REDUKCJA WYMIAROWOŚCI DANYCH A SELEKCJA CECH W ZASTOSOWANIU DO PROGNOZOWANIA MAKSYMALNEGO DOBOWEGO OBCIĄŻENIA ELEKTROENERGETYCZNEGO

Krzysztof  Siwek

doi:10.35784/iapgos.1445

pdf

Opublikowane: 2013-05-16

DOI: https://doi.org/10.35784/iapgos.1445

Numer Tom 3 Nr 2 (2013)

PRZEGLĄD METOD PLL DO SYNCHRONIZACJI Z SIECIĄ PRZEKSZTAŁTNIKÓW ENERGOELEKTRONICZNYCH
Piotr Lipnicki

5-8
REDUKCJA WYMIAROWOŚCI DANYCH A SELEKCJA CECH W ZASTOSOWANIU DO PROGNOZOWANIA MAKSYMALNEGO DOBOWEGO OBCIĄŻENIA ELEKTROENERGETYCZNEGO
Krzysztof Siwek

9-12
TERAPIA MAGNETYCZNA: MIKROPROCESOROWY PRZENOŚNY SYSTEM DO MAGNETOTERAPII ZE ZDALNĄ KOMUNIKACJĄ
Katarzyna Biernat, Alicja Idziaszek-Gonzalez, Konrad Nita, Stefan Wójtowicz

13-17
PROJEKT 7-BITOWEGO NISKOMOCOWEGO PRZETWORNIKA A/C W TECHNOLOGII SUBMIKRONOWEJ O MAŁEJ POWIERZCHNI DO ZASTOSOWAŃ WIELOKANAŁOWYCH
Piotr Otfinowski, Piotr Kmon, Rafał Kłeczek

18-21
ZINTEGROWANY PROCES DECYZYJNY UWZGLĘDNIAJĄCY RYZYKO W PRZEMYŚLE JĄDROWYM
Mieczysław Józef Borysiewicz, Karol Kowal, Piotr Prusiński, Marcin Dąbrowski

22-34
ELEMENTY KONTROLI ZAUTOMATYZOWANYCH SYSTEMÓW HYDRODYNAMICZNYCH
Voronin Anatoli Mikhailovich, Bekmurza Ajtchanov, Janusz Partyka, Aldibekova Aitkul

35-36
WYKORZYSTANIE RZECZYWISTOŚCI ROZSZERZONEJ W ŻYCIU CODZIENNYM
Maciej Laskowski, Damian Rawski, Przemysław Szadura

37-40
WYZNACZANIE INDUKCYJNOŚCI Z UWZGLĘDNIENIEM NASYCENIA OBWODU MAGNETYCZNEGO MASZYN SYNCHRONICZNYCH Z MAGNESAMI ZAGNIEŻDŻONYMI
Rafał Piotuch

41-44
ROZSZERZONY FILTR KALMANA JAKO ESTYMATOR STANU W UKŁADZIE WAHADŁA ODWRÓCONEGO Z NAPĘDEM INERCYJNYM
Jarosław Gośliński, Adam Owczarkowski

45-48

Archiwum

2017

Tom 7 Nr 4
2017-12-21 23
Tom 7 Nr 3
2017-09-30 24
Tom 7 Nr 2
2017-06-30 27
Tom 7 Nr 1
2017-03-03 33

2016

Tom 6 Nr 4
2016-12-22 16
Tom 6 Nr 3
2016-08-08 18
Tom 6 Nr 2
2016-05-10 16
Tom 6 Nr 1
2016-02-04 16

2015

Tom 5 Nr 4
2015-10-28 19
Tom 5 Nr 3
2015-09-02 17
Tom 5 Nr 2
2015-06-30 15
Tom 5 Nr 1
2015-03-31 18

2014

Tom 4 Nr 4
2014-12-09 29
Tom 4 Nr 3
2014-09-26 22
Tom 4 Nr 2
2014-06-18 21
Tom 4 Nr 1
2014-03-12 19

2013

Tom 3 Nr 4
2013-12-27 20
Tom 3 Nr 3
2013-07-24 13
Tom 3 Nr 2
2013-05-16 9
Tom 3 Nr 1
2013-02-14 11

Authors

Krzysztof Siwek

ksiwek@iem.pw.edu.pl

Politechnika Warszawska

Abstrakt

Prognozowanie obciążeń w systemie elektroenergetycznym jest ważnym problemem praktycznym zarówno z technicznego jak i ekonomicznego punktu widzenia. W małych systemach problem ten jest stosunkowo trudny do rozwiązania ze względu na dużą zmienność przebiegu obciążenia. Do jego rozwiązania niezbędne jest zastosowanie dobrego predykatora i wyselekcjonowanie cech procesu wpływających na prognozę. Artykuł przedstawia dwie metody selekcji cech – algorytm genetyczny oraz algorytmy redukcji wymiarowości. Jako predykator użyta była maszyna wektorów podtrzymujących działająca w trybie regresji (SVR). Zaprezentowano i omówiono uzyskane wyniki na rzeczywistych danych pomiarowych.

Słowa kluczowe:

prognozowanie obciążeń elektroenergetycznych, redukcja wymiarowości, algorytm genetyczny, maszyna wektorów podtrzymujących

Bibliografia

Ashlock D.: Evolutionary Computation for Modeling and Optimization. Berlin, Germany: Springer-Verlag, 2006.

Fodor I.: A Survey of Dimension Reduction Techniques. Raport techniczny, 2002.

Gill P., Murray W., Wright M.: Practical optimization. Academic Press, London 1981.

Goldberg D.: Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, MA: Addison-Wesley, 1989.

Jackson J.E.: User guide to principal components. Wiley, NY, 1991.

Osowski S., Siwek K., Świderski B., Mycka Ł.: Prediction of power consumption for small power region using indexing approach and neural network. Lecture Notes on Computer Science, LNCS-6352, 2010, str. 54-59.

Osowski S., Siwek K.: Regularization of neural networks for load forecasting in power system. IEE Proc. GTD, 149, 2002, 340-345.

Sammon J.W.: A nonlinear mapping for data structure analysis. IEEE Transactions on Computers, No. 18, 1969, str. 401–409.

Siwek K., Osowski S., Świderski B.: Trend elimination of time series of 24-hour load demand in the power system and its application in power forecasting. Przegląd Elektrotechniczny, vol. 87, No 3, 2011, str. 249-253.

Schölkopf B., Smola A.: Learning with kernels. MIT Press, Cambridge MA, 2002.

Vapnik V.: Statistical learning theory. Wiley, NY, 1998.

Van der Maaten L., Hinton G.: Visualizing Data using t-SNE, Journal of Machine Learning Research, Vol. 9, 2008, str. 2579-2605.

Van der Maaten L., Postma, E.: Dimensionality reduction: a comparative review. 2009, int. report TiCC TR 2009-005.

REDUKCJA WYMIAROWOŚCI DANYCH A SELEKCJA CECH W ZASTOSOWANIU DO PROGNOZOWANIA MAKSYMALNEGO DOBOWEGO OBCIĄŻENIA ELEKTROENERGETYCZNEGO. (2013). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 3(2), 9-12. https://doi.org/10.35784/iapgos.1445

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 3 Nr 2 (2013)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja