W książce opisano systemy uczące się indukcyjnie, rozpoznające wzorce zawarte w szeregach czasowych obciążeń elektorenergetycznych i wnioskujące o przyszłych realizacjach tych szeregów na podstawie ich historii. Zakłada się, że w przszłych wartościach zmiennej prognozowanej ukryte są głowne czynniki kształtujące ich przyszły bieg w czasie.
Znaczenie prognozowania w elektroenergetyce wzmacnia fakt, że enrgii elektrycznej w wiekszych ilościach nie można magazynować. Koszt oraz niezawodność wytwarzania i dostaw energii elektrycznej wynika w zanacznej mierze z trafności przewidywania zapotrzebowania na moc i energię.
Spis treści: Wykaz podstawowych oznaczeń i akronimów
1. Wstęp 1.1. Znaczenie prognozowania w elektroenergetyce 1.2. Problemy krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych 1.3. Przedmiot badań 1.4. Cel i teza pracy 1.5. Zakres i układ pracy 1.6. Cechy nowości pracy 1.7. Podziękowania
2. Przegląd metod prognozowania krótkoterminowego obciążeń systemów elektroenergetycznych 2.1. Modele konwencjonalne 2.2. Modele niekonwencjonalne
3. Analiza szeregów czasowych obciążeń systemów elektroenergetycznych 3.1. Analiza stacjonarności i homoskedastyczności 3.2. Analiza wahań sezonowych 3.3. Analiza dobowej zmienności obciążenia 3.4. Identyfikacja obserwacji odstających 3.5. Uzupełnianie brakujących danych
4. Modele prognostyczne oparte na podobieństwie obrazów cykli sezonowych szeregów czasowych 4.1. Obrazy cykli dobowych szeregów czasowych obciążeń systemów elektroenergetycznych 4.2. Miary podobieństwa obrazów 4.3. Analiza podobieństwa obrazów
5. Modele prognostyczne jako systemy uczące się 5.1. Systemy uczące się 5.2. Konstrukcja modeli prognostycznych 5.3. Optymalizacja i selekcja modeli 5.4. Modele globalne i lokalne 5.5. Ograniczenie wymiarowości problemu 5.6. Badania symulacyjne/p>
6. Model oparty na estymatorach jądrowych 6.1. Model JEFR 6.2. Optymalizacja modelu JEFR 6.3. Badania symulacyjne modelu JEFR
7. Modele oparte na estymatorach najbliższego sąsiedztwa 7.1. Modele K-NS i REFR 7.2. Optymalizacja modeli K-NS i REFR 7.3. Badania symulacyjne modeli K-NS i REFR
8. Model oparty na sztucznych systemie immunologicznym SSI1 8.1. Inspiracje biologiczne 8.2. Model SSI1 8.3. Dyskusja 8.4. Badania symulacyjne modelu SSI1
9. Modele oparte na grupowaniu obrazów 9.1. Procedury prognostyczne 9.2. Metody grupowania 9.3. Badania symulacyjne modeli wykorzystujących grupowanie obrazów
10. Ocena modeli prognostycznych w krótkoterminowym prognozowaniu obciążeń systemów elektroenergetycznych 10.1. Analiza złożoności obliczeniowej algorytmów 10.2. Ocena wrażliwości modeli na zmiany wartości parametrów 10.3. Ocena odporności modeli na dane zakłócone 10.4. Ocena odporności modeli na brakujące składowe wektora mocy 10.5. Analiza statystyczna błędów prognoz 10.6. Porównanie dokładności modeli prognostycznych 10.7. Badania symulacyjne dla horyzontów czasowych do 7 dni 10.8. Podsumowanie
11. Podsumowanie Najniższa cena z 30 dni przed obniżką 42,53zł
Systemy uczące się oparte na podobieństwie obrazów do prognozowania szeregów czasowych obciążeń elektroenergetycznych
|