Comparing ambient temperature account methods in neural network based city short-term load forecasting

Abstract

We offer a neural network model for forecasting the next day's hourly electric load of a city. We use a few ambient temperature account methods in the research to see how each of them affects the forecasting accuracy. Optimal meta parameters are determined to tune the neural network to give best forecasts. Among such meta parameters are the data history depth, data seasonality radius and regularization parameter of neural network weights. A multilayer perceptron is used to make forecasts. It is shown that the electric load can be forecasted most accurately when an additional neural network forecasts hourly ambient temperatures using actual hourly temperatures of the previous day and the weather station's temperature predictions for the forecast day.

Hệ Anfis Cho Bài Toán Dự Báo Dữ Liệu Chuỗi Thời Gian Và Ứng Dụng

“…Có nhiều bài toán dự báo dữ liệu chuỗi thời gian dựa trên mô hình mạng neural như: dự báo nguồn tài nguyên nước [5], dự báo lượng điện cần tải cho thành phố [22], dự báo sự biến đổi của năng lượng mặt trời [24], dự báo mức độ ô nhiễm môi trường [18],… Ngoài ra, một số bài toán áp dụng hệ thống suy luận mờ FIS (Fuzzy Inference System) để đưa ra các dự báo như: dự báo chỉ số chứng khoán [26], dự báo tỷ giá thông qua kỹ thuật tính toán DNA [10], dự báo sự biến động của giá cả thị trường cổ phiếu [12], hệ hỗ trợ ra quyết định chiến lược kinh doanh [8],… Mô hình dự báo neuro-fuzzy ANFIS dựa trên sự kết hợp giữa mô hình mạng neural và hệ suy luận mờ FIS cũng được đề cập trong nhiều công trình nghiên cứu như phân loại phương tiện và lưu lượng giao thông trong các ứng dụng vận chuyển [17], dự báo sự hỏng hóc của máy móc [27], xác định xác suất xảy ra dịch sốt xuất huyết ở Bangladesh [4], kỹ thuật mạng neural kết hợp với suy luận mờ để dự báo giá cổ phiếu, nhiệt độ, bán hàng, sản xuất cây trồng [23], xây dựng mô hình F-CONFIS (Fully Connected Neuro-Fuzzy Inference System) để dự báo nhiều dạng dữ liệu đầu ra [7], xây dựng kiến trúc mạng neuro-fuzzy và thuật toán suy luận mờ để dự báo dữ liệu tương lai [11], hệ thống suy luận kết hợp giữa logic mờ và mạng neural, mô hình phân lớp dựa trên mạng neuro-fuzzy [13],… Theo tài liệu [9], A. S. George tiếp cận mô hình ANFIS để dự báo sản lượng sữa của hai nông trại. Theo tài liệu [20], M. D. Murphy tiếp cận bài toán dự báo sản lượng sữa và so sánh kết quả bằng nhiều phương pháp khác nhau.…”