Abstract—Very short-term load forec

Abstract—Very short-term load forecasting predicts the loads
in electric power system one hour into the future in 5-min steps
in a moving window manner. To quantify forecasting accuracy in
real-time, the prediction interval estimatesshould also be produced
online. Effective predictions with good prediction intervals are important
for resource dispatch and area generation control, and
help power market participants make prudent decisions. We previously
presented a two level wavelet neural network method based
on back propagation without estimating prediction intervals. This
paper extends the previous work by using hybrid Kalman filters
to produce forecasting with prediction interval estimates online.
Based on data analysis, a neural network trained by an extended
Kalman filter is used for the low-low frequency component to capture
the near-linear relationship between the input load component
and the output measurement, while neural networks trained by unscented
Kalman filters are used for low-high and high frequency
components to capture their nonlinear relationships. The overall
variance estimate is then derived and evaluated for prediction interval
estimation. Testing results demonstrate the effectiveness of
hybrid Kalman filters for capturing different features of load components,
and the accuracy of the overall variance estimate derived
based on a data set from ISO New England.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ — มากการพยากรณ์โหลดระยะสั้นทำนายโหลดในระบบไฟฟ้า 1 ชั่วโมงในอนาคตในขั้นตอนที่ 5 นาทีในหน้าต่างลักษณะเคลื่อนไหว การคาดการณ์ความแม่นยำในการวัดปริมาณแบบเรียลไทม์ การคาดคะเนช่วง estimatesshould ยังผลิตออนไลน์ คาดคะเนผล ด้วยดีทำนายช่วงเวลาที่มีความสำคัญทรัพยากรส่งและพื้นที่สร้างควบคุม และช่วยให้ผู้เข้าร่วมตลาดพลังงานตัดสินใจรอบคอบ เราก่อนหน้านี้นำเสนอวิธีโครงข่ายประสาทเดียวสองระดับคะแนนในการเผยแพร่หลังโดยไม่ต้องคาดเดาช่วงเวลาประมาณ นี้กระดาษขยายการทำงานก่อนหน้านี้ โดยใช้ตัวกรองคาลมานไฮบริดการผลิตการคาดการณ์ ด้วยการคาดเดา ช่วงเวลาประเมินแบบออนไลน์อิงจากการวิเคราะห์ข้อมูล การฝึกอบรม โดยขยายเครือข่ายระบบประสาทตัวกรองคาลมานใช้สำหรับคอมโพเนนต์ความถี่ต่ำต่ำเพื่อจับภาพความสัมพันธ์ระหว่างคอมโพเนนต์โหลดเข้าใกล้เชิงเส้นและ วัดผลผลิต ในขณะที่เครือข่ายประสาทฝึก โดยเทียนตัวกรองคาลมานใช้ต่ำสูงและความถี่สูงคอมโพเนนต์การจับความสัมพันธ์เชิงเส้น โดยรวมประเมินผลต่างได้มา แล้วทำนายช่วงเวลาประเมินการประเมิน ผลการทดสอบแสดงให้เห็นถึงประสิทธิภาพของตัวกรองคาลมานไฮบริการถ่ายโหลดส่วนประกอบ คุณสมบัติที่แตกต่างและความถูกต้องของการประเมินโดยรวมของผลต่างที่ได้มาตามชุดข้อมูลจาก ISO นิวอิงแลนด์

ผลลัพธ์ (ไทย) 2:

นามธรรมมากพยากรณ์โหลดระยะสั้นคาดการณ์โหลด
ในระบบพลังงานไฟฟ้าหนึ่งชั่วโมงในอนาคตในขั้นตอนที่ 5 นาที
ในลักษณะที่หน้าต่างย้าย ปริมาณความถูกต้องของการคาดการณ์ใน
แบบ real-time ช่วงทำนาย estimatesshould ยังมีการผลิต
ออนไลน์ การคาดการณ์ที่มีประสิทธิภาพกับช่วงเวลาการทำนายที่ดีมีความสำคัญ
สำหรับการจัดส่งทรัพยากรและการควบคุมรุ่นในพื้นที่และ
เข้าร่วมการตลาดช่วยเหลืออำนาจในการตัดสินใจที่ชาญฉลาด ก่อนหน้านี้เรา
นำเสนอในระดับที่สองวิธีเครือข่ายประสาทเวฟตาม
การขยายพันธุ์โดยไม่ต้องกลับมาประมาณช่วงเวลาที่ทำนาย นี้
กระดาษขยายการทำงานก่อนหน้าโดยใช้ตัวกรองคาลมานไฮบริด
ในการผลิตการพยากรณ์ด้วยการประเมินช่วงทำนายออนไลน์.
จากการวิเคราะห์ข้อมูลเครือข่ายประสาทรับการฝึกฝนโดยขยาย
ตัวกรองคาลมานถูกนำมาใช้สำหรับองค์ประกอบความถี่ต่ำต่ำในการจับภาพ
ความสัมพันธ์ที่ใกล้เชิงเส้น ระหว่างองค์ประกอบภาระการป้อนข้อมูล
และการวัดการส่งออกในขณะที่เครือข่ายประสาทการฝึกอบรมโดยไม่มีกลิ่น
ตัวกรองคาลมานที่ใช้สำหรับความถี่ต่ำสูงและสูง
ส่วนประกอบในการจับภาพความสัมพันธ์ของพวกเขาไม่เป็นเชิงเส้น โดยรวม
ประมาณการความแปรปรวนได้มาแล้วและประเมินผลการทำนายช่วงเวลา
ประมาณค่า ผลการทดสอบแสดงให้เห็นถึงประสิทธิภาพของ
ตัวกรองคาลมานไฮบริดสำหรับการจับคุณสมบัติแตกต่างกันของส่วนประกอบภาระ
และความถูกต้องของการประมาณการความแปรปรวนโดยรวมที่ได้มา
ขึ้นอยู่กับชุดข้อมูลจาก ISO นิวอิงแลนด์

ผลลัพธ์ (ไทย) 3:

บทคัดย่อการพยากรณ์โหลดระยะสั้นมากคาดการณ์โหลดในระบบหนึ่งชั่วโมงไปในอนาคตในขั้นตอนที่ 5 นาที ไฟฟ้าในการย้ายหน้าต่างกิริยา ที่มีความแม่นยำในการพยากรณ์เรียลไทม์ , ช่วงทำนาย estimatesshould ยังสามารถผลิตออนไลน์ การคาดการณ์พยากรณ์ช่วงเวลาสำคัญที่มีประสิทธิภาพดีส่งทรัพยากรและการควบคุมการผลิต พื้นที่ และช่วยให้ผู้เข้าร่วมตลาดอำนาจการตัดสินใจชาญฉลาด . เราก่อนหน้านี้เสนอสองระดับเทคนิคโครงข่ายประสาทเทียมแบบตามหลังการเผยแพร่โดยไม่คำนวณช่วงเวลาพยากรณ์ นี้กระดาษขยายงานก่อนหน้านี้โดยใช้ตัวกรองคาลมานไฮบริดการผลิตการพยากรณ์ด้วยช่วงเวลาการคาดการณ์ประมาณการออนไลน์ใช้ในการวิเคราะห์ข้อมูล การขยายเครือข่ายประสาทใช้ตัวกรองคาลมานสำหรับความถี่ต่ำต่ำส่วนจับภาพใกล้ความสัมพันธ์เชิงเส้นระหว่างองค์ประกอบเข้า โหลดและการแสดงผลการวัด ในขณะที่โครงข่ายประสาท unscented ฝึกโดยตัวกรองคาลมานใช้สูงต่ำและความถี่สูงส่วนการจับความสัมพันธ์เชิงเส้นของพวกเขา โดยรวมความแปรปรวน ประมาณการแล้ว ซึ่งการประเมินแบบทำนายการประมาณค่า ผลการทดสอบแสดงให้เห็นถึงประสิทธิภาพของตัวกรองคาลมานไฮบริดสำหรับการจับที่แตกต่างกันคุณสมบัติของส่วนประกอบของโหลดและความแปรปรวนของค่าโดยรวมได้มาตามข้อมูลจาก ISO นิวอิงแลนด์