ПОРІВНЯЛЬНИЙ АНАЛІЗ ДВОХ ПІДХОДІВ ДО ВИРІШЕННЯ ЗАДАЧІ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ СУМАРНОГО ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОЕНЕРГЕТИЧНОЇ СИСТЕМИ

П.О. Черненко; О.В. Мартинюк; С.В. Попов; Є.В. Бодянський

№ 3 (2013), Електроенергетичні системи та устаткування

№ 3 (2013)

Електроенергетичні системи та устаткування

ПОРІВНЯЛЬНИЙ АНАЛІЗ ДВОХ ПІДХОДІВ ДО ВИРІШЕННЯ ЗАДАЧІ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ СУМАРНОГО ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОЕНЕРГЕТИЧНОЇ СИСТЕМИ

Опубліковано 2013-04-17

П.О. Черненко⁺⁻
О.В. Мартинюк⁺⁻
С.В. Попов⁺⁻
Є.В. Бодянський⁺⁻

П.О. Черненко

Інститут електродинаміки НАН України, пр. Перемоги, 56, Київ, 03057, Україна

О.В. Мартинюк

Інститут електродинаміки НАН України, пр. Перемоги, 56, Київ, 03057, Україна

С.В. Попов

Харківський національний університет радіоелектроніки, пр. Леніна, 14, Харків, 61166, Україна

Є.В. Бодянський

Харківський національний університет радіоелектроніки, пр. Леніна, 14, Харків, 61166, Україна

ARTICLE_9_PDF

Ключові слова

power system
electrical load
short-term forecasting
regression models
artificial neural networks
neurofuzzy network енергосистема
електричне навантаження
короткострокове прогнозування
регресійні моделі
штучні нейронні мережі
нейро-фаззі мережі

Як цитувати

[1]

Черненко, П., Мартинюк, О., Попов, С. і Бодянський, Є. 2013. ПОРІВНЯЛЬНИЙ АНАЛІЗ ДВОХ ПІДХОДІВ ДО ВИРІШЕННЯ ЗАДАЧІ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ СУМАРНОГО ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОЕНЕРГЕТИЧНОЇ СИСТЕМИ. ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА. 3 (Квіт 2013), 061.

Анотація

В статті описано вирішення задачі прогнозування сумарного електричного навантаження (СЕН) електроенергетичної системи (ЕЕС) двома способами. Перший (для побудови математичної моделі) використовує параметричний метод аналізу та прогнозування нестаціонарних часових рядів, другий – нейро-фаззі мережі. Наведено адитивну математичну модель СЕН, алгоритми моделювання та прогнозування її складових. Описано архітектуру нейрофаззі мережі та алгоритм її навчання. Для адекватного порівняння результатів виконано прогнозування СЕН ЕЕС на тижневий інтервал упередження з використанням єдиної вихідної інформації. Показано переваги ієрархічного вирішення задачі короткострокового прогнозування сумарного електричного навантаження ЕЕС із використанням математичних моделей СЕН обласних енергосистем. Сформульовано шляхи подальшого підвищення точності та надійності результатів короткострокового прогнозування СЕН ЕЕС. Бібл. 15, табл. 4, рис. 9.

ARTICLE_9_PDF

Посилання

Gross E., Galiana F. Short term load forecasting // ТIIER. Temat. vyp. “EVM v upravlenii energosistemami”. – 1987. – Т.75. – №12. – Pр. 6–23. (Rus)

Chernenko P. Tiered interconnected electric load forecasting of united power system // Pratsi Instytutu Elektrodynamiky Natsionalnoi Akademii Nauk Ukrainy. Enerhoefektyvnist. – 2000. – Pp. 99–104. (Rus)

Chernenko P. Parameter identification, modeling and multilevel forecasting of electrical loads of united power system // Tekhnichna elektrodynamika. Temat. vypusk ''Problemy suchasnoi elektrotekhnіky''. – 2010. – Vol.3. – Pp. 57–64. (Rus)

Martyniuk O., Chernenko P. Algorithms and software for three-level short-term electric load forecasting of united power system of Ukraine // Enerhetyka ta elektryfikatsiia. – № 7. – 2012. – Pp. 3–8. (Ukr)

Chernenko P., Kuznetsov G. Definition of informativeness and short-term forecasting periodically nonstationary random processes in power systems // Kyiv: IED AN USSR, Preprint 157. – 1977. – 38 p. (Rus)

Hippert H.S., Pedreira C.E., Souza R.C. Neural networks for short-term load forecasting: a review and evaluation // IEEE Trans. Power Systems. – 2001. – Vol. 16. – № 1. – Pp. 44–55.

Danyliuk O., Mayorov A., Batiuk N., Mykhailiuk M. Prediction modes load power systems based on the technology of artificial neural networks // Informatsiini tekhnologii i systemy. – 2001. – Vol. 4. – № 1/2. – Pp. 100–103. (Ukr)

Chernenko P., Martyniuk O. Multi-level short-term forecasting of electric load of united power system // Visnyk Vinnytskoho politekhnichnoho instytutu. – 2011. – №2. – Pp. 74–80. (Ukr)

Chernenko P., Martyniuk O. Improving the effectiveness of short-term electric load forecasting of united power system // Tekhnichna elektrodynamika. – № 1. – 2012. – Pp. 63–70. (Ukr)

Bodyanskiy Ye., Popov S., Chepenko T. Predictive adaptive neural network with dynamic neuronfilters // Radioelektronika i informatika. – 2003. – №2. – Pp. 48–51. (Rus)

Bodyanskiy Ye., Popov S. Neuro-Fuzzy Unit for Real-Time Signal Processing // Proc. IEEE East-West Design & Test Workshop (EWDTW’06). – Sochi, Russia, September 15-19, 2006. – Pp. 403–406.

Bodyanskiy Ye., Popov S. Multilayer Network of Neuro-Fuzzy Units in Forecasting Applications // Research Papers of Wroclaw University of Economics. Knowledge Acquisition and Management. – 2008. – №25. – Pp. 9–14.

Bodyanskiy Ye., Popov S., Rybalchenko T. Determine the effect of temperature on energy consumption using neural network technology // Zbіrnyk Naukovykh Prats Natsіonalnoho hіrnychoho unіversytetu. – 2008. – №31. – Pp. 169–173. (Rus)

Bodyanskiy Ye., Popov S., Rybalchenko T. Feedforward neural network with a specialized architecture for estimation of the temperature influence on the electric load // Proc. 4th International IEEE Conference "Intelligent Systems". – Varna, 2008. – Vol. I. – Pp. 714–718.

Bodyanskiy Ye., Popov S., Titov M. Robust Learning Algorithm for Networks of Neuro-Fuzzy Units // Innovations and Advances in Computer Sciences and Engineering / Ed. by T. Sobh. – Dordrecht: Springer, 2010. – Pp. 343–346.