich generuje prognozę profilu 24-godzinnego obciążenia na dzień następny z określonym poziomem błędu. Ich połączenie w zespół pozwala na znaczne obniż[...]

 Strona 1