REDUKCJA WYMIAROWOŚCI DANYCH A SELEKCJA CECH W ZASTOSOWANIU DO PROGNOZOWANIA MAKSYMALNEGO DOBOWEGO OBCIĄŻENIA ELEKTROENERGETYCZNEGO
Krzysztof Siwek
ksiwek@iem.pw.edu.plPolitechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych (Polska)
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 podtrzymującychBibliografia
Ashlock D.: Evolutionary Computation for Modeling and Optimization. Berlin, Germany: Springer-Verlag, 2006.
Google Scholar
Fodor I.: A Survey of Dimension Reduction Techniques. Raport techniczny, 2002.
DOI: https://doi.org/10.2172/15002155
Google Scholar
Gill P., Murray W., Wright M.: Practical optimization. Academic Press, London 1981.
Google Scholar
Goldberg D.: Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, MA: Addison-Wesley, 1989.
Google Scholar
Jackson J.E.: User guide to principal components. Wiley, NY, 1991.
DOI: https://doi.org/10.1002/0471725331
Google Scholar
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.
DOI: https://doi.org/10.1007/978-3-642-15819-3_8
Google Scholar
Osowski S., Siwek K.: Regularization of neural networks for load forecasting in power system. IEE Proc. GTD, 149, 2002, 340-345.
DOI: https://doi.org/10.1049/ip-gtd:20020194
Google Scholar
Sammon J.W.: A nonlinear mapping for data structure analysis. IEEE Transactions on Computers, No. 18, 1969, str. 401–409.
DOI: https://doi.org/10.1109/T-C.1969.222678
Google Scholar
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.
Google Scholar
Schölkopf B., Smola A.: Learning with kernels. MIT Press, Cambridge MA, 2002.
Google Scholar
Vapnik V.: Statistical learning theory. Wiley, NY, 1998.
Google Scholar
Van der Maaten L., Hinton G.: Visualizing Data using t-SNE, Journal of Machine Learning Research, Vol. 9, 2008, str. 2579-2605.
Google Scholar
Van der Maaten L., Postma, E.: Dimensionality reduction: a comparative review. 2009, int. report TiCC TR 2009-005.
Google Scholar
Autorzy
Krzysztof Siwekksiwek@iem.pw.edu.pl
Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych Polska
Statystyki
Abstract views: 164PDF downloads: 151
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
