Highly Accurate Short-term Electric Load Forecasting in Consideration of Equalization of Learning Data

考虑学习数据均衡的高精度短期电力负荷预测

• 批准号: 16560257
• 负责人: MORI Hiroyuki
• 金额: $ 2.18万
• 依托单位: Meiji University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2004
• 资助国家: 日本
• 起止时间: 2004 至 2005
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-16560257/
• 关键词: Load Forecasting; Time Series Analysis; Learning; Artificial Neural Net; Fuzzy Inference; ニューラルネットワーク; リスク解析; モンテカルロシミュレーシ; ガウシアンプロセス; ベイズの定理; モーメント調整法; 極値理論; 自己組織化マップ; コホーネンネット

This project deals with the preconditioned intelligent systems and the equalization of learning data. Under competitive and deregulated power systems, short-term load forecasting plays a key role to provide input information with generation scheduling. To compete with other players in power markets, minimizing the maximum error of load forecasting is of main concern. The erroneous results bring about keeping extra power generation reserve in their own company or purchasing more expensive electricity from other companies. As result, power system operators are interested in the reduction of the errors. The preconditioned intelligent system proposed by the author is one of good solutions. By classifying learning data into some clusters, an intelligent system is constructed at each cluster. The method is more effective in terms of model accuracy and computational time. However, it has a drawback that each duster has different performance that comes from underlearning due to the available data. In this study, a method for equalizing the number of learning data is proposed to alleviate underlearning. According to the Kohonen network of artificial neural network, a set of similar data is constructed to reconstruct learning data. In addition, several methods for clustering and the application of the preconditioned intelligent system to fault location in power systems are investigated

该项目涉及预处理的智能系统和学习数据的均衡。在竞争性和放松管制的电力系统下，短期负载预测起着为发电计划提供输入信息的关键作用。要与电力市场中的其他玩家竞争，最大程度地减少预测负载的最大误差是主要问题。错误的结果使将额外的发电储备保留在自己的公司中，或从其他公司购买更昂贵的电力。结果，电力系统运营商对减少错误感兴趣。作者提出的预处理智能系统是良好的解决方案之一。通过将学习数据分类为某些群集，在每个集群中构建一个智能系统。该方法在模型准确性和计算时间方面更有效。但是，由于可用数据，每个duster都有不同的效果，因此每个duster都具有不同的性能。在这项研究中，提出了一种均衡学习数据数量来减轻学习范围的方法。根据人工神经网络的Kohonen网络，构建了一组类似的数据以重建学习数据。此外，研究了几种聚类和预处理智能系统在电力系统中的故障位置的应用

项目成果

A Precondition Technique with Reconstruction of Data Similarity Based Classification for Short-term Load Forecasting

一种基于数据相似性重​​构的短期负荷预测分类前置技术

• 发表时间: 2004
• 期刊: Proc. of 2004 IEEE PES General Meeting
• 作者: H.Mori;T.Itagaki
• 通讯作者: T.Itagaki

A Hybrid Method of Deterministic Anealing and Fuzzy Inference Neural Network for Electric Power System Fault Detection

电力系统故障检测的确定性退火和模糊推理神经网络混合方法

• 发表时间: 2004
• 期刊: Proc. of 2004 IEEE IJCNN
• 作者: H.Mori;T.Itagaki
• 通讯作者: T.Itagaki

ガウシアンプロセスによる不確定性を表現した短期電力負荷予測

使用高斯过程表达不确定性的短期电力负荷预测

• 发表时间: 2006
• 期刊: 電気学会論文誌B(電力・エネルギー部門誌) 126・2
• 作者: 近江 正太郎;森 啓之
• 通讯作者: 森 啓之

ANNモデルを用いた短期電力負荷予測におけるリスクの定量化

使用 ANN 模型量化短期电力负荷预测的风险

• 发表时间: 2006
• 期刊: 電気学会論文誌B(電力・エネルギー部門誌) 126・1
• 作者: 岩下大輔;森啓之
• 通讯作者: 森啓之

短期電力負荷予測におけるクラスタ再構成前処理手法

短期电力负荷预测的聚类重构预处理方法

• 发表时间: 2005
• 期刊: 電気学会論文誌B 125-B, No.3
• 作者: 板垣忠大;森啓之
• 通讯作者: 森啓之