کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5475443 1521411 2017 33 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Integrating long-term economic scenarios into peak load forecasting: An application to Spain
ترجمه فارسی عنوان
ادغام سناریوهای اقتصادی درازمدت به پیش بینی پیک بار: یک برنامه کاربردی به اسپانیا
ترجمه چکیده
پردازش اجزای روند در تقاضای برق برای پیش بینی بار بلند مدت بارگیری حیاتی است. در هنگام پیش بینی متغیرهای فرکانس بالا، مانند بارهای روزانه یا ساعتی، یک مشکل معمول این است که چگونه سناریوهای بلندمدت - با توجه به آمار جمعیت، رشد تولید ناخالص داخلی، و غیره - سازگار با پیش بینی های کوتاه مدت. رویه های سنتی که به روش های غیرمتعارف کاربرد دارند، قادر به شبیه سازی پیش بینی ها در سناریو های بلندمدت جایگزین نیستند. از سوی دیگر، مدل های موجود که تغییرات در روندهای بلندمدت را امکان پذیر می سازند، تمایلی به انقباضات سال های گذشته ندارند. در این مقاله یک روش پیش بینی جدید ارائه شده است که این رویکردها را بهبود می بخشد و قادر است ویژگی های طولانی و کوتاه مدت را با استفاده از تکنیک های تجزیه آمیز زمانه ترکیب کند. این روش برای پیش بینی بار الکتریکی برای اسپانیا استفاده می شود و عملکرد آن با شبکه ی عصبی غیرخطی با ورودی های خارجی مقایسه می شود. روش پیشنهادی ما به اندازه کافی انعطاف پذیری است که برای سناریوهای مختلف براساس پیش فرض های جایگزین در ارتباط با هر دو روندهای بلند مدت و همچنین پیش بینی های کوتاه مدت استفاده می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
چکیده انگلیسی
The treatment of trend components in electricity demand is critical for long-term peak load forecasting. When forecasting high frequency variables, like daily or hourly loads, a typical problem is how to make long-term scenarios - regarding demographics, GDP growth, etc. - compatible with short-term projections. Traditional procedures that apply de-trending methods are unable to simulate forecasts under alternative long-term scenarios. On the other hand, existing models that allow for changes in long-term trends tend to be characterized by end-of-year discontinuities. In this paper a novel forecasting procedure is presented that improves upon these approaches and is able to combine long and short-term features by employing temporal disaggregation techniques. This method is applied to forecast electricity load for Spain and its performance is compared to that of a nonlinear autoregressive neural network with exogenous inputs. Our proposed procedure is flexible enough to be applied to different scenarios based on alternative assumptions regarding both long-term trends as well as short-term projections.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 140, Part 1, 1 December 2017, Pages 682-695
نویسندگان
, ,