Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system

We present a brief description of the software package of the retrospective analysis and the medium-term forecasting “KORASP” and discuss ways to improve the trend and seasonal components of the mathematical model that provide the improved accuracy of a medium-term forecasting of electric energy con...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2012
Hauptverfasser:	Martyniuk A., Chernenko P.
Format:	Artikel
Sprache:	Ukrainisch
Veröffentlicht:	General Energy Institute of the National Academy of Sciences of Ukraine 2012
Schlagworte:	integrated power system electric energy consumption medium-term forecasting seasonal component artificial neural networks.
Online Zugang:	https://systemre.org/index.php/journal/article/view/446
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	System Research in Energy
Завантажити файл:

Institution

System Research in Energy

_version_	1871103808404193280
author	Martyniuk A. Chernenko P.
author_facet	Martyniuk A. Chernenko P.
author_institution_txt_mv	[ { "author": "Martyniuk A.", "institution": null }, { "author": "Chernenko P.", "institution": null } ]
author_sort	Martyniuk A.
baseUrl_str	https://systemre.org/index.php/journal/oai
collection	OJS
datestamp_date	2026-07-18T12:57:39Z
description	We present a brief description of the software package of the retrospective analysis and the medium-term forecasting “KORASP” and discuss ways to improve the trend and seasonal components of the mathematical model that provide the improved accuracy of a medium-term forecasting of electric energy consumption. The comparative evaluation of the accuracy of modeling the seasonal component of the consumed electric power with the use of the methods of autoregression and moving average, as well as three types of artificial neural networks, is carried out.
first_indexed	2026-03-24T02:01:48Z
format	Article
fulltext	35ISSN 1562�8965. Проблеми загальної енергетики, 2012, вип. 1 (28) Решение ряда задач планирования режимов при эксплуатации электроэнергетических систем, таких как составление баланса мощно� сти и энергии региональных и объединенной энергосистем, разработка графиков ремонта основного оборудования, расчет оптимальных режимов ГЭС с водохранилищами долговре� менного регулирования, планирование обеспе� чения электростанций топливом опираются на результаты среднесрочного прогнозирования электрической нагрузки. Поэтому повышение точности среднесрочного прогнозирования потребляемой электроэнергии (ПЭ) и экстре� мальных значений мощности на недельном и месячном интервалах времени является важ� ной и актуальной задачей. Основным сред� ством решения этой задачи является совершен� ствование математических моделей ПЭ. В настоящей работе описана методика усовер� шенствования математической модели месяч� ного потребления электроэнергии ОЭС, реали� зованной в разработанном программном ком� плексе (ПК) “КОРАСП”, за счет уточнения трендовой и сезонной составляющих ПЭ. ПК “КОРАСП” предназначен для решения задач анализа и среднесрочного прогнозирова� ния потребляемой электрической мощности (ПМ) и энергии с глубиной упреждения от одного месяца до двух лет [1]. Комплекс ориен� тирован на применение в энергообъединении Украины, в региональных и областных энерго� системах, а также может быть адаптирован для использования в проектных и других организа� циях, занимающихся анализом и планировани� ем электропотребления как отдельных регио� нов и отраслей хозяйства, так и страны в целом. Комплекс имеет собственную базу данных, содержащую информацию о почасовой элек� трической нагрузке и среднесуточной темпера� туре воздуха по всем областным, региональным энергосистемам и объединенной энергосистеме Украины с 2002 года. В базу данных также включена информация о потребляемой элек� троэнергии по отдельным группам отраслей хозяйства с 2005 года. Обеспечивается возмож� ность обновления информации, содержащейся в базе данных. Возможности ретроспективного анализа комплекса “КОРАСП” включают в себя отобра� жение всей имеющейся в базе данных инфор� мации за любой период в графической и табличной формах и ее статистическую обра� ботку. Математическая модель ПЭ и ПМ, используемая в блоке прогнозирования ком� плекса “КОРАСП”, адаптивно настраивается на изменение информации об электрической нагрузке и учитываемой в качестве влияющего на нее фактора – температуры воздуха. При этом осуществляется решение следующих задач среднесрочного планирования режимов ОЭС. 1. Прогнозирование месячного потребления электроэнергии по ОЭС на период от одного месяца до двух лет. Расчеты выполняются неза� висимо по трем алгоритмам, с использованием следующей информации: – суточной ПЭ объединенной энергосисте� мы (одноуровневый прогноз); УДК 621.311:519.23 А.В. МАРТЫНЮК, канд. техн. наук, П.А. ЧЕРНЕНКО, д�р техн. наук, Институт электродинамики НАН Украины, г. Киев. ПОВЫШЕНИЕ ТОЧНОСТИ МОДЕЛИРОВАНИЯ ТРЕНДОВОЙ И СЕЗОННОЙ СОСТАВЛЯЮЩИХ ПРИ СРЕДНЕСРОЧНОМ ПРОГНОЗИРОВАНИИ ПОТРЕБЛЯЕМОЙ ЭЛЕКТРОЭНЕРГИИ ЭНЕРГООБЪЕДИНЕНИЯ Приведено краткое описание программного комплекса ретроспективного анализа и среднесрочного прогнозирования "КОРАСП". Описаны пути совершенствования трен& довой и сезонной составляющих математической модели, обеспечивающие повыше& ние точности среднесрочного прогнозирования потребляемой электроэнергии. Про& ведены сравнительные оценки точности моделирования сезонной составляющей потребления электроэнергии с использованием методов авторегрессии и скользяще& го среднего и трех типов искусственных нейронных сетей. К л ю ч е в ы е с л о в а: энергообъединение, потребление электроэнергии, средне= срочное прогнозирование, сезонная составляющая, искусственные нейронные сети. © А.В. МАРТЫНЮК, П.А. ЧЕРНЕНКО, 2012 – суточной ПЭ по региональным энерго� системам (двухуровневый прогноз); – ПЭ отдельными группами потребителей (прогноз по структуре электропотребления). 2. Прогнозирование месячных и недельных максимумов и минимумов потребляемой мощ� ности по ОЭС, которое выполняется с исполь� зованием почасовых значений ПМ энергообъе� динения. 3. Уточнение ПЭ энергообъединения теку� щего месяца с использованием фактических значений суточного электропотребления за прошедший период и прогнозных значений температуры воздуха. Прогнозирование месячного ПЭ выполняет� ся с использованием среднемноголетних средне� месячных температур воздуха, рассчитанных на заданном интервале предыстории. При прог� нозировании максимальной и минимальной месячной нагрузки по умолчанию использует� ся среднемноголетняя экстремальная (макси� мальная или минимальная – в зависимости от сезона) месячная температура. В комплексе реализована возможность задания в интерак� тивном режиме используемых при прогнозиро� вании значений температуры воздуха для выполнения сценарных расчетов, так как известно, что достоверные прогнозы темпера� туры на длительный интервал упреждения Гидрометеоцентром не предоставляются. Задание фактических значений температу� ры воздуха позволяет также оценить точность используемой математической модели ПЭ. В частности, при прогнозировании месячного потребления энергии ОЭС Украины на первое полугодие 2011 г. (рис. 1), для которого было характерно существенное отличие фактичес� кой температуры воздуха от среднемноголет� ней, среднеквадратическая ошибка (СКО) за период составила 2,3%, максимальная – 4%. Использование при этом фактических зна� чений температуры приводит к снижению погрешностей прогнозирования до 1,3% и 2,8 % соответственно. Согласно проведенным расче� там, ошибка в прогнозировании среднемесяч� ной температуры на ±1 °С в рассматриваемой модели ПЭ приводит: • в условно “зимнем” сезоне (октябрь – апрель) к увеличению ошибки прогнозирова� ния ПЭ на 163 ГВт·ч ( 1% общего ПЭ); • в условно “летнем” сезоне (май – сентяб� рь) к увеличению ошибки прогнозирования ПЭ на 52 ГВт·ч ( 0,37% общего ПЭ). При прогнозировании по структуре элек� тропотребления Украины в отдельные группы выделены следующие отрасли: металлургичес� кая промышленность, остальные отрасли про� мышленности, сельское хозяйство, транспорт, строительство, коммунально�бытовое потреб� ление, непромышленные потребители, насе� ление. Дополнительно учитываются два вида потерь электроэнергии: в электросетях обла� стной и региональной энергосистем. В качестве примера приведены результаты прогнозирования месячных значений потреб� ляемой энергии по структуре ПЭ энергообъе� динения Украины за 2011 г. (рис. 2). При выборе метода прогнозирования целе� 36 ISSN 1562�8965. Проблеми загальної енергетики, 2012, вип. 1 (28) А.В. МАРТЫНЮК, П.А. ЧЕРНЕНКО 13000 15000 17000 19000 1 . 20 11 2 . 20 11 3 . 20 11 4 . 20 11 5 . 20 11 6 . 20 11 Дата W, Г В тч Прогноз ПЭ . С реднемноголетняя температура Прогноз ПЭ . Точная температура Факт ПЭ Рис. 1. Результаты прогнозирования месячного ПЭ ОЭС Украины по одноуровневому методу сообразно ориентироваться на текущие и запланированные показатели социально�эко� номического развития страны. Например, при стабильном социально�экономическом разви� тии целесообразно использовать двухуровне� вые методы прогнозирования. В случае суще� ственных отклонений температуры воздуха от своих среднемноголетних показателей, необхо� димо отдавать предпочтения одноуровневому методу прогнозирования с его возможностью корректировки среднемесячной температуры воздуха. При нестабильной экономической ситуации (например, мировой экономический кризис 2008 – 2009 годов) лучше зарекомендовал себя метод, учитывающий динамику потребления электроэнергии по отдельным группам отрас� лей хозяйства. Практическая эксплуатация программного комплекса и проведенный анализ полученных результатов выявили необходимость внесения коррекций в математическую модель ПЭ в целях повышения точности среднесрочного прогнозирования потребления электроэнер� гии. Разработанная математическая модель [2] месячного потребления энергии предусматри� вает аддитивное разложение ПЭ с выделением следующих компонент: где Wi – потребление, рассчитанное для средне� месячного рабочего, субботнего и воскресного дней і�го месяца предыстории, Wi Б – базовая компонента ПЭ, определяющая среднемного� летнее ПЭ на интервале предыстории, Wi Тр – составляющая ежемесячного изменения ПЭ (роста/спада), Wi С – составляющая электропо� требления, описывающая сезонные колебания ПЭ, Wi М – компонента ПЭ, характеризующая влияние метеорологических факторов, Wi О – остаточная составляющая электропотребле� ния, определяющая погрешность данной мате� матической модели. Таким образом, осуществляется отдельное моделирование и прогнозирование электропо� требления трех типов дней: рабочий день (понедельник – пятница), суббота и воскресе� нье. В силу близости значений суточного 37ISSN 1562�8965. Проблеми загальної енергетики, 2012, вип. 1 (28) Повышение точности моделирования трендовой и сезонной составляющих при среднесрочном прогнозировании Рис. 2. Результаты прогнозирования месячных значений ПЭ ОЭС Украины на 2011 г., полученные по информации о структуре электропотребления = + + + + ,Б Тр С М О i i i i i iW W W W W W (1) потребления за праздничные и воскресные дни, а также небольшого их количества на годовом интервале времени, в математической модели ПЭ за эти дни приравнено к воскресным. Такой подход позволяет учитывать различный состав субботних, воскресных и праздничных дней в месяцах года. Расчет прогнозного значения суммарного месячного ПЭ осуществляется по формуле где aN, bN, cN – количество рабочих, субботних и воскресных дней в N�м прогнозном месяце. Алгоритм моделирования и прогнозирова� ния каждой из составляющих ПЭ детально описан в работах [3, 4]. В данной статье пред� ставлено описание разработанной методики усовершенствования трендовой и сезонной составляющих математической модели. Трендовую составляющую электропотреб� ления в задачах среднесрочного прогнозиро� вания ПЭ энергосистемы, как правило, описы� вают линейной, полиномиальной или экспо� ненциальной моделью [5, 6]. Изначально в ПК “КОРАСП” трендовая составляющая модели� ровалась линейной функцией, но с учетом сле� дующей особенности: расчет месячного тренда проводится не для суммарного месячного электропотребления, а для среднемесячных значений ПЭ отдельно каждого типа дня. Например, значение усредненного месячного тренда электропотребления среднемесяч� ного рабочего, субботнего и воскресного дней, рассчитанные с помощью линейной регрессион� ной модели по данным ОЭС Украины за период с 2002 по 2007 годы, составляют, соот� ветственно, 0,589; 0,522; 0,484 ГВт·ч/мес. Исследования показали, что в условиях ОЭС Украины годовой тренд электропотребле� ния неравномерно распределяется по месяцам года. В частности, годовой прирост среднеме� сячного электропотребления в летние месяцы года составляет 12,3 ГВт·ч, в то время как в зимние – 5,5 ГВт·ч. Неравномерность тренда на годовом интервале обусловлена, в первую оче� редь, ускоренным приростом в летнем сезоне коммунально�бытовой составляющей ПЭ, электропотребления населением и другими непромышленными потребителями (табл. 1). Таким образом, необходимо проводить кор� рекцию рассчитанного месячного тренда элек� тропотребления согласно типу рассматривае� мого месяца. Указанную задачу предлагается решать с использованием весовых множителей, рассчитываемых по следующему алгоритму: 1. Определяется годовой тренд потреб� ляемой электроэнергии среднемесячного рабо� чего, субботнего и воскресного дней для каждо� го месяца года с использованием линейной регрессионной модели. 2. Для обеспечения репрезентативности ста� тистической выборки при корректировании месячного тренда электропотребления сред� немесячного рабочего, субботнего и воскресно� го дней, месяцы года и соответствующие им годовые тренды ПЭ группируются по следую� щим условным сезонам – зимнему и летнему. 3. Проводится корректировка рассчитанно� го усредненного месячного тренда потреб� ляемой электроэнергии среднемесячного дня каждого типа с помощью соответствующих весовых множителей: где ai – весовой множитель корректировки месячного тренда i�го месяца; – годовой тренд энергообъединения k�го месяца; n – количество месяцев в сезоне, к которому при� надлежит k�й месяц. Значения весовых коэффициентов коррек� тировки месячного тренда электропотребления среднемесячного рабочего, субботнего и вос� кресного дней, рассчитанных на данных энерго� объединения Украины за период с 2002 по 2007 гг., приведены в табл. 2. Tp kГW TpW Tp iW Tp kГW TpW TpW 38 ISSN 1562�8965. Проблеми загальної енергетики, 2012, вип. 1 (28) А.В. МАРТЫНЮК, П.А. ЧЕРНЕНКО = + +а ,N р б суб воскр N N N N N NW a W b W c W Таблица 1 – Годовой прирост ПЭ различными типами потребителей в условно зимнем и лет% нем сезонах по данным 2006 – 2007 гг. Период Прирост ПЭ в коммунально% бытовом секторе, % Прирост ПЭ другими непромыш% ленными потребителями, % Прирост ПЭ населением, % май – сентябрь 4,3 6,8 2,2 октябрь – апрель 1,5 3,3 1,0 = = = ⋅ = ⋅ ∑ ∑ 1 12 1 12 , , n Tp kГ Tp Tp k i i i i Tp kГ k W W a W a n W Сезонная составляющая модели (1) рассчи� тывается путем исключения из суммарной потребляемой электроэнергии базовой, трендо� вой и метеорологической составляющих [4]. В программном комплексе “КОРАСП” сезонная составляющая ПЭ моделируется с использова� нием метода авторегрессии и скользящего среднего сезонного типа (АРСС с периодом 12) вида (1.0.0)(2.0.0). При этом коэффициенты модели адаптивно настраиваются с учетом поступления новых данных. Однако, выделе� ние уточненного тренда обуславливает необхо� димость пересмотра принятой модели сезон� ной составляющей ПЭ. Графики сезонной составляющей Wi С, выде� ленной с использованием уточненного и линейного трендов на периоде с 2002 г. по 2007 г., представлены на рис. 3. В соответствии с рис. 3, в случае выделения упрощенного тренда наблюдается искажение годовой периодично� сти колебания электропотребления, вызванное занижением ПЭ в зимнем сезоне и его завыше� нием в летнем. В случае выделения уточненно� го тренда амплитуда сезонных колебаний ПЭ на годовом интервале сохраняется. Это под� тверждает целесообразность предложенной методики выделения тренда. Исследования показали, что для моделиро� вания сезонной составляющей, выделенной с учетом трендовой составляющей , целесо� образно использовать модель АРСС вида (1.0.1)(2.0.1). При этом ее прогнозирование осуществляется по следующей формуле: где p1, P1, P2, q1, Q1 – коэффициенты модели, εi – ошибка прогноза на i�м шаге. Коэффициенты уточненной модели, полу� ченные для сезонной составляющей ПЭ сред� немесячного рабочего дня, имеют следующие значения: p1 = 0,77; P1 = 0,65; P2 = 0,35; q1 = 0,27; Q1 = 0,43. Использование формулы (2) для моделиро� вания сезонной составляющей Wi С в комплексе с уточнением Wi Тр позволило снизить остаточ� ную составляющую Wi О модели (1). В частно� сти, среднеквадратическое значение Wi О, рас� считанной по данным 2002–2007 гг., снизилось TpW 39ISSN 1562�8965. Проблеми загальної енергетики, 2012, вип. 1 (28) Повышение точности моделирования трендовой и сезонной составляющих при среднесрочном прогнозировании Таблица 2 – Значение весовых коэффициентов корректировки месячного тренда электропотребления для двух сезонов, рассчитанных по данным ОЭС Украины за период с 2002 г. по 2007 г. Тип дня Зимний сезон Летний сезон Рабочий 0,66 1,47 Субботний 0,65 1,48 Воскресный 0,6 1,56 �100000 �85000 �70000 �55000 �40000 �25000 �10000 5000 20000 35000 50000 65000 80000 95000 110000 01 .0 2 04 .0 2 07 .0 2 10 .0 2 01 .0 3 04 .0 3 07 .0 3 10 .0 3 01 .0 4 04 .0 4 07 .0 4 10 .0 4 01 .0 5 04 .0 5 07 .0 5 10 .0 5 01 .0 6 04 .0 6 07 .0 6 10 .0 6 01 .0 7 04 .0 7 07 .0 7 10 .0 7 С езонная комп., уточненный тренд С езонная комп., линейны й тренд МВтчW C , Дата Рис. 3. Графики сезонной компоненты ПЭ среднемесячного рабочего дня за период 01.02 – 12.07 ε ε ε− − = + + − − − − − + i i�1 i�12 i�24 i�131 1 2 1 1 i�251 2 1 1 1 12 1 1 13 , C C C C C C i i W p W PW P W p PW p P W q Q q Q (1) с 1,61% до 1,27%. Экстремальные значения остаточной компоненты также существенно уменьшились: с 7% до 4,1%. В данной работе также проведен сравни� тельный анализ моделей сезонной составляю� щей, полученных с помощью метода АРСС и ряда искусственных нейронных сетей (ИНС), а именно: линейной сети, сети радиально�базис� ных функций (РБФ) и сети типа многослой� ный персептрон (МСП). В качестве исходной информации для обучения сетей использова� лись следующие параметры: • ретроспективные данные – вектор времен� ного ряда сезонной компоненты ПЭ среднеме� сячного рабочего, субботнего и воскресного дней за период с 2002 г. по 2007 г., 216 элементов; • временное окно n (определяющее количес� тво элементов временного ряда WС i–1, WС i–2, WС i–n, непосредственно влияющих на ПЭ WС i) – выбирается оптимальным для каждой сети в процессе обучения в диапазоне от 12 до 25 месяцев; • начальное количество нейронов в скры� том слое (для РБФ и МСП) – задавалось в про� цессе обучения в диапазоне от 2 до 13. Полученные в результате обучения опти� мальные параметры сети каждого типа, а также ошибки, характеризующие величину остаточ� ной компоненты Wi O модели (1), приведены в табл. 3. Из табл. 3 следует, что для всех трех нейрон� ных сетей оптимальное временное окно соста� вило 18 месяцев. При этом линейная сеть и сеть типа МСП превосходят по точности модель АРСС (2) при прогнозировании на месячный интервал упреждения. На рис. 4 приведены графики остаточных составляющих Wi O, полу� ченных при моделировании Wi C с помощью АРСС и ИНС типа МСП, по которой достигну� та наивысшая точность. Проведенные исследования подтверждают также целесообразность применения ИНС типа МСП для прогнозирования сезонной компо� ненты и на более длительный интервал упреж� 40 ISSN 1562�8965. Проблеми загальної енергетики, 2012, вип. 1 (28) А.В. МАРТЫНЮК, П.А. ЧЕРНЕНКО Таблица 3 – Результаты моделирования сезонной компоненты W C i с использованием ансамбля ИНС Тип сети Временное окно, n К%во скрытых слоев К%во нейронов в скрытом слое СКО, % Макс. ошибка, % Линейная 18 – – 1,16 3,43 РБФ 18 1 10 1,37 3,88 МПС 18 1 3 1,04 2,47 �100000 �85000 �70000 �55000 �40000 �25000 �10000 5000 20000 35000 50000 65000 80000 95000 110000 01 .0 2 04 .0 2 07 .0 2 10 .0 2 01 .0 3 04 .0 3 07 .0 3 10 .0 3 01 .0 4 04 .0 4 07 .0 4 10 .0 4 01 .0 5 04 .0 5 07 .0 5 10 .0 5 01 .0 6 04 .0 6 07 .0 6 10 .0 6 01 .0 7 04 .0 7 07 .0 7 10 .0 7 С езонная комп., уточненный тренд С езонная комп., линейны й тренд МВтчW C , Дата Рис. 4. Графики остаточных составляющих ПЭ 41ISSN 1562�8965. Проблеми загальної енергетики, 2012, вип. 1 (28) Повышение точности моделирования трендовой и сезонной составляющих при среднесрочном прогнозировании дения (до 12 месяцев). В частности, интеграль� ные статистические характеристики погрешно� сти результатов прогнозирования сезонной составляющей Wi C на интервале с 2004 г. по 2007 г. с горизонтом прогнозирования в один год, составляют: СКО – 1,21%, максимальная – 2,82%. В то время как при аналогичном прогно� зировании с использованием модели на основе метода АРСС (2) остаточная компонента равна: СКО – 2,11%, максимальная – 5,49%. ВЫВОДЫ 1. Повышение точности моделирования сезонной и трендовой составляющих позволяет уменьшить величину остаточной составляю� щей математической модели и тем самым повысить точность результатов среднесрочного прогнозирования месячного потребления элек� троэнергии энергообъединения. 2. Проведенные исследования по сравне� нию с ранее применяемой математической моделью сезонной компоненты на основе мето� да авторегрессии и скользящего среднего и моделей на основе методов искусственного интеллекта показали преимущества последних как по среднеквадратической, так и по экстре� мальной погрешностям. 3. Среди использованных для моделирова� ния сезонной компоненты трех типов искус� ственных нейронных сетей наилучшие резуль� таты по точности получены при применении сети типа многослойный персептрон. 1. Черненко П.А., Мартынюк А.В., Заславский А.И., Денисевич К.Б. Повышение эффективности пла� нирования режимов энергообъединения с использованием комплекса среднесрочного прогнозирования // Электрические сети и систе� мы. – 2009. – № 5. – С. 21 – 35. 2. Черненко П.О., Мартинюк О.В. Уточнення прог� нозу місячного електроспоживання енергооб’єд� нання // Технічна електродинаміка. – 2010. – № 1. – С. 67 – 72. 3. Черненко П.О., Мартинюк О.В. Середньостроко� ве дворівневе прогнозування електричного спо� живання енергооб’єднання // Вісник Вінницько� го політехнічного інституту. – 2008. – №6. – С. 77 – 81. 4. Черненко П.О., Мартинюк О.В., Заславський А.І. Моделювання і прогнозування електроспожи� вання та екстремальних значень електричного навантаження енергооб’єднання // Енергетика та електрифікація. – 2009. – №11. – С. 24 – 34. 5. Меламед A.M., Тимченко В.Ф., Сааренд К.А. Моделирование динамики изменений потребле� ния электроэнергии энергосистем при неполной информации // Электричество. – 1977. – № 4. – С. 66 – 69. 6. Bokor J., Dorfner P., Tanyi M. Forecasting of monthly electric energy demand from time series data / // Int. J. Energy Sys. – 1984. – Vol.4. – №1.– P. 8 – 11. Надійшла до редколегії 17.04.2012
id	systemreorg-article-446
institution	System Research in Energy
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2026-07-19T01:14:05Z
publishDate	2012
publisher	General Energy Institute of the National Academy of Sciences of Ukraine
record_format	ojs
resource_txt_mv	systemreorg/38/817d22a1d9303465508765d71b993938.pdf
spelling	systemreorg-article-4462026-07-18T12:57:39Z Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system Підвищення точності моделювання трендової та сезонної складових при середньостроковому прогнозуванні споживаної електроенергії енергооб’єднання Martyniuk A. Chernenko P. integrated power system, electric energy consumption, medium-term forecasting, seasonal component, artificial neural networks. енергооб’єднання, споживання електроенергії, середньострокове прогнозування, сезонна компоненти, штучні нейронні мережі. We present a brief description of the software package of the retrospective analysis and the medium-term forecasting “KORASP” and discuss ways to improve the trend and seasonal components of the mathematical model that provide the improved accuracy of a medium-term forecasting of electric energy consumption. The comparative evaluation of the accuracy of modeling the seasonal component of the consumed electric power with the use of the methods of autoregression and moving average, as well as three types of artificial neural networks, is carried out. Наведено короткий опис програмного комплексу ретроспективного аналізу та середньострокового прогнозування «КОРАСП». Описано шляхи вдосконалення трендової та сезонної складових математичної моделі, що забезпечують підвищення точності середньострокового прогнозування споживаної електроенергії.Проведено порівняльні оцінки точності моделювання сезонної складової споживаної електроенергії з використанням методів авторегресії і ковзного середнього і трьох типів штучних нейронних мереж. General Energy Institute of the National Academy of Sciences of Ukraine 2012-04-26 Article Article application/pdf https://systemre.org/index.php/journal/article/view/446 System Research in Energy; No. 1 (28) (2012): The Problems of General Energy; 35-41 Системні дослідження в енергетиці; № 1 (28) (2012): Проблеми загальної енергетики; 35-41 2786-7102 2786-7633 uk https://systemre.org/index.php/journal/article/view/446/383 Copyright (c) 2012 Martyniuk A., Chernenko P. https://creativecommons.org/publicdomain/zero/1.0
spellingShingle	integrated power system electric energy consumption medium-term forecasting seasonal component artificial neural networks. Martyniuk A. Chernenko P. Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system
title	Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system
title_alt	Підвищення точності моделювання трендової та сезонної складових при середньостроковому прогнозуванні споживаної електроенергії енергооб’єднання
title_full	Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system
title_fullStr	Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system
title_full_unstemmed	Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system
title_short	Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system
title_sort	improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system
topic	integrated power system electric energy consumption medium-term forecasting seasonal component artificial neural networks.
topic_facet	integrated power system electric energy consumption medium-term forecasting seasonal component artificial neural networks. енергооб’єднання споживання електроенергії середньострокове прогнозування сезонна компоненти штучні нейронні мережі.
url	https://systemre.org/index.php/journal/article/view/446
work_keys_str_mv	AT martyniuka improvingtheaccuracyofmodelingthetrendandseasonalcomponentsinthemediumtermforecastingoftheconsumedelectricpowerfromtheintegratedpowersystem AT chernenkop improvingtheaccuracyofmodelingthetrendandseasonalcomponentsinthemediumtermforecastingoftheconsumedelectricpowerfromtheintegratedpowersystem AT martyniuka pídviŝennâtočnostímodelûvannâtrendovoítasezonnoískladovihpriserednʹostrokovomuprognozuvanníspoživanoíelektroenergííenergoobêdnannâ AT chernenkop pídviŝennâtočnostímodelûvannâtrendovoítasezonnoískladovihpriserednʹostrokovomuprognozuvanníspoživanoíelektroenergííenergoobêdnannâ

Improving the accuracy of modeling the trend and seasonal components in the medium-term forecasting of the consumed electric power from the integrated power system

Institution

Ähnliche Einträge