×
克日斯托夫·西维克;斯坦尼斯·奥索夫斯基;Ryszard苏皮卢克

电力系统准确负荷预测的集成神经网络方法。 （英语） Zbl 1167.93338号

国际期刊申请。数学。计算。科学。 19，第2期，303-315（2009）.
总结：本文提出了一种改进的电力系统1-24小时负荷预测方法，通过集成系统集成和组合不同的神经预测结果。我们整合了三种解决方案的部分预测结果，其中一种解决方案依赖于多层感知器，另两种解决方案则依赖于竞争型自组织网络。作为专家系统，我们采用了不同的集成方法：简单平均法、基于SVD的加权平均法、主成分分析法和盲源分离法。给出并讨论了有关预测波兰电力系统未来24小时小时负荷的数值实验结果。在平均绝对百分比误差、均方误差和最大百分比误差的基础上，比较了不同集成方法的性能。与单独的预测结果相比，它们显示了所提出的集合方法的显著改进。将我们的工作与相同数据的其他论文的结果进行比较，证明了我们的方法的优越性。

引用于5文件

MSC公司：

93B40码 系统理论中的计算方法（MSC2010）
93立方厘米 控制理论中的应用模型
92B20型 生物研究、人工生命和相关主题中的神经网络

关键词：

神经网络;盲源分离;预报器集合;负荷预测

软件：

ICALAB公司
PDF格式BibTeX公司 XML格式引用
\textit{K.Siwek}等人，国际期刊应用。数学。计算。科学。19，第2号，303--315（2009；Zbl 1167.93338）
全文： 内政部 欧洲DML

参考文献：

[1] Afkhami Rohani，K.R.和Maratukulam，D.（1998年）。ANNSTLF-人工神经网络短期负荷预测-第三代，IEEE电力系统汇刊13（4）：1413-1422。
[2] Belouchrani，A.、Abed Meraim，K.、Cardoso，J.和Moulines，E.（1997年）。使用SOS的BSS技术，IEEE信号处理事务45（2）：434-444·数字对象标识代码：10.1109/78.554307
[3] Choi，S.、Cichocki，A.和Belouchrani，A.（2002年）。二阶非平稳源分离，VLSI信号处理杂志32（1-2）：93-104·Zbl 1010.94506号 ·doi:10.1023/A:1016319502849
[4] Cichocki，A.和Amari，S.I.（2003年）。自适应盲信号和图像处理，威利，纽约州纽约市。
[5] Cichocki，A.、Amari，S.、Siwek，K.和Tanaka，T.（2009年）。ICALAB工具箱，东京RIKEN，网址：
[6] Cottrell，M.、Girard，B.、Giraard，Y.、Muller，C.和Rousset，P.（1995）。《每日电力曲线：使用Kohonen图进行分类和预测》，《人工中性网络国际研讨会论文集》，IWANN，马拉加，西班牙，第1107-1113页。
[7] Diamantras，K.和Kung，S.Y.（1996年）。主成分神经网络，威利，纽约州纽约市。
[8] Drezga，I.和Rahman，S.（1998年）。基于ANN的短期负荷预测输入变量选择，IEEE电力系统汇刊13（4）：1238-1244·数字对象标识代码：10.1109/59.736244
[9] Fidalgo，J.N.和Pecas Lopez，J.（2005）。面对异常事件时的负荷预测性能增强，IEEE Transactions on Power Systems 20（2）：408-415·doi:10.1109/TPWRS.2004.840439
[10] Golub，G.和Van Loan，C.（1991年）。矩阵计算，学术出版社，纽约州纽约市·Zbl 1118.65316号
[11] Gonzalez-Romera，E.，Jaramillo-Moran，M.A.和Carmona-Fernandez，D.（2006年）。基于趋势提取的月度电力需求预测，IEEE电力系统交易21（4）：1946-1953·doi:10.1109/TPWRS.2006.883666
[12] Guyon，I.和Elisseeff，A.（2003）。变量和特征选择简介，机器学习研究杂志3（3）：1158-1182·Zbl 1102.68556号 ·doi:10.1162/153244303322753616
[13] Haykin，S.（2002）。神经网络。纽约州纽约市麦克米伦综合基金会·Zbl 0828.68103号
[14] Hippert，H.S.、Pedreira，C.E.和Souza，R.C.（2001）。短期负荷预测的神经网络：回顾和评估，IEEE电力系统交易16（1）：44-55·数字对象标识代码：10.1109/59.910780
[15] Kandil，N.、Wamkeue，R.、Saad，M.和Georges，S.（2006年）。使用人工神经网络进行短期负荷预测的有效方法，电力和能源系统28（4）:525-530。
[16] Kiartzis，S.J.、Zoumas，C.E.、Theocharis，J.、Bakirtzis，A.G.和Petridis，V.（1997）。使用人工神经网络的自主电力系统中的短期负荷预测，IEEE电力系统交易12（4）：1591-1596·数字对象标识代码：10.1109/59.627863
[17] Kuntcheva，L.（2004）。组合模式分类器-方法和算法，威利，纽约州纽约市。
[18] Lendasse，A.、Cottrell，M.、Wertz，V.和Verleysen，M.（2002年）。使用kohonen地图预测电力负荷——应用于波兰电力消耗，《美国控制会议论文集》，美国阿拉斯加州安克雷奇，第28卷，第3684-3688页。
[19] Ljung，L.（1999）。系统识别-用户理论，PTR Prentice Hall，Upper Saddle River，NJ·Zbl 0615.93004号
[20] Mandal，P.、Senjyu，T.、Urasaki，N.和Funabashi，T.（2006年）。基于神经网络的提前数小时电力负荷预测，使用类似的天数方法，电力和能源系统28（3）：367-373。
[21] Nikias，L.和Petropulu，A.P.（1993年）。高阶谱分析——非线性信号处理框架，新泽西州上鞍河Prentice Hall·Zbl 0813.62083号
[22] Osowski，S.（2006）。《信息处理神经网络》，华沙科技大学出版社，华沙，（波兰语）。
[23] Osowski，S.和Siwek，K.（1999）。电力系统负荷预测的自组织神经网络方法，《神经网络国际联合会议论文集》，美国华盛顿特区，第28卷，第1345-1348页。
[24] Osowski，S.和Siwek，K.（2002年）。电力系统负荷预测神经网络的正则化，IEE Proceedings GTD 149（3）：340-345。
[25] Sorjama，A.、Hao，J.、Reyhani，N.、Li，Y.和Lendasse，A.（2007）。时间序列长期预测方法，神经计算70（16-18）：2861-2869。
[26] Yalcinoz，T.和Eminoglu，U.（2005年）。基于神经网络的中短期配电负荷预测，《能源转换与管理》46（8）：1393-1405·doi:10.1016/j.enconman.2004.07.005
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。