Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2016 - zeszyt 4

Day ahead electric power load forecasting by WT-ANN

10.15199/48.2016.04.32

nr katalogowy: 97610
10.15199/48.2016.04.32

This paper presents a method for forecasting energy demand based on WT-ANN (Wavelet Transform - Artificial Neural Network). Model has been developed and assessed for system data for the period 2002-2014. As input variables following have been considered: five levels of signal decomposition (t-1, t-2), values of time series (t-1, t-2) and qualitative variables denoting day of the week. Streszczenie. W artykule przedstawiono metodę prognozowania zapotrzebowania na moc elektryczną w oparciu o model hybyrdowy WT-ANN (Wavelet Transform - Artificial Neural Network). Budowę oraz ocenę jakoś prognoz modelu przeprowadzono dla danych systemowych za okres 2002-2014. Jako dane wejściowe uwzględniono: pięć poziomów dekompozycji sygnału, wartości szeregu czasowego (t-1, t-2) oraz zmienne jakościowe określające dzień tygodnia. (Prognozowania obciążenia sieci elektroenergetycznej na kolejny dzień w oparciu o model WT-ANN) Keywords: wavelet transformation, neural networks, qualitative variables, Poland. Słowa kluczowe: transformacja falkowa, sieci neuronowe, zmienne jakościowe, Polska, Introduction Concept of load refers to a device or a group of devices, which due to their nature are utilizing energy from power system networks in order to perform given tasks. The pattern of electric energy demand varies with respect to time. According to [1] approximately 30% of global electricity consumption evolves from residential electricity consumption. In case of Poland, based on recent publication from GUS (Central Statistical Office) [3], households consumed 28,442 TWh which was almost 19,5% of total electrical energy consumption over the year 2013. Its nature is complex and driven by many factors, to which one may include: demographics, climate (temperature, humidity etc.), appliances, building type - however the effect of abovementioned is not completely understood [2]. According to many research papers which has been assessed by [4] the temperature whic[...]

Bibliografia

[1] Swan L.G., Ugursal V. I., Modeling of end-use energy consumption in the residential sector: a review of modeling techniques, Renewable SustainableEnergy Rev. 13 (2009), 1819-1935
[2] Fan H., MacGill I.F., A.B. Sproul, Statistical analysis of driving factors of residential energy demand in the greater Sydney region, Australia, Energy and Buildings 105 (2015) 9-25
[3] Zużycie Paliw i Nośników Energii w 2013 R., Główny Urząd Statystyczny, Warszawa 2014
[4] Moral-Carcedo J., Perez-Garcia J., Temperature effects on firms’ electricity demand: An analysis of sectorial differences in Spain, Applied Energy 142 (2015) 407-425
[5] Almeshaiei E., Soltan H., A methodology for Electric Power Load Forecasting, Alexandria Engineering Journal, 50 (2011), 137-144
[6] Lee W.J., Hong J., A hybrid dynamic and fuzzy time series model for mid-term power load forecasting., Electrical Power and Energy Systems, 64 (2015), 1057-1062
[7] Chen. Y., Yang Y., Chaoqun L., Caihong L., Lian L., A hybrid application algorithm based on the support vector machine and artificial intelligence: An example of electric load forecasting, Applied Mathematical Modelling, 39 (2015), 2617-2632
[8] Mollaiy-Berneti S., Developing energy forecasting model using hybrid artificial intelligence method J. Cen. South Univ., 22 (2015), 3026-3032
[9] Shahid M. A., et al., An efficient model based on artificial bee colony optimization algorithm with Neural Networks for electric load forecasting, Neural Comput & Applic, 25 (2014), 1967- 1978
[10] Khwaja A.S. et al., Improved short-term load forecasting using bagged neural networks, Electric Power Systems Research, 125 (2015), 109-115
[11] Dudek G., Pattern-based local linear regression models for short-term load forecasting, Electric Power System Research, 130 (2016), 139-147
[12] Hong T., Wang P., White L., Weather station selection for electric load forecasting, International Journal of Forecasting, 31 (2015), 286-295
[13] Maciejewski Z., Prognozowanie krajowego zapotrzebowania na energię elektryczną do 2012, Rynek Energii 10 (2007), 71- 85
[14] Popławski T., Prognozowanie zapotrzebowania na energię elektryczną i moc szczytową dla Polski do 2040 roku, Rynek Energii, 2 (2014)
[15] Nęcka K., Wpływ wstępnego przetwarzania danych na jakosć krótkoterminowych prognoz zapotrzebowania na energię elektryczną, Inżynieria Rolnicza, 3 (2013) 291-299
[16] Otręba L., Zagadnienie estymacji i adaptacji parametrów w modelu autoregresji - średniej ruchomej procesu zapotrzebowania na moc, Prace naukoznawcze i prognostyczne Politechniki Wrocławskiej 1-2 (1990) 66-67
[17] Malko J., Wybrane zagadnienia prognozowania w elektroenergetyce, Wydawnictwo Politechniki Wrocławskiej, Wrocław 1996
[18] Popławski T., K. Dąsal, Prognozowanie zapotrzebowanie na moc i energię elektryczną metodą rozkładu kanonicznego, Polityka Energetyczna 10 (2007) 289-304
[19] Siwek K., Prognozowania obciążeń w systemie elektroenergetycznym przy wykorzystaniu sztucznych sieci neuronowych, Przegląd Elektrotechniczny 12 (2002) 374-377
[20] Tadeusiewicz R., Chaki R., Chaki N.: Exploring Neural Networks with C#, CRC Press, Taylor & Francis Group, Boca Raton, 2014
[21] Smyczyńska U., Smyczyńska J., Tadeusiewicz R.: Neural modelling of growth hormone thereapy for the prediction of therapy results. Bio-Algorithms and Med-Systems Vol. 11, Nr. 1, 2015, pp.33-45
[22] Chui C., An iIntroduction to Wavelets, 1st Edition, Academic Press, (1992)
[23] Daubechies, I., 1992. Ten lectures on wavelets. CBMS-NSF Regional Conference Series in Applied Mathematics 61, Philadelphia, PA: Soc. Ind. Appl. Math
[24] http://www.rynek-energii-elektrycznej.cire.pl/access 26.10.2015
[25] Alcott, Blake (July 2005). "Jevons' paradox". Ecological Economics 54(1): 9-21. doi:10.1016/j.ecolecon.2005.03.020
[26] http://www.pse.pl/ access 20.10.2015

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

Publikacja


e-Publikacja (format pdf) - nr 97610 "Day ahead electric power ..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2016-4 licencja: Osobista Produkt cyfrowy	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

2016-4

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma