Научный журнал «Вестник Череповецкого государственного университета»
Статья
DOI:
Полный текст:
Данная статья посвящена вопросам формирования выборки данных, необходимой для обучения и тестирования интеллектуальных алгоритмов краткосрочного прогнозирования почасового электропотребления гарантирующего поставщика. Описан алгоритм формирования обучающей выборки на основании ретроспективных данных об электропотреблении и величине влияющих факторов. Выполнено исследование законов распределения величин факторов, имеющих случайный характер: почасового электропотребления, температуры наружного воздуха, дисперсии суточных значений температуры, а также количества осадков в светлое время суток.
Доманов В. И., Билалова А. И. Прогнозирование объемов энергопотребления в зависимости от исходной информации // Вестник ЮУрГУ. Серия «Энергетика». 2016. Т. 16, № 2. С. 59–65. .
Манусов В. З., Бирюков Е. В. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами // Известия Томского политехнического университета. 2006. Т. 309, № 6. C. 153–158.
Серебряков Н. А. Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика // Вестник Иркутского государственного технического университета. 2020. Т. 24. № 2. С. 366–381. .
Станкевич Т. С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник Иркутского государственного технического университета. 2018. Т. 22, № 9. С. 111–120. .
Хомутов С. О., Сташко В. И., Серебряков Н. А. Повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня // Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331, № 6. С. 128–140. .
Bouktif S., Fiaz A., Ouni A., Serhani M. A. Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learn-ing Approaches // Energies. 2018. Vol. 11, iss. 7. URL: (дата обращения: 02.03.2021).
Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing In-ternal Covariate Shift. URL: (дата обращения: 02.03.2021).
Liu N., Tang Q., Zhang J., Fan W., Liu J. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids // Applied Energy. 2014. Vol. 129. P. 336–345.
Quayle R. G., Steadman R. G. The Steadman wind chill: An improvement over present scales // Weather and Forecsting. 1998. Vol. 13, iss. 4. P. 1187–1193.
Rajan D. V., Mallick S., Thakur S. S. An efficient approach for short-term load forecasting using historical data // International Journal of Engineering Research & Technology (IJERT). 2012. Vol. 1, iss. 3. URL: (дата обращения: 02.03.2021).
Манусов В. З., Бирюков Е. В. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами // Известия Томского политехнического университета. 2006. Т. 309, № 6. C. 153–158.
Серебряков Н. А. Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика // Вестник Иркутского государственного технического университета. 2020. Т. 24. № 2. С. 366–381. .
Станкевич Т. С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник Иркутского государственного технического университета. 2018. Т. 22, № 9. С. 111–120. .
Хомутов С. О., Сташко В. И., Серебряков Н. А. Повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня // Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331, № 6. С. 128–140. .
Bouktif S., Fiaz A., Ouni A., Serhani M. A. Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learn-ing Approaches // Energies. 2018. Vol. 11, iss. 7. URL: (дата обращения: 02.03.2021).
Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing In-ternal Covariate Shift. URL: (дата обращения: 02.03.2021).
Liu N., Tang Q., Zhang J., Fan W., Liu J. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids // Applied Energy. 2014. Vol. 129. P. 336–345.
Quayle R. G., Steadman R. G. The Steadman wind chill: An improvement over present scales // Weather and Forecsting. 1998. Vol. 13, iss. 4. P. 1187–1193.
Rajan D. V., Mallick S., Thakur S. S. An efficient approach for short-term load forecasting using historical data // International Journal of Engineering Research & Technology (IJERT). 2012. Vol. 1, iss. 3. URL: (дата обращения: 02.03.2021).
Ключевые слова:
краткосрочное прогнозирование электропотребления, обучающая выборка, влияющие факторы, закон распределения случайной величины, критерий согласия Пирсона
Для цитирования:
Хомутов С. О., Серебряков Н. А. Особенности формирования обу-чающей выборки данных при краткосрочном прогнозировании электропотребления гарантирующего поставщика с помощью инструментов глубоких нейронных сетей // Вестник Череповецкого государственного университета. 2021. № 5 (104). С. 46–58. https://doi.org/10.23859/1994-0637-2021-5-104-4.
Контент доступен под лицензией Creative Commons Attribution 4.0 License.