关键字 |
| 负荷预测、回归分析。 |
|
介绍 |
| 电能是最重要的来源之一,所有国家的社会和经济发展。能源消耗的增长本质上是与经济的增长。电力需求增加,由于人口的增长,人均消费高,快速发展的工业和商业发展,更高的国内生产总值(GDP)的增长和经济结构变化[1,2]。负荷预测问题已经收到伟大和越来越多的关注作为一个重要的和主要工具在电力系统规划和操作。这是一个有吸引力的研究课题在世界各地的许多国家,特别是在像印度这样的发展中国家与高负荷快速增长在最近几十年。许多技术,如自动回归集成移动平均[3]和回归分析(RA)[4 - 7]研究了解决低频的问题在过去的几十年。最近,相当大的兴趣似乎集中在低频人工神经网络的应用,因为他们能够提取输入变量和输出之间的关系通过学习从可用的数据库(8 - 12)。人工神经网络结合RA(13 - 16)以及与模糊逻辑(17、18)低频概述。只有少数研究已经进行了中期和长期低频。混合模型结合季节性指数调整方法与回归方法预测one-week-ahead日常负载通过雇佣前几天的信息提出了类似的预测天[19]。 A novel hybrid algorithm involving support vector regression with chaotic sequence and genetic algorithm for cyclic LF with a view to improve the forecasting performance and avoid premature convergence has been suggested [20]. A new hybrid shortterm load forecaster using economic indices in order to reduce the impact of economic dynamics such as economic recession on load demand patterns has been developed in [21]. Most of the studies focus on short-term LF. |
| 在这篇文章中,一个简单的基于RA模型对长期预测印度sector-wise电能的需求包括人均GDP和人口。本文的组织结构如下:第二部分概述RM,第三部分解释了该模型(PM)的结果,第四节总结道。 |
回归分析的概述 |
| 传统的低频模型通常可以划分为时间序列模型和RMs。在时间序列模型中,前面的负载外推获得未来的负荷。这些模型通常用传递函数扩展以适应消费者应对不断变化的天气模式和无形因素。这些模型需要大量的数据和复杂的估计过程。RMs构成第二个主要建模技术,在数据库中经常被分成小段,即构建RM对于每个部分,如季节或一天或一个星期。 |
| 类风湿性关节炎是一种用于分析数值数据的技术。因变量的彝族是一个线性组合参数,α,和独立变量,xi,它可以是线性的或非线性的。简单的线性和多元线性回归线性回归的两种基本类型。例如,在简单回归N数据点的造型,有一个独立的变量,xi,和两个参数,0和α1,α收益率直线,称为拟合回归: |
| 彝族习=α0 +α1 + ei i = 1,……N (1) |
| 在多元线性回归中,有多个自变量或独立变量的函数。例如,前面2十一项给出了一个抛物线回归: |
 (2) |
| 虽然右边表达式是二次,但它仍被认为是线性回归,因为它涉及到线性参数α0,α1和α2。 |
| 在一般多个RMs,可能有m独立变量: |
 (3) |
| 在ei误差项,代表了解释因变量的变化,并被视为一个随机变量。 |
| 在实践中,RM的性能取决于数据生成过程及其关系的形式回归方法使用。通常情况下,评估最适合使用最小二乘方法,虽然也使用其他标准。 |
提出的模型 |
| 目标是开发一个简单的预测模型预测sector-wise电能需求,与现有的模型估计净能量需求,对未来年至少输入数据。等数据,如天气,平均温度,时间,石油价格,经济,人口,等等,这是有关电能需求在任何国家,通常用于预测模型。 |
| 在这些因素中,人口增长和持续改进公共收入和生活水平,代表通过人均国内生产总值,与任何一个国家的能源消费总量(11、13)。尽管人均GDP和人口确定电能需求的良好关系的长期预测模型,他们没有现成的未来。然而,他们可以预测。人口和人均国内生产总值作为投入长期预测模型文献[11]中提出,未能开发一个工具来获得所需的输入数据的未来,从而使该模型不完整。目的是开发一个完整的模型与最小输入预测sector-wise能源需求与现有模型使用猜输入值。 |
| 点包含两个RMs,前一个预测未来人口和人均GDP为给定的一年和后一个估计部门智慧能源需求通过考虑前的输出作为输入。点的结构是图1所示。印度sector-wise历史数据包括能耗、人均GDP和人口数据1980 - 2012年期间,用于开发模型。(22 - 24)。 |
| 今年RA应用于与人均GDP和人口增长通过构建RM-1第二节中描述的过程。人均国内生产总值和人口增长与相关部门通过RA构造RM-2明智的电能需求。这两个模型结合形成该模型。该模型得到的预测作为输入和最初预测人口增长和人均国内生产总值,这是进一步处理执行sector-wise能源需求的预测。 |
| 中间结果在人均GDP和人口方面,提供RM-1,提出了四种不同去年的实际值在表1。相应的行业智慧能源需求预测,得到RM-2,连同他们的平均绝对百分比误差(日军)也包括在相同的表。很明显从日军值平均点提供了一种预测,接近实际值,从而确保未来几年的结果的准确性。预测行业智慧能源需求以及中间人均GDP和人口在2013年- 2025年提出在表2。很明显从这个表的净能源需求BkWh 2013是814.24,而需求将在2025年2168.55 BkWh。的需求在2025年将增加约2.66倍2013年的需求。政府的政策制定者以及能源公用事业新电厂的建设应采取适当步骤基于电能需求到2025年。 |
结论 |
| 一个简单的低频模型使用两个RMs,考虑到人口和人均国内生产总值,获取sector-wise能源需求,已建议。负载需求数据涉及人口和人均国内生产总值在1980年- 2012年被用于开发点。第一个RM设计来预测未来人口和人均GDP为给定的。第二个RM已经根据预测sector-wise能源需求通过处理第一网络的输出。PM将有助于决策者分配适当的资金用于建设新一代植物和传输系统,以满足未来的需求,并尝试为客户提供可靠的服务在未来几年。 |
确认 |
| 作者欣然承认SCSVMV的当局和本地治里工程College-Puducherry继续支持,鼓励和提供的设施进行这项工作。 |
表乍一看 |
 |
|
| 表1 |
表2 |
|
|
数据乍一看 |
 |
| 图1 |
|
|
引用 |
- 体育创造美国Bouwman, g . Bloemhof。,“Probabilistic forecasts of the magnitude and timing of peak electricity demand”, IEEE Transactions Power Systems, Vol. 20, pp. 1166-1172, 2005.
- 威利斯。H。L和Northcote-Green。J.E.D.,“Comparison tests of fourteen distribution load forecasting methods”, IEEE Trans. on Power Apparatus and Systems, Vol. 103(6), pp. 1190-1197, 1984.
- 冈萨雷斯查韦斯,j . Xiberta伯纳尔,h . LlanezaCoalla。,“Forecasting of energy production and consumption in Asturias (Northern Spain)”, Energy, Vol. 24(3), pp. 183-198, 1999.
- ArashGhanabri, S。FaridGhaderi M.AliAzadeh。,“Adaptive neurofuzzy inference system vs. regression based approaches for annual electric load forecasting," 2nd International Conference on Computer and Automation Engineering (ICCAE), Singapore, 26-28 Feb.2010, 5, pp. 26-30.
- 何珥中一段SJ。沃森和美国Majithia。,“Analyzing the impact of weather variables on monthly electricity demands”, IEEE Transactions onPower Systems, Vol. 20, pp. 2078-2085, 2005.
- d . asb s Lefebvre j . asb m·萨阿德,c . Desbiens。,“Nonparametric short-term load forecasting”, International Journal of ElectricalPower and Energy Systems, Vol. 22(8), pp. 630-635, 2007.
- 杰弗里•K.F. Tso开尔文K.W.邱。,“Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks”, Energy, Vol. 32(9), pp. 1761-1768, 2007.
- 恩里克SteinherzHippert、卡洛斯·爱德华多Pedreira和雷纳卡斯特罗Souza。,“Neural networks for short-term load forecasting: a reviewand evaluation”, IEEE Transactions on Power Systems, Vol. 16(1), pp. 44-55, 2001.
- Kermanshahi B和Hiroshi Iwamiya。,“Up to year 2020 load forecasting using neural networks”, Electrical Power and Energy Syst., Vol. 24(9), pp. 789-797, 2002.
- 10。Madasuhanmandlu Bhavesh Kumar Chauhan。,“Load forecasting using hybrid models”, IEEE Trans. on Power Systems, Vol. 26(1), pp.20-29, 2011.
- 萨拉瓦南,s和c Kannan Thangaraj。,“Forecasting India's electricity demand using artificial neural network”, IEEE- International Conference On Advances In Engineering, Science And Management (ICAESM -2012), pp. 79-83, 2012.
- SantoshKulkarni Sishaj p·西蒙和k . Sundareswaran。,“A spiking neural network (SNN) forecast engine for short-term electrical loadforecasting”, Applied Soft Computing, Vol. 13, pp. 3628-3635, 2013.
- a . Ghanhari a . Naghavi旧金山那里Ghaderi和m . Sabaghian。,“Artificial neural networks and regression approaches comparison for forecastingIran's annual electricity load”, Proceeding of International Conference on Power Engineering Energy and Electrical Drives, pp. 675-679. 2009.
- 赖D.B.L.锣、J.Y.B. Tan和kc。,“Application of multilayer perceptron with back propagation algorithm and regression analysis forlong-term forecast of electricity demand: a comparison”, ICED International Conference on Electronic Design, pp.1-5, 2008.
- AdemAkpinar。,“Modeling and forecasting of Turkey's energy consumption using socio-economic and demographic variables”, Applied Energy, Vol. 88(5), pp. 1927-1939, 2011.
- 诉Sackdara, s Premrudeepreechacharn Naamsanroaj, K。,“Elecricity demand forecasting of Electricite DU Lao (EDL) using neural networks”, TENCON-2010, pp. 640-644, 2010.
- TolyChen。,“A collaborative fuzzy-neural approach for long-term load forecasting in Taiwan”, Computers and Industrial Engineering, Vol.63(3), pp. 663-670, 2012.
- 王,陈和Yu-Cheng。,“Long-term load forecasting by a collaborative fuzzy-neural approach”, Electrical Power and Energy Systems, Vol. 43(1), pp. 454-464, 2012.
- 杰,Jianzhou Wang海盐,姚明陆董和笑笑。,“Short term load forecasting technique based on the seasonal exponentialadjustment method and the regression model”, Energy Conversion and Management, Vol. 70, pp. 1-9, 2013.
- Wei-Chiang香港,运城盾时,温家宝于张Li-Yueh陈和b . k . Panigrahi。,“Cyclic electric load forecasting by seasonal SVRwith chaotic genetic algorithm”, Electrical Power and Energy Systems, Vol. 44, pp. 604-614, 2013.
- Cheng-Ting林、周Li-Der Yi-Ming陈和跟包曾。,A hybrid economic indices based short-term load forecasting system”,Electrical Power and Energy Systems, Vol. 54, pp. 293-305, 2014.
- 人均国内生产总值的数据可以在http://www.indexmundi.com/india/gdp_per_capita_ (ppt) . html
- 人口数据可以在http://www.populstat.info/Asia/indiac.htm
- 印度的行业智慧能源需求可以在http://www.iasri.res.in/agridata/08data%5Cchapter3%5Cdb2008tb3_57.pdf
|
菜单
(2)
(3)
