I. INTRODUCTION Load Forecasting is

I. INTRODUCTION
Load Forecasting is very important to the power system operation for economic and security reasons 131. If an accurate estimate of the power system load is available with leading times of at least 24 hours, then it is possible to coordinate the energy generation economically, by selecting the more adequate generating unites to supply the load. Se:curity analysis of the power system uses producted loads to assess the state of the system in advance, so that future contingencies may be prevented. Moreover, a load forecasting system is also important as an analytical tool used in electrical power systems recovery. Many authors have already addressed the use of Artificial Neural Networks (ANNs) to the load forecasting problem [1,2,4]. However, most of the works is this area consider 0-7803-2972-4/96$5.00@1996 IEEE short term load forecasting (STLJ), whlch is the load prediction with a lending time of up to 24 hours. Besides, weather variables (m;unly temperature) have been commonly used in most of these applications. At ICA (Research Centre for Applied C0mputatic)nal Intelligence of PUC-Rio, Brazil), we have used the Backpropagation Neural Network [5] in a multi-step procedure to predict the load with leading times of up to 744 hours. Forecasting is made by feeding the Neural Network with the past loads and the with hour of the day. We have adopted four different Neural Nets to predict the load of dfferent groups of week days. Temperature data is not used due to the characteristic of the consumers supplied by the electric company in study. Our objective is to show that accurate prebctions can be obtained using tlvs approach and to investigate the performance limit as we increase the predctions' leading time. The following section presents the load series previ.ous analysis that was made in order to identify the most suitable Neural Network topology. In section 3 we present the cho'sen Neural Network topology and section 4 presents the case studes and results. The conclusions of the work are presented in section 5.

ผลลัพธ์ (ไทย) 1:

I. บทนำ โหลดการคาดการณ์เป็นสิ่งสำคัญมากกับการดำเนินงานระบบไฟฟ้าสำหรับเศรษฐกิจ และเหตุผลความปลอดภัย 131 หากการประเมินที่แม่นยำของโหลดระบบไฟฟ้าพร้อมกับนำของอย่างน้อย 24 ชั่วโมง แล้วจำเป็นต้องประสานงานผลิตพลังงานทางเศรษฐกิจ โดยเลือก สร้างเพียงพอมากคพรีจัดหาโหลด Se:curity การวิเคราะห์ระบบไฟฟ้าใช้ producted โหลดเพื่อประเมินสถานะของระบบล่วงหน้า เพื่อให้ภาระผูกพันในอนาคตอาจจะไม่สามารถ นอกจากนี้ โหลดการคาดการณ์ระบบเป็นสิ่งที่สำคัญเป็นเครื่องมือการวิเคราะห์ที่ใช้ในการกู้คืนระบบไฟฟ้า ผู้เขียนหลายคนแล้วมีส่งการใช้เครือข่ายประสาทเทียม (ANNs) โหลดการคาดการณ์ปัญหา [1,2,4] อย่างไรก็ตาม ส่วนใหญ่ของงานเป็นพื้นที่นี้พิจารณาระยะสั้น IEEE 0-7803-2972-4/96$5.00@1996 โหลดการคาดการณ์ (STLJ) whlch เป็นการคาดเดาโหลด ด้วยยืมเวลาถึง 24 ชั่วโมง ตัวแปรพยากรณ์อากาศ (เมตร อุณหภูมิ unly) ได้ถูกใช้ในส่วนใหญ่ของโปรแกรมประยุกต์เหล่านี้ ที่ ICA (ศูนย์วิจัยใช้ C0mputatic) nal ข่าวกรอง PUC-โอ บราซิล), เราได้ใช้เครือข่ายประสาท Backpropagation [5] ในกระบวนการหลายขั้นตอนเพื่อทำนายโหลดด้วยเวลาถึง 744 ชั่วโมง การคาดการณ์จะทำ โดยให้อาหารเครือข่ายประสาทกับโหลดผ่านมาและ มีชั่วโมงของวัน เราได้นำตาข่ายประสาทแตกต่างกันสี่ทำนายโหลดของ dfferent กลุ่มของสัปดาห์วัน ไม่มีใช้ข้อมูลอุณหภูมิเนื่องจากลักษณะของผู้บริโภคที่จัดทำ โดยบริษัทไฟฟ้าในการศึกษา วัตถุประสงค์ของเราคือ การแสดงว่า ถูกต้อง prebctions ได้โดยใช้วิธี tlvs และ เพื่อตรวจสอบขีดจำกัดเช่นเราเพิ่มเวลานำของ predctions ส่วนต่อไปนี้แสดงการวิเคราะห์ previ.ous ชุดโหลดที่ทำเพื่อระบุโครงสร้างเครือข่ายประสาทเหมาะสมที่สุด ในส่วน ที่ 3 ที่เรานำเสนอโครงสร้างเครือข่ายระบบประสาท cho'sen และส่วนที่ 4 นำเสนอกรณี studes และผล บทสรุปของการทำงานจะนำเสนอในส่วนที่ 5

ผลลัพธ์ (ไทย) 2:

I. บทนำ
พยากรณ์โหลดเป็นสิ่งสำคัญมากในการดำเนินงานระบบไฟฟ้าสำหรับเศรษฐกิจและการรักษาความปลอดภัยด้วยเหตุผล 131 หากมีการประมาณการที่แม่นยำของการโหลดระบบไฟฟ้าสามารถใช้ได้กับครั้งชั้นนำของอย่างน้อย 24 ชั่วโมงแล้วมันเป็นไปได้ในการประสานงานการผลิตพลังงานทางเศรษฐกิจ โดยการเลือกสร้างมากเพียงพอที่จะจัดหา unites โหลด Se: การวิเคราะห์ curity ของระบบไฟฟ้าที่ใช้ producted โหลดเพื่อประเมินสถานะของระบบในการล่วงหน้าเพื่อให้ภาระผูกพันในอนาคตอาจจะป้องกันได้ นอกจากนี้ระบบการพยากรณ์โหลดก็มีความสำคัญในฐานะที่เป็นเครื่องมือวิเคราะห์ที่ใช้ในการกู้คืนระบบไฟฟ้า ผู้เขียนหลายคนได้อยู่แล้วการใช้โครงข่ายประสาทเทียม (ANNs) เพื่อปัญหาโหลดพยากรณ์ [1,2,4] แต่ส่วนใหญ่ของการทำงานคือบริเวณนี้พิจารณา 0-7803-2972-4/96$5.00@1996 IEEE การพยากรณ์โหลดระยะสั้น (STLJ) whlch คือการทำนายโหลดที่มีเวลาการให้กู้ยืมไม่เกิน 24 ชั่วโมง นอกจากนี้ตัวแปรสภาพอากาศ (m อุณหภูมิ unly) ได้ถูกนำมาใช้กันทั่วไปในส่วนของโปรแกรมเหล่านี้ ที่ ICA (ศูนย์วิจัยประยุกต์ C0mputatic) หน่วยสืบราชการลับของ NAL PUC-ริโอบราซิล), เราได้ใช้โครงข่ายประสาทเทียมแพร่กระจายย้อนกลับ [5] ในขั้นตอนหลายขั้นตอนที่จะคาดการณ์ภาระกับเวลาชั้นนำถึง 744 ชั่วโมง พยากรณ์จะทำโดยการให้อาหารเครือข่ายประสาทกับโหลดที่ผ่านมาและมีชั่วโมงของวัน เราได้นำสี่ประสาทที่แตกต่างกันในการทำนายภาระของกลุ่ม dfferent วันสัปดาห์ ข้อมูลที่อุณหภูมิไม่ได้ใช้เนื่องจากลักษณะของผู้บริโภคที่จัดทำโดย บริษัท ไฟฟ้าในการศึกษา วัตถุประสงค์ของเราคือการแสดงให้เห็นว่า prebctions ที่ถูกต้องสามารถรับใช้วิธี tlvs และการตรวจสอบประสิทธิภาพการทำงานของวงเงินที่เราเพิ่มเวลาชั้นนำ predctions ' ส่วนต่อไปนี้แสดงการวิเคราะห์ชุดโหลด previ.ous ที่ถูกสร้างขึ้นมาเพื่อที่จะระบุที่เหมาะสมที่สุดโครงสร้างโครงข่ายประสาทเทียม ในข้อ 3 เรานำเสนอ cho'sen โทโพโลยีเครือข่ายประสาทและส่วนที่ 4 การจัด studes กรณีและผล ข้อสรุปของการทำงานจะถูกนำเสนอในมาตรา 5

ผลลัพธ์ (ไทย) 3:

ผมแนะนำการพยากรณ์ความต้องการมีความสำคัญต่อระบบเศรษฐกิจและความมั่นคงพลังงานเหตุผล 131 . ถ้าการประเมินความถูกต้องของระบบพลังงานที่สามารถใช้ได้กับเวลาโหลดาอย่างน้อย 24 ชั่วโมง แล้วมันเป็นไปได้ที่จะประสานงานการผลิตพลังงานประหยัด โดยเลือกสร้างอย่างเพียงพอ unites จัดหาโหลด เซ : การวิเคราะห์ curity ของระบบพลังงานได้โหลดใช้เพื่อประเมินสถานะของระบบล่วงหน้า เพื่อให้ภาระผูกพันในอนาคตอาจจะป้องกันได้ นอกจากนี้ ระบบการพยากรณ์โหลดก็สำคัญ เป็นการวิเคราะห์ เครื่องมือที่ใช้ในการกู้คืนระบบไฟฟ้ากำลัง ผู้เขียนหลายคนได้ให้ความสนใจการใช้โครงข่ายประสาทเทียม ( แอนน์ ) โหลดการพยากรณ์ปัญหา [ 1,2,4 ] อย่างไรก็ตาม ที่สุดของงานคือ พื้นที่นี้ พิจารณา 0-7803-2972-4 / 96 $ 5.00 @ 1996 โดยการพยากรณ์ความต้องการระยะสั้น ( stlj ) whlch เป็นพยากรณ์ภาระกับการให้กู้ยืมเวลาถึง 24 ชั่วโมง นอกจากนี้ ตัวแปรสภาพอากาศ ( M ; unly อุณหภูมิ ) มีใช้กันทั่วไปในส่วนใหญ่ของโปรแกรมเหล่านี้ ที่ ICA ( ศูนย์วิจัยประยุกต์ c0mputatic ) หน่วยสืบราชการลับของนาล puc ริโอ , บราซิล ) , เราได้ใช้ข่ายงานประสาทแบบ [ 5 ] ในการปรับกระบวนการพยากรณ์โหลดกับครั้งาถึง 744 ชั่วโมง พยากรณ์โดยการให้เครือข่ายประสาทกับโหลด ผ่าน มา และ กับชั่วโมงของวัน เราได้ใช้สี่ต่างตาข่ายประสาททํานายโหลด dfferent กลุ่มวันอาทิตย์ ข้อมูลอุณหภูมิไม่ได้ใช้เนื่องจากลักษณะของผู้บริโภค จัดโดย บริษัทไฟฟ้าในการศึกษา วัตถุประสงค์ของเราคือเพื่อแสดงให้เห็นว่า prebctions ถูกต้องสามารถได้รับโดยใช้วิธีการ tlvs และศึกษาขีดจำกัดสมรรถนะที่เราเพิ่ม predctions าเวลา ส่วนต่อไปนี้แสดงชุด previ.ous โหลดการวิเคราะห์ที่ทำเพื่อการระบุที่เหมาะสมที่สุดโครงสร้างเครือข่ายประสาท ในส่วนที่ 3 ที่เรานำเสนอ cho'sen โครงข่ายประสาทเทียมแบบและมาตรา 4 ได้นำเสนอกรณีการและผลลัพธ์ ข้อสรุปของงานจะถูกนำเสนอในส่วนที่ 5 .