Машинне навчання для прогнозування споживання та генерації електроенергії
Бічна панель сторінки статті
Основний зміст сторінки статті
Анотація
Стаття присвячена підготовці і аналізу даних для покращення прогнозування кількості використаної та згенерованої електроенергії методами машинного навчання, а також оцінка важливості та впливу на прогнозування періоду доби, місяця, року, температури, вологості повітря, атмосферного тиску та інших ознак. Набір даних, що використовувався в даній статті, містить відомості про використання та генерацію електроенергії, а також погодні показники за 11 місяців з періодом фіксації даних 1 хвилина. Оброблення даних ґрунтувалось на статистичних методах обробки інформації, визначенні кількості пропущених даних, лінійних залежностях між ознаками, сумісності типів даних. Для оцінки точності прогнозування було використано коефіцієнт детермінації.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
A. D. Papalexopoulos and T. C. Hesterberg, “A regression-based approach to short-term system load forecasting,” IEEE Trans. Power Syst., vol. 5, no. 4, pp. 1535–1547, 1990, DOI: 10.1109/59.99410.
E. A.-J. Al-Shareef, A.J., E.A. Muhammad, “One Hour Ahead Load Forecasting Using Artificial Neural Network for the Western Area of Saudi Arabia,” Int. J. Electr. Syst. Sci. Eng., vol. 37, p. 7, 2008, URL: https://www.researchgate.net/publication/238738216_One_Hour_Ahead_Load_Forecasting_Using_Artificial_Neural_Network_for_the_Western_Area_of_Saudi_Arabia.
E. A. Feinberg and D. Genethliou, “APPLIED MATHEMATICS FOR POWER SYSTEMS, Chapter 12; LOAD FORECASTING,” Short-Term Load Forecast. Proc. IEEE, vol. 75, pp. 269–285, 1987, URL: http://www.ams.sunysb.edu/~feinberg/public/lf.pdf
I. Moghram and S. Rahman, “Analysis and evaluation of five short-term load forecasting techniques,” IEEE Trans. Power Syst., vol. 4, no. 4, pp. 1484–1491, 1989, DOI: 10.1109/59.41700.
G. M. Rao, I. Narasimhaswamy, and B. S. Kumar, “Deregulated power system load forecasting using artificial intelligence,” 2010 IEEE Int. Conf. Comput. Intell. Comput. Res. ICCIC 2010, pp. 136–140, 2010, DOI: 10.1109/ICCIC.2010.5705745.
S. Dowdy, S., Wearden, “Statistics for research, by Shirley Dowdy and Stanley Wearden. New York: Wiley, 1983, 537 pp.,” J. Policy Anal. Manag., vol. 3, no. 4, pp. 637–637, 2007, DOI: 10.1002/pam.4050030448.
D. P. Francis, A. J. S. Coats, and D. G. Gibson, “How high can a correlation coefficient be? Effects of limited reproducibility of common cardiological measures,” Int. J. Cardiol., vol. 69, no. 2, pp. 185–189, 1999, DOI: 10.1016/S0167-5273(99)00028-5.
N. R. Draper and H. Smith, “Applied Regression Analysis: Third Edition,” Wiley Ser. Probab. Stat., vol. 47, no. 3, p. 706, 1998, DOI: 10.1198/tech.2005.s303.
Bakhrushin V. Ye., “Programmnaya Realizatsiya Metodov Analiza Nelineynykh Statisticheskikh Svyazey V Sisteme [Software Implementation of Non-Linear Statistical Relations Analysis Methods in a System],” Software Systems And Computing Methods, vol. 2, no. 2, pp. 228–238, 2014, DOI: 10.7256/2305-6061.2014.2.11477.
S. A. Glantz and B. K. Slinker, “Primer of Applied Regression and Analysis of Variance,” McGraw-Hill, p. 777, 1990, URL: https://books.google.com/books?id=UcR6QgAACAAJ&pgis=1.
A library of scikit-learn Python programming languages. URL: https://scikit-learn.org/stable/_downloads/scikit-learn-docs.pdf
