Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
24
2.Przeglądmetodprognozowaniakrótkoterminowego…
(lokalnaśredniazaobserwowanychobciążeńwsąsiedztwiepredyktorów).
Wektorparametrówmodelu(parametrywygładzaniająder)estymowanybył
wprocesieoptymalizacjigradientowej.Wbadaniachsymulacyjnychmodel
zasilanytrzemapredyktorami(czas,temperaturaitemperaturaskumulowana)
pozwalałuzyskaćrezultatyniewielegorszeodwielowarstwowegoperceptronu.
Podobnymodelregresyjny(zwanyestymatoremNadarayi-Watsona)opisano
w[90].Wmodelutymjakopredyktorówużytoskładowychobrazówobciążeń,
aparametrywygładzaniadobieranowedługmetodydeterministycznej.
Otrzymanorezultatylepszeodwielowarstwowegoperceptronu,porównywalne
zmodelemregresjirozmytej.Wpracach[95]i[83]opisanometody
optymalizacjitegomodelu–selekcjęzmiennychwejściowychioptymalizację
parametrówwygładzania.Innymodelregresjinieparametrycznej,zbudowanyna
zmiennychniehomogenicznych,wzastosowaniudoKPOEopisanow[12].
2.1.3.Modeleautoregresjiiśredniejruchomej
HistorycznyobrazkonwencjonalnychmetodKPOEdajeprzeglądowy
artykułGrossaiGalianyz1987roku[123].Autorzywyodrębniajądwieklasy
modeliKPOE.Pierwszaklasa(time-of-daymodels)obejmujemodele,wktórych
prognozowaneobciążeniejestkombinacjąliniowąskończonejliczbyfunkcji
czasuf
i
(t)ibiałegoszumu
ξ
(t):
n
P
(
t
)
=
∑
α
i
f
i
(
t
)
+
ξ
(
t
),
t
∈
T
,
i
=
1
(2.1)
gdzieTjestokresemprognozy(np.24h).
Funkcje
f
i
(t)
są
najczęściej
sinusoidalne.
Parametry
modelu
(wagi
poszczególnychfunkcji)możnaoszacowaćpoprzezregresjęliniowąna
podstawiedanychhistorycznych.Zaletątychmodelijestczytelnastruktura
iprostysposóbaktualizacjiparametrów.Wśródwadwymieniasięograniczoną
dokładnośćwodwzorowaniustochastycznejnaturyprocesuorazignorowanie
dodatkowychzmiennychobjaśniających,np.pogodowych.Przykładymodelitej
klasymożnaznaleźćw[27].W[242]model(2.1)zfunkcjamisinusoidalnymi
połączono
addytywnie
z
modelem
regresji
liniowej
z
predyktorami
pogodowymi.
Wdrugiejklasiemodeli(dynamicmodels)obokfunkcjiczasuwprowadzasię
zmienneobjaśniającezwiązanezzachowaniemprzebieguczasowegoobciążenia
w
przeszłości,
czynników
pogodowych
i
losowych.
Popularnymi
reprezentantemtejklasysąmodeleautoregresyjne,którychogólnapostać
zawieradwaskładniki.Pierwszyskładnikwyrażaudziałwobciążeniu
czynnikówzależnychodczasuw„normalnych”warunkachpogodowychdla
określonegodniaprognozy.Komponenttenmożemiećpostaćsumyfunkcji
periodycznych(2.1).Drugiskładnikjestaddytywnymwyrażeniemresztowym
