Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
2.1.Modelekonwencjonalne
23
obciążeń
powtarzających
się
cyklicznie
dni
nietypowych,
np.
świąt
państwowychlubreligijnych.
2.1.2.Modeleregresyjne
Jednąznajwcześniejstosowanychmetoddoprognozowaniaobciążeń
elektroenergetycznychbyłaliniowaregresjawieloraka[241].Obciążeniejesttu
wyrażonepoprzezkombinacjęliniowązmiennychobjaśniających(zmienne
pogodowe,typdnia,kategoriaodbiorcyiin.).Predyktoryidentyfikowanesą
wanaliziekorelacjizezmiennąprognozowaną.Parametryregresjiszacujesię
najczęściejmetodąnajmniejszychkwadratów.Wmodeluregresjiwielorakiej
zmienneobjaśniającemogąpodlegaćselekcjinaetapiekonstrukcjimodelu.
Systematycznąmetodąselekcjizmiennychjestregresjakrokowa.Modele
regresjiliniowejdoKPOEmająograniczonezastosowanie,gdycharakter
oddziaływaniapredyktorównazmiennąprognozowanąjestnieliniowy.Problem
tenmożnazredukować,stosującnieliniowetransformacjepredyktorów,takjak
np.w[242],gdziezmiennepogodowe(temperaturapowietrza,prędkośćwiatru
iwilgotnośćpowietrza)uwzględnionowmodeluwsposóbliniowybądź
nieliniowy.Innymrozwiązaniemjestbudowamodeluregresjinieliniowej,tak
jaknp.w[286],gdzieopisanolokalnymodelregresjiwielomianowejdo
prognozyobciążeniawchwilit.Funkcjaaproksymującarozwijanajestwokół
chwilitwszeregTaylora.Doaproksymacjiwykorzystujesięobserwacjeleżące
woknieczasowymobejmującymtęchwilę.Parametramimodelusą:rząd
wielomianuirozmiaroknaczasowego.
Równieżnieliniowy,regresyjnyaddytywnymodelsemiparametrycznydo
prognozyobciążeńzwyprzedzeniemdo7dnizaproponowanow[110].Model
macharakterlogarytmicznyiuwzględniazmiennezwiązanezkalendarzem(typ
dniatygodnia,dniroboczeiświąteczne,rocznazmiennośćsezonowa
estymowanasplajnamikubicznymi),zmiennetemperaturoweorazobciążenia
opóźnione,
modelowane
szeregiem
gładkich
nieliniowych
funkcji
estymowanychsplajnamikubicznymi.Modelpozwalaopróczwyznaczenia
prognozypunktowejoszacowaćjejrozkład,któryjestprzydatnywocenie
ryzykafinansowegozwiązanegozezmiennościąpopytuiniepewnością
prognozy.Doestymacjirozkładuprognozyautorzyużywająmetody
nieparametrycznej(bootstrapowej).Wbadaniachsymulacyjnychmodelosiągał
lepszerezultatyniżsiećneuronowa.
Obokmetodregresjiparametrycznej,gdziepostaćfunkcjiregresjijest
ustalona,wmodelachKPOEwykorzystujesięregresjęnieparametryczną.
Charytoniukiin.[35],wychodzącodwielowymiarowejfunkcjigęstości
prawdopodobieństwaobciążeniaizmiennychobjaśniających,zaproponowali
nieparametrycznyestymatorfunkcjiregresjizbudowanynajądrowych
produktowych
estymatorach
gęstości.Prognoza
wyznaczana
jest
jako
warunkowawartośćoczekiwanadladanychwartościzmiennychobjaśniających
