Wyniki 1-1 spośród 1 dla zapytania: authorDesc:"Piotr Stanisław SZCZEPANIAK"

Neural Models of Demands for Electricity - Prediction and Risk Assessment

Czytaj za darmo! »

Two neural systems for forecasting the electricity demand by the group of retail consumers are presented along with two methods for risk assessment of demand prediction models. The first forecasting system is composed of series-connected local neural predictors in the form of multilayer perceptron (MLP) networks. The system is mainly formed on the basis of expert knowledge and statistical tests. The second forecasting system has two levels. The first contains a neural classifier and the second consists of a set of local neural predictors. The classifier is built on the basis of a self-organising neural network (SOM). MLP or radial basis function (RBF) networks are used as predictors. Finally, two methods for assessing the risk of forecasting models are proposed. These consider financial risk measures such as value at risk (VaR) and conditional value at risk (CVaR). Possible economic losses posed by the application of predictions from a forecasting model are calculated using these risk measures. The risk analysis facilitates the selection of the forecasting model that generates the smallest risk of losses when selling energy contracts. The proposed methods are tested using data from the Polish electricity market. Streszczenie. W pracy zostały przedstawione dwa neuronowe systemy przeznaczone do prognozowania zapotrzebowania na energie˛ elektryczna˛ grupy konsumentów detalicznych. Ponadto zaprenzetowano dwie metody oceny ryzyka modeli prognozowania. Pierwszy system prognozowania składa sie˛ z poła˛czonych szeregowo lokalnych predyktorów neuronowych zudowanych w oparciu o wielowarstwowe sieci perceptronowne (MLP). System powstał na podstawie wiedzy eksperckiej i testów statystycznych. Drugi system prognozowania jest dwupoziomowy. Pierwsza cz˛e´s´c zawiera klasyfikator neuronowy, a drugi składa sie˛ z zestawu lokalnych neuronowych predyktorów. Klasyfikator jest zbudowany w oparciu o samoorganizuja˛ce sieci neuronowe (SOM). Natomiast jako predyktor[...]

 Strona 1