Dự báo sự tiêu thụ điện ở thành phố Đà Nẵng sử dụng mô hình kết hợp cửa sổ dịch chuyển và hồi quy máy học được tối ưu bởi trí tuệ bầy đàn

Tóm tắt: 20 | PDF: 19

##plugins.themes.academic_pro.article.main##

Author

  • Thi Thu Ha Truong, Ngoc-Tri Ngo, Tang Thi Khanh Vy

Từ khóa:

Sự tiêu thụ điện
độ chính xác dự báo
lý thuyết cửa số dịch chuyển
trí tuệ bầy đàn
máy học véc-tơ hỗ trợ

Tóm tắt

Dự báo điện năng đóng vai trò quan trọng trong hệ thống quản lý năng lượng. Một công cụ dự báo hiệu quả sẽ hỗ trợ các công ty đưa ra các quyết định về mua, sản xuất điện, truyền tải, và phát triển hạ tầng. Nghiên cứu này phát triển một mô hình dự báo điện năng kết hợp lý thuyết cửa sổ dịch chuyển và máy học véc-tơ hỗ trợ (LSSVR) được tối ưu bởi thuật toán con đom đóm (FA). Cửa sổ dịch chuyển được sử dụng để lựa chọn dữ liệu lịch sử hợp lý cho dự báo. Thuật toán con đom đóm nhằm tối ưu tham số của LSSVR để cải thiện độ chính xác dự báo. Một bộ dữ liệu thực tế được thu thập ở thành phố Đà Nẵng được sử dụng để kiểm chứng khả năng dự báo của mô hình đề xuất MFA-LSSVR. Kết quả thực nghiệm cho thấy mô hình đề xuất có khả năng dự báo tốt hơn mô hình moving-window LSSVR và moving-window ARIMA. Kết quả của nghiên cứu này cung cấp một công cụ tiềm năng và hiệu quả để dự báo sự tiêu thụ điện năng.

Tài liệu tham khảo

    [1] E.o. Denmark, M.o.I.a. Trade, Vietnam energy outlook report, Vietnam, 2017.
    [2] J.H. Chow, F.F. Wu, J.A. Momoh, Applied Mathematics for Restructured Electric Power Systems: Optimization, Control, and Computational Intelligence, Springer 2005.
    [3] M. Mordjaoui, S. Haddad, A. Medoued, A. Laouafi, Electric load forecasting by using dynamic neural network, International Journal of Hydrogen Energy 42(28) (2017) 17655-17663.
    [4] J. Yang, H. Rivard, R. Zmeureanu, On-line building energy prediction using adaptive artificial neural networks, Energy and Buildings 37(12) (2005) 1250-1259.
    [5] C.-J. Lu, T.-S. Lee, C.-C. Chiu, Financial time series forecasting using independent component analysis and support vector regression, Decision Support Systems 47(2) (2009) 115-125.
    [6] V.N. Vapnik, The nature of statistical learning theory, Springer-Verlag, New York, 1995.
    [7] P. Vrablecová, A. Bou Ezzeddine, V. Rozinajová, S. Šárik, A.K. Sangaiah, Smart grid load forecasting using online support vector regression, Computers & Electrical Engineering 65 (2018) 102-117.
    [8] M.-G. Zhang, Short-term load forecasting based on support vector machines regression, International Conference on Machine Learning and Cybernetics, IEEE, Guangzhou, China, 2005.
    [9] S.K. Pal, C.S. Rai, A.P. Singh, Comparative Study of Firefly Algorithm and Particle Swarm Optimization for Noisy Non-Linear Optimization Problems, International Journal of Intelligent Systems and Applications 4(10) (2012) 50-57.
    [10] I. Fister, I. Fister Jr, X.-S. Yang, J. Brest, A comprehensive review of firefly algorithms, Swarm and Evolutionary Computation 13 (2013) 34-46.
    [11] R.-P. Mundani, J. Frisch, V. Varduhn, E. Rank, A sliding window technique for interactive high-performance computing scenarios, Advances in Engineering Software 84 (2015) 21-30.
    [12] N.-T. Ngo, T.T.H. Truong, Time Series Analysis for Improving Accuracy of Stock Price Forecasts Using Least Squares Support Vector Regression, International Conference for Young Researchers in Economics and Business, Da Nang, Vietnam, 2017, pp. 637-643.
    [13] J.A.K. Suykens, T.V. Gestel, J.D. Brabanter, B.D. Moor, J. Vandewalle, Least squares support vector machines, World Scientific, Singapore, 2002.
    [14] Z. Min, T. Huanq, Short Term Load Forecasting with Least Square Support Vector Regression and PSO, in: J. Zhang (Ed.), Communications in Computer and Information Science, Springer Heidelberg Dordrecht London NewYork2011, pp. 124-132.
    [15] X.-S. Yang, Firefly algorithm, Luniver Press, Bristol, U.K, 2008
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Nov 30, 2018
Download
PDF (English)
Cách trích dẫn
Thi Thu Ha Truong, Ngoc-Tri Ngo, Tang Thi Khanh Vy. “Dự báo sự Tiêu thụ điện ở thành phố Đà Nẵng sử dụng Mô hình kết hợp cửa sổ dịch chuyển Và hồi Quy máy học được tối ưu bởi Trí tuệ bầy đàn”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 11, số p.h 132.2, Tháng Mười-Một 2018, tr 108-12, https://jst-ud.vn/jst-ud/article/view/1445.

##plugins.themes.academic_pro.article.details##