Application of regression trees in the analysis of electricity load

• Autorzy: Barbara Gładysz , Dorota Kuchta

Warianty tytułu

Drzewa regresyjne w analizie obciążenia systemu elektroenergetycznego

• Języki publikacji: EN

Abstrakty

EN

In the paper electricity load analysis was performed for a power region in Poland. Identifying the factors that influence the electricity demand and determining the nature of the influence is a crucial element of an effective energy management. In order to analyse the electricity load level the CART (Classification and Regression Tree) method has been used. The data for the analysis are hourly observations of the electricity load and weather throughout one year period. Two categories of factors were taken as predictor variables, on which the demand for the electricity load depends: variables describing weather and variables representing structure days in a year. An analysis of the errors of the presented models was carried out. (original abstract)

W artykule zbadano wpływ warunków atmosferycznych na poziom obciążenia systemu elektroenergetycznego. Identyfikacja czynników warunkujących wielkość popytu na energię elektryczną jest podstawowym elementem systemu zarządzania energią elektryczną. W badaniach zastosowano metodę k-średnich oraz technikę drzew klasyfikacyjnych i regresyjnych. W pierwszym etapie badań metodą k-średnich wyróżniono jednorodne - z uwagi na obciążenie systemu elektroenergetycznego - grupy godzin w skali doby. Dla każdej z grup dla wybranej godziny (reprezentanta) zbudowano drzewo regresyjne, przyjmując jako czynniki dane meteorologiczne oraz typ dnia w skali roku. Przeprowadzona analiza pokazała, że czynnikami warunkującymi poziom obciążenia systemu energetycznego są: temperatura, punkt rosy, wilgotność oraz rodzaj opadów. Informacja o rodzaju oraz wartościach progowych tych czynników meteorologicznych może zostać wykorzystana w procesie prognozowania poziomu obciążenia systemu elektroenergetycznego i tym samym przyczynić się do poprawy efektywności procesów zarządzania energią. Przeprowadzono analizę błędów skonstruowanych drzew regresyjnych. (abstrakt oryginalny)

Słowa kluczowe

EN

Electric power; Operations research; Data analysis; K-means methods; Classification trees

PL

Energia elektryczna; Badania operacyjne; Analiza danych; Metoda k-średnich; Drzewa klasyfikacyjne

• Czasopismo: Badania Operacyjne i Decyzje
• Rocznik: 2008
• Numer: nr 4
• Strony: 19--28

Twórcy

autor

Barbara Gładysz

autor

Dorota Kuchta

Bibliografia

• [1]ALFARES H.K., NAZEERUDDIN M., Electric load forecasting: literature survey and classification of methods, International Journal of Systems Science, 2002, 33, 23-34.
• [2] AL-KANDARI A.M., SOLIMAN S.A., EL-HAWARY M.E., Fuzzy short-term load forecasting, Electrical Power and Energy Systems, 2004, 26.
• [3] BREIMAN L., FRIEDMAN J., OLSEN R., STONE CH, Classification and Regression Trees, Chapman and Hall/CRC Press, Boca Raton, Fl, 1984.
• [4]CHENTHUR PANDIAN S., DURAISWAMY K., CHRISTOBER ASIR RAJAN C., KANAGARAJ N., Fuzzy approach for short term load forecasting, Electric Power and Systems Research, 2006, 76.
• [5] GŁADYSZ B., Regresja odporna w prognozowaniu obciążenia elektroenergetycznego [in:] P. Dittmann, J. Szanduła (eds.), Prognozowanie w zarządzaniu firmą, Indygo Zahir Media, Wrocław 2008, 120-126.
• [6] GŁADYSZ B., KUCHTA D., Outliers detection in selected fuzzy regression models [in:] Application of Fuzzy Sets Theory, F. Massulli, S. Mitra, G. Pasi (eds.), 7-th International workshop on Fuzzy Logic, WILF 2007, Camogli Italy, July 2007, Proceedings, LNAI 2007, Springer-Verlag, Berlin-Heidelber 2007
• [7] GŁADYSZ B., KOŁWZAN W., MERCIK J., Prognozowanie w zarządzaniu energią [in:] Prognozowanie w zarządzaniu firmą, P. Dittmann, J. Krupowicz (eds.), Wydawnictwo Akademii Ekonomicznej, Wrocław 2006, 197-206.
• [8] GŁADYSZ B., The electric power load fuzzy regression model [in:] Issues in Soft Computing Decisions of Operations Research, O. Hryniewicz, J. Kacprzyk, D. Kuchta (eds.), Academic Publishing House EXIT, Warszawa 2005, 171-180.
• [9] LAROSE D.T., Discovering Knowledge in Data, An Introduction to Data Mining, John Wiley and Sons, Inc., Indianapolis 2005.
• [10]LOTUFO A.D.P., MINUSSI C.R., Electric power systems load forecasting. A survey, Proceedings of IEEE Power Tech'99 Conference, Budapest 1999.
• [11 ] KANTARDZIC M., Data mining: Concepts, Models, Methods, and Algorithms, Wiley-Interscience, Hoboken, New York 2003.
• [12] MASTOROCOSTAS P.A., THEOCHARIS J.B., PETRIDIS S.P., A constrained orthogonal least-squares method for generating TSK fuzzy models: Application to short-term load forecasting, Fuzzy Sets and Systems, 2001, 118,215-233.
• [13] OSOWSKI S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000.
• [14]RUŹIĆ S., VUĆKOVIĆ A., NlKOLIĆ N., Weather sensitive method for short term load forecasting in electric power utility of Serbia, IEEE Transactions on Power Systems, 2003, 18, 1581-1586.
• [15] WÓJCIAK M., WÓJCICKA A., O metodzie korekty prognoz minimalizującej koszt niezbilansowani zapotrzebowania na energią elektryczny [in:] Prognozowanie w zarządzaniu firmą, P. Dittmann, J. Krupowicz (eds.), Wydawnictwo Akademii Ekonomicznej, Wrocław 2006, 336-347.