Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
STRESZCZENIE
Wmonografiiprzedstawionomodeleprognostycznewykorzystującemetody
uczeniamaszynowego,rozpoznawaniaobrazówiinteligencjiobliczeniowejdo
sporządzania
krótkoterminowych
prognoz
obciążeń
systemów
elektroenergetycznych.Wspólnącechątychmodelijestuczeniesięna
podstawiedanychiwykorzystaniepodobieństwobrazówcyklisezonowych
szeregówczasowychobciążeń.Szeregitesąniestacjonarne,heteroskedastyczne,
wykazujątrend,wielecykliwahańsezonowychorazzakłócenialosowe.Nowe
podejścieopartenapodobieństwieobrazówilokalnejregresjinieparametrycznej
upraszczaproblemprognostycznyiumożliwiakonstrukcjęefektywnychmodeli
prognostycznych.Modeleteopierająsięnanastępującymzałożeniu:jeżeli
obrazycyklisezonowychszereguczasowegosądosiebiepodobne(obrazy
wejściowe),toobrazycyklinastępującychponich(obrazyprognoz)równieżsą
dosiebiepodobne.Założenietopozwalabudowaćmodeleprognostyczne
wykorzystująceanalogiepomiędzypowtarzającymisięfragmentamiszeregu
czasowegozwahaniamisezonowymi.Wpracyopisanometodęanalizy
statystycznejpodobieństwpomiędzyobrazami,któraweryfikujesłuszność
założenia.Podanoszeregdefinicjiobrazówwejściowychiwyjściowych
(obrazówprognoz)orazmiarpodobieństwapomiędzyobrazami.
Zaproponowano
następujące
prognostyczne
systemy
uczące
się
wykorzystującepodobieństwaobrazówdobowychcykliszeregówczasowych
obciążeń:
•modelopartynaestymatorachjądrowych,
•modeleopartenaestymatorachnajbliższegosąsiedztwa:estymatorach
knajbliższychsąsiadóworazrozmytychestymatorachfunkcjiregresji,
•modelopartynasztucznymsystemieimmunologicznym,
•modeleopartenagrupowaniuobrazów,wykorzystujące:metodęk-średnich
wwersjiostrejirozmytej,samoorganizującesięodwzorowaniecech,gaz
neuronowy,
grupowanie
hierarchiczne
oraz
dwa
sztuczne
systemy
immunologiczne.