The paper shows the new approach to integration of an ensemble of neural predictors in load forecasting. In opposite to classic integration method built upon weighted averaging of every single predictor results this integration method uses only the results of one predictor which was the best on the input data of the learning vectors from the past, which were closest to the actual excitation. Thanks to this the result of ensemble is never worse than the best unit in ensemble. The results of 24-hour ahead prediction of the daily load in small power system have confirmed the efficiency of the proposed solution. Streszczenie. Artykuł przedstawia nowe podejście do integracji zespołu predyktorów neuronowych w zadaniu prognozowania godzinnych obciążeń dobowych z wyprzedzeniem 24-godzinnym. W metodyce tej do predykcji używany jest tylko jeden – najlepszy predyktor dla analizowanej doby. Konkretny wektor obciążeń z danych uczących wraz z najbardziej dokładną odpowiadającą mu siecią neuronową wyłonioną w trybie uczenia wybierany jest na podstawie najmniejszej odległości euklidesowej badanego wektora w trybie testującym. Wyniki badań numerycznych potwierdzają wyższość prezentowanej metody nad rozwiązaniami klasycznymi predykcji. (Integracja dynamiczna zespołu predyktorów w zastosowaniu do prognozowania obciążeń elektroenergetycznych).
[1]
Krzysztof Siwek,et al.
Ensemble Neural Network Approach for Accurate Load Forecasting in a Power System
,
2009,
Int. J. Appl. Math. Comput. Sci..
[2]
Song Li,et al.
A Novel Wavelet-Based Ensemble Method for Short-Term Load Forecasting with Hybrid Neural Networks and Feature Selection
,
2016,
IEEE Transactions on Power Systems.
[3]
Stanislaw Osowski,et al.
Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sieci neuronowych SVM, RBF i MLP
,
2014
.
[4]
Philip Price,et al.
Methods for Analyzing Electric Load Shape and its Variability
,
2010
.