Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2021 - zeszyt 1

Temperatura powietrza jako dodatkowa zmienna egzogeniczna w krótkoterminowym prognozowaniu modelem ANFIS obciążeń w podsystemie elektroenergetycznym

10.15199/48.2021.01.36

Janusz SOWIŃSKI

nr katalogowy: 129857
10.15199/48.2021.01.36

Streszczenie

Obciążenia elektryczne charakteryzują się zmiennością roczną, tygodniową i dobową. Ten typ krzywych, charakteryzujący się dobowym podobieństwem obciążeń, jest odpowiedni do prognozowania przy użyciu Adaptive Neuro-Fuzzy Inference System (model ANFIS). Badano wpływ doboru zmiennych na dokładność procesu prognozowania. Szczególną uwagę zwrócono na uwzględnienie dodatkowej zmiennej - temperatury powietrza.

Abstract

The electric loads are characterized by annual, weekly and daily variability. This type of curves, in the form of daily load similarity, is suitable for forecasting using the Adaptive Neuro-Fuzzy Inference System (ANFIS model). The influence of variable selection on the accuracy of the forecasting process has been tested. Special attention is paid to taking into consideration an additional variable – air temperature. (Air temperature as an additional exogenous variable in short-term forecasting of loads in the power subsystem using ANFIS model

Słowa kluczowe

Keywords

Bibliografia

[1] Dobr zańska I., Dąsal K., Łyp J., Popławski T., Sowi ński J., Prognozowanie w elektroenergetyce. Zagadnienia wybrane., WPCz, Częstochowa (2002)
[2] Popławski T., Dąsal K., Łyp J., Sowi ński J., Wybrane zagadnienia prognozowania długoterminowego w systemach elektroenergetycznych, WPCz, Częstochowa (2011)
[3] Weron R. , Modeling and forecasting electricity loads and prices: a statistical approach, John Wiley & Sons Ltd., England (2006)
[4] Zalews ki W. , Statistical Analysis of the Load Variability in Distribution Network, Economy and Management, 4 (2010), 203-213
[5] Mirasgedis S., Sarafidis Y., Georgopoulou E., Lalas D. P., Moschov i ts M., Karagiannis F., Papakonstantinou D., Models for Mid-Term Electricity Demand Forecasting Incorporating Weather Influences, Energy, 31 (2006), 208-227
[6] Taylor W. J . , Bui zza R. , Using weather ensemble predictions in electricity demand forecasting, International Journal of Forecasting, 19 (2003)
[7] Zel iaś A. , Teoria prognozy, PWE, Wrocław, (1997)
[8] Cassot t i M. , Gr i soni F. , Variable selection methods: an introduction, University of Milano-Bicocca, Available online: in Tutorial 6 www.moleculardescriptors.eu (accessed on 15.04.2020)
[9] Zadeh L.A., Fuzzy sets, Information and Control, 8 (1965), 338.
[10] Jang J. -R. , ANFIS: adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man, and Cybernetics, 23 (1993), No. 3, 665-685.
[11] Acakpov i A . , Ternor A.T., Asabere N.Y., Adjei P . , Iddr isu A-S. , Time series prediction of electricity demand using Adaptive Neuro-Fuzzy Inference Systems, Mathematical Problems in Engineering, 2020 (2020)
[12] Wei D., Wang J., Ni K., Tang G., Research and Application of a Novel Hybrid Model Based on a Deep Neural Network Combined with Fuzzy Time Series for Energy Forecasting, Energies, 12 (2019), 3588
[13] Jin X.B., Wang J.F., Zhang H.Y., Cao L.H., ANFIS Model for Time Series Prediction, Applied Mechanics and Materials, 385–386 (2013), 1411–1414
[14] Sowi ński J., Szydłows ki M. , Forecast of Electricity Supply Using Adaptive Neuro- Fuzzy Inference System, In Proceedings of 18th International Scientific Conference on Electric Power Engineering, Rusek S., Gono R., Eds., IEEE New York, USA (2017)
[15] Prado F., Minutolo M.C., Kri s t janpoller W., Forecasting based on an ensemble Autoregressive Moving Average - Adaptive neuro - Fuzzy inference system – Neural network - Genetic Algorithm Framework, Energy, 197 (2020)
[16] Dudek G., Short-Term Load Forecasting Based on Kernel Conditional Density Estimation, Przegląd Elektrotechniczny, 86 (2010), No. 8, 164-167
[17] Sant ra A.S. , Lin J . -L. , Integrating Long Short-Term Memory and Genetic Algorithm for Short-Term Load Forecasting, Energies, 12 (2019), 2040
[18] Park R. - J . , Song K.-B., Kwon B.-S., Short-Term Load Forecasting Algorithm Using a Similar Day Selection Method Based on Reinforcement Learning, Energies, 13 (2020), 2640

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2021-1 , nr katalogowy 129857 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-1 licencja: Osobista Produkt cyfrowy Nowość	58.00 zł
PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-10 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł
PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-11 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł
PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-12 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2021-1

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma