کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071429 1521396 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Short-term power load probability density forecasting based on Yeo-Johnson transformation quantile regression and Gaussian kernel function
ترجمه فارسی عنوان
پیش بینی تراکم احتمالی بار الکتریکی کوتاه مدت بر اساس یگ یونسون رگرسیون کایلل و تابع هسته گاوس
کلمات کلیدی
ترجمه چکیده
نفوذ منابع تجدیدپذیر به سیستم های قدرت مانند انرژی باد و خورشید، پیچیدگی و عدم اطمینان در تولید انرژی و طرف های تقاضا را به میزان قابل توجهی افزایش داده است که برای بهره برداری از روش های پیشرفته تر برای رفع ابهامات، بسیار مطلوب است. روش پیش بینی تراکم احتمال با استفاده از رگرسیون کیفیلی می تواند توزیع احتمالات بار قدرت آینده را توصیف کند. با این حال، روش های پیش بینی چگالی احتمال رگرسیون موجود، ممکن است با پدیده متضاد شرم آور مواجه شوند که تأثیر آن بر پیش بینی چگالی احتمالی است. برای جلوگیری از مسئله عبور، این مطالعه پیشنهاد روش پیش بینی چگالی احتمال را با استفاده از رگرسیون کیفیلی تبدیل یو-جانسون با استفاده از تابع هسته گاوس ارائه می دهد. برآورد چگالی هسته گاوس با استفاده از یک پهنای باند شبه راست با استفاده از رگرسیون کیفی تحول یو-جانسون برای پیش بینی چگالی احتمالی بار نیروی کوتاه مدت، به صورت خلاقانه ترکیب شده است. معیارهای ارزیابی برای پیش بینی اشتباهات و فاصله زمانی پیش بینی شده برای انجام یک مطالعه جامع در مورد عدم اطمینان بار است. داده های بار بار تاریخی ماه اوت 2014 در تابستان و دسامبر 2014 در زمستان از اتاوا، کانادا برای ارزیابی عملکرد مدل پیشنهاد شده استفاده می شود. نتایج نشان می دهد که روش پیشنهادی نه تنها به طور موثری از مشکل عبور تقریبی جلوگیری می کند بلکه منحنی های چگالی احتمال و نتایج پیش بینی دقیق تر را نیز به دست می آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
پیش بینی تراکم احتمالی بار الکتریکی کوتاه مدت بر اساس یگ یونسون رگرسیون کایلل و تابع هسته گاوس
چکیده انگلیسی
Penetration of renewable resources into power systems, such as wind and solar power, has significantly grown the complexity and level of uncertainty in both power generation and demand sides, which are highly desirable to exploit more advanced methods to address the uncertainties. The probability density forecasting method using quantile regression can describe probability distributions of future power load. However, existing quantile regression probability density forecasting methods may encounter embarrassing cross phenomenon, affecting the effectiveness of probability density forecasting. To avoid the crossing issue, this study proposes a probability density forecasting method based on Yeo-Johnson transformation quantile regression using Gaussian kernel function. Gaussian kernel density estimation using a rule of thumb bandwidth is innovatively hybridized with Yeo-Johnson transformation quantile regression for short-term power load probability density forecasting. The evaluation metrics for forecasting errors and prediction interval are adopted to carry out a comprehensive study on load uncertainty handling. One-hourly historical load data of August 2014 in summer and December 2014 in winter from Ottawa, Canada are used to evaluate the performance of proposed model. The results show that the proposed method not only efficiently avoids the quantile crossing problem but also obtains smooth probability density curves and more accurate forecasting results.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 154, 1 July 2018, Pages 143-156
نویسندگان
, ,