ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ

ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ

The paper proposes the architecture of deep learning neural network for short-term nodal electrical load forecasting. The neural network combines the recurrent module LSTM (Long short-term memory) and the multilayer perceptron on the top. Input and output of the network connected with shortcut conne...

Full description

Saved in:
Bibliographic Details
Date:2020
Main Authors: Черненко, П.О., Мірошник, В.О., Шиманюк, П.В.
Format: Article
Language:Ukrainian
Published: Інститут електродинаміки НАН України, Київ 2020
Subjects:
вузлове електричне навантаження
короткострокове прогнозування
штучна нейронна мережа
рекурентна мережа
Online Access:https://techned.org.ua/index.php/techned/article/view/256
Tags: Add Tag
No Tags, Be the first to tag this record!
Journal Title:Technical Electrodynamics

Institution

Technical Electrodynamics
id oai:ojs2.ted.new-point.com.ua:article-256
record_format ojs
spelling oai:ojs2.ted.new-point.com.ua:article-2562021-11-03T08:29:05Z UNIVARIABLE SHORT-TERM FORECAST OF NODAL ELECTRICAL LOADS OF ENERGY SYSTEMS ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ Черненко, П.О. Мірошник, В.О. Шиманюк, П.В. nodal electrical load short-term forecasting artificial neural network recurrent network вузлове електричне навантаження короткострокове прогнозування штучна нейронна мережа рекурентна мережа The paper proposes the architecture of deep learning neural network for short-term nodal electrical load forecasting. The neural network combines the recurrent module LSTM (Long short-term memory) and the multilayer perceptron on the top. Input and output of the network connected with shortcut connection. In multilayer perceptron used scaled exponential linear unit (SELU) function as a nonlinear transformation in hidden neurons. A comparative analysis of two approaches to the short-term prediction of node loadings of the grid is conducted. In the first approach, a separate model based on the artificial neural network eResNet is built for each load node. In the second approach, vector prediction of the values of the nodal load is performed using the proposed neural network. The second approach makes it possible to exploit the relationship between the loads in the nodes and reduce the number of computational operations required to build the model, especially at a large number of nodes. Recurrent network showed slightly better result when forecasting horizon was 24 hours, but eResNet showed more accurate forecast with longer horizons. References 16, figure 3, tables 3. Запропоновано комбіновану архітектуру штучної нейронної мережі глибинного навчання для векторного прогнозування вузлових навантажень, в якій використовується рекурентний модуль типу LSTM (Long short-term memory - мережі довгої короткострокової пам’яті), вихід якого подається до багатошарового перцептрону з активаційною функцією SELU (scaled exponential linear unit – масштабована експоненційно лінійна функція). Для підвищення ефективності навчання використовується обхідне з’єднання, яке полягає в додаванні входу нейронної мережі до виходу. Проведено порівняльний аналіз двох підходів до короткострокового прогнозування вузлових навантажень енергосистеми. При першому підході для кожного вузла навантаження будується окрема модель на базі штучної нейронної мережі eResNet, при другому – здійснюється векторне прогнозування значень вузлових навантажень з використанням побудованої комбінованої нейронної мережі. Другий підхід дозволяє використати взаємозв'язок між навантаженнями в вузлах енергосистеми та зменшити кількість обчислювальних операцій, необхідних для побудови моделі, особливо при значній кількості вузлів в енергосистемі. Бібл. 16, рис. 3, табл. 3. Інститут електродинаміки НАН України, Київ 2020-03-02 Article Article application/pdf https://techned.org.ua/index.php/techned/article/view/256 10.15407/techned2020.02.067 Tekhnichna Elektrodynamika; No. 2 (2020): TEKHNICHNA ELEKTRODYNAMIKA; 067 ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА; № 2 (2020): ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА; 067 2218-1903 1607-7970 10.15407/techned2020.02 uk https://techned.org.ua/index.php/techned/article/view/256/194 Авторське право (c) 2020 ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА https://creativecommons.org/licenses/by-nc-nd/4.0
institution Technical Electrodynamics
baseUrl_str
datestamp_date 2021-11-03T08:29:05Z
collection OJS
language Ukrainian
topic вузлове електричне навантаження
короткострокове прогнозування
штучна нейронна мережа
рекурентна мережа
spellingShingle вузлове електричне навантаження
короткострокове прогнозування
штучна нейронна мережа
рекурентна мережа
Черненко, П.О.
Мірошник, В.О.
Шиманюк, П.В.
ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ
topic_facet nodal electrical load
short-term forecasting
artificial neural network
recurrent network
вузлове електричне навантаження
короткострокове прогнозування
штучна нейронна мережа
рекурентна мережа
format Article
author Черненко, П.О.
Мірошник, В.О.
Шиманюк, П.В.
author_facet Черненко, П.О.
Мірошник, В.О.
Шиманюк, П.В.
author_sort Черненко, П.О.
title ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ
title_short ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ
title_full ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ
title_fullStr ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ
title_full_unstemmed ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ
title_sort однофакторне короткострокове прогнозування вузлових електричних навантажень енергосистеми
title_alt UNIVARIABLE SHORT-TERM FORECAST OF NODAL ELECTRICAL LOADS OF ENERGY SYSTEMS
description The paper proposes the architecture of deep learning neural network for short-term nodal electrical load forecasting. The neural network combines the recurrent module LSTM (Long short-term memory) and the multilayer perceptron on the top. Input and output of the network connected with shortcut connection. In multilayer perceptron used scaled exponential linear unit (SELU) function as a nonlinear transformation in hidden neurons. A comparative analysis of two approaches to the short-term prediction of node loadings of the grid is conducted. In the first approach, a separate model based on the artificial neural network eResNet is built for each load node. In the second approach, vector prediction of the values of the nodal load is performed using the proposed neural network. The second approach makes it possible to exploit the relationship between the loads in the nodes and reduce the number of computational operations required to build the model, especially at a large number of nodes. Recurrent network showed slightly better result when forecasting horizon was 24 hours, but eResNet showed more accurate forecast with longer horizons. References 16, figure 3, tables 3.
publisher Інститут електродинаміки НАН України, Київ
publishDate 2020
url https://techned.org.ua/index.php/techned/article/view/256
work_keys_str_mv AT černenkopo univariableshorttermforecastofnodalelectricalloadsofenergysystems
AT mírošnikvo univariableshorttermforecastofnodalelectricalloadsofenergysystems
AT šimanûkpv univariableshorttermforecastofnodalelectricalloadsofenergysystems
AT černenkopo odnofaktornekorotkostrokoveprognozuvannâvuzlovihelektričnihnavantaženʹenergosistemi
AT mírošnikvo odnofaktornekorotkostrokoveprognozuvannâvuzlovihelektričnihnavantaženʹenergosistemi
AT šimanûkpv odnofaktornekorotkostrokoveprognozuvannâvuzlovihelektričnihnavantaženʹenergosistemi
first_indexed 2025-09-24T17:37:48Z
last_indexed 2025-09-24T17:37:48Z
_version_ 1844167803005829120

Similar Items