АНАЛІЗ МЕТОДІВ ДОСТОВІРИЗАЦІЇ ДАНИХ ДЛЯ ЗАДАЧ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ
Article_7 PDF

Ключові слова

достовіризація даних
Smart Grid
алгоритм кластеризації
прогнозування
енергосистема

Як цитувати

Шиманюк, П., і В. . Мірошник. «АНАЛІЗ МЕТОДІВ ДОСТОВІРИЗАЦІЇ ДАНИХ ДЛЯ ЗАДАЧ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ». Праці Інституту електродинаміки Національної академії наук України, вип. 60, Грудень 2021, с. 051, doi:10.15407/publishing2021.60.051.

Анотація

В умовах лібералізованого ринку електроенергії України у його учасників виникають стимули до підвищення ефективності операційної діяльності, у тому числі в операторів систем розподілу. Одним з аспектів їхньої діяльності є прогнозування втрат у мережах для купівлі відповідних обсягів електричної енергії на оптовому ринку. Перспективним підходом є прогнозування вузлового навантаження та розрахунок втрат з урахуванням топології мережі. До того ж точний прогноз вузлового навантаження необхідний для оцінювання запасу стійкості енергосистеми. Під час побудови прогностичних моделей вирішальне значення має якість даних, на яких оцінюються параметри моделі. У статті запропоновано метод виявлення та заміни аномальних значень часового ряду на основі кластеризації. Проведено порівняльний аналіз методів кластеризації для виявлення пропусків та аномальних значень у часових рядах погодинного споживання електричної енергії. Для оцінки методів достовіризації використано дані північно-західного регіону США. За результатами аналізу було виявлено, що використання методу DBSCAN призводить до значно меншої кількості хибно позитивних спрацювань. Бібл.9, рис. 3., табл. 3.

https://doi.org/10.15407/publishing2021.60.051
Article_7 PDF

Посилання

Blinov I.V. Problems of functioning and development of a new electricity market model in Ukraine (According to the scientific report at the meeting of the Presidium of NAS of Ukraine, February 3, 2021) Visn. Nac. Acad. Nauk Ukr. 2021. No 3. Pp. 20–28. DOI: https://doi.org/10.15407/visn2021.03.020 (Ukr)

Blinov I., Miroshnyk V., Shymaniuk P. Short-term interval forecast of total electricity generation by renewable energy sources producers. Pratsi Instytutu elektrodynamiky NAN Ukrainy . 2019. No 54. Pp. 5–12. DOI: https://doi.org/10.15407/publishing2019.54.005 (Ukr)

Blinov I., Miroshnyk V., Shymaniuk P. The cost of error of "day ahead" forecast of technological losses of electrical energy. Tekhnichna elektrodynamika. 2020. No 5. Pp. 70–73. DOI: https://doi.org/10.15407/techned2020.05.070 (Ukr)

IEC 63097/TR/Ed1: Smart Grid Roadmap. International Electrotechnical Commission, 2016, 308 p.

Kyrylenko, O.V., Blinov, I.V., Tankevych, S.E. Smart grid and organization of information exchange in electric power systems. Tekhnichna elektrodynamika. 2012. No 3. Pp. 47–48. (Ukr)

Ester M., Kriegel H.P., Sander J., Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). AAAI Press, 1996. Pp. 226–231.

Liu F.T., Ting K.M., Zhou Z. Isolation Forest. 2008 Eighth IEEE International Conference on Data Mining, Pisa, Italy, 2008. Pp. 413–422. DOI: https://doi.org/10.1109/ICDM.2008.17 .

Breunig M.M., Kriegel H.P., Ng R.T., Sander J. LOF: identifying density-based local outliers. ACM Sigmod Record 29, 2000. Pp. 93–104. DOI: https://doi.org/10.1145/342009.335388 .

Rousseeuw P.J., Van Driessen K. A fast algorithm for the minimum covariance determinant estimator. Technometrics. 1999. Vol. 41(3). Pp. 212–223. DOI: https://doi.org/10.1080/00401706.1999.10485670 .

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Авторське право (c) 2021 Інститут електродинаміки Національної академії наук України

Завантаження

Дані завантаження ще не доступні.