Известия высших учебных заведений

ЭЛЕКТРОМЕХАНИКА

Научно-технический журнал


Известия высших учебных заведений. ЭЛЕКТРОМЕХАНИКА 2014; 3: 44-47

 

http://dx.doi.org/

 

Краткосрочное прогнозирование электропотребления региона с учетом метеофакторов на основе метода опорных векторов и алгоритма роя частиц

И.И. Надтока, Баласим М. Аль-Зихери

Надтока Иван Иванович – д-р техн. наук, профессор, зав. кафедрой «Электроснабжение промышленных предприятий и городов» Южно-Российского государственного политехнического университета (НПИ) имени М.И. Платова. E-mail: ii_nadtoka@mail.ru

Аль-Зихери Баласим Мохаммед Хусейн – аспирант кафедры «Электроснабжение промышленных предприятий и городов» Южно-Российского государственного политехнического университета (НПИ) имени М.И. Платова. E-mail: balasim@inbox.ru

 

Аннотация

Рассматривается регрессионная прогнозная модель метода наименьших  квадратов опорных векторов на примере статистических данных электропотребления, температуры воздуха и естественной освещенности по территории операционной зоны Ростовского регионального диспетчерского управления. Для оптимизации параметров прогнозной модели опорных векторов используется алгоритм роя частиц, что позволяет повысить точность прогнозирования.

 

Ключевые слова: краткосрочное прогнозирование, электропотребление, опорные векторы, рой частиц, температура, освещенность

 

Полный текст: [in elibrary.ru]

 

Ссылки на литературу

1. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений / И.И. Надтока, А.В. Демура, С.О. Губский, А.Я. Ваколюк, В.В. Горбачев // Вестн. СамГТУ. Серия «Технические науки». 2012.
№ 1 (33). С. 163 – 168.

2. Надтока И.И., Губский С.О., Шепелев И.Е. Нейросетевая модель прогнозирования электропотребления с учетом освещенности на территориях операционных зон региональных диспетчерских управлений // Изв. вузов. Электромеханика. 2012. № 2. С. 18 – 21.

3. Vapnik Vladimir N., Cortes Corinna. Support-Vector Networks, Machine Learning, 20, 1995. http://www.springerlink.com/content/k238jx04hm87j80g/.

4. Božić M., Stojanović M., Stajić Z. Short-Term Electric Load Forecasting Using Least Square Support Vector Machines, Automatic Control and Robotics Vol. 9, №.1, 2010, pp. 141 – 150.

5. Надтока И.И., Аль-Зихери Баласим М. Краткосрочное прогнозирование нагрузки с помощью теории наименьших квадратов опорных векторов (LS-SVM) // Современные проблемы науки и образования. 2013. № 6. http://www.science-education.ru/113-11213.

6. Kennedy J. The Behavior of Particles, Proceedings of the 7th International conference on evolutionary programming; 1998 , http://www.springerlink.com.

7. Надтока И.И., Аль-Зихери Б.М. Краткосрочное прогнозирование нагрузки на основе нейронной сети с использованием метода роя частиц // Современные энергетические системы и комплексы и управление ими: материалы XI Междунар. науч.-практ конф. Новочеркасск: ЮРГТУ (НПИ), 2013. С. 34 – 37.

8. H. Shayeghi, H. A. Shayanfar, G. Azimi, Short-term load forecasting Based on Optimized Neural Network using PSO, International Journal of Electrical and Computer Engineering 4:10 2009.page № 2. https://www.waset.org/ author/ h-a-shayanfar

9. LI Xiang, Y. Shang-dong. A new Support vector machines optimized by PSO and its application, North China Electric power University, Vol.13. No.5, 2006. http://www. zndxzk. com.