Моделювання та короткострокове прогнозування технологічної складової електричного навантаження обласної енергосистеми

• Veröffentlicht in: Технічна електродинаміка
• Datum: 2016
• Hauptverfasser: Черненко, П.О., Мартинюк, О.В, Мірошник, В.О.
• Format: Artikel
• Sprache: Ukrainisch
• Veröffentlicht: Інститут електродинаміки НАН України 2016
• Schlagworte: Електроенергетичні системи та установки
• Online Zugang: https://nasplib.isofts.kiev.ua/handle/123456789/135868
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Zitieren: Моделювання та короткострокове прогнозування технологічної складової електричного навантаження обласної енергосистеми / П.О. Черненко, О.В. Мартинюк, В.О. Мірошник // Технічна електродинаміка. — 2016. — № 4. — С. 68-70. — Бібліогр.: 4 назв. — укр.

Описано запропоновану методику прогнозування сумарного електричного навантаження обласної енергосистеми.
 Для моделювання технологічної складової навантаження використано засоби штучного інтелекту і
 авторегресійні моделі Бокса-Дженкінса. Проаналізовано переваги та недоліки прогнозних моделей різних видів,
 визначено оптимальний тип, архітектуру та вектор вхідних параметрів моделі для вирішення зазначеної
 задачі. Апробацію проведено на реальних даних обласної енергосистеми із перевагою промислового електроспоживання. Описана предложеная методика прогнозирования суммарной электрической нагрузки областной энергосистемы.
 Для моделирования технологической составляющей нагрузки использовались средства искусственного
 интеллекта и авторегрессионные модели Бокса-Дженкинса. Проанализированы преимущества и
 недостатки прогнозных моделей различных видов, определены оптимальный тип, архитектура и вектор
 входных параметров моделей для решения указанной задачи. Апробация проведена на реальных данных
 областной энергосистемы с преобладанием промышленного электропотребления. The proposed method for a total electrical load of the regional electric power system forecasting is described. To model
 a technology load component, artificial intelligence techniques and autoregressive Box-Jenkins models are used. The
 advantages and disadvantages of different forecast models are analyze. To solve the mentioned task, an optimal type,
 architecture and vector of model input parameters are determined. Approbation was conducted on actual data taken
 from the regional electric power system with advantage of industrial power consumption.