Список выпусков > Серия «Математика». 2014. Том 9
Прогнозирование параметров электроэнергетических систем используя преобразование Гильберта-Хуанга и машинное обучение
Разработан гибридный подход прогнозирования нестационарных временных рядов. Подход продемонстрирован на примере задач прогнозирования параметров систем электроэнеретики. Предлагаемый адаптивный подход использует разложение на моды анализ признаков ретроспективных данных на основе преобразования Гильберта-Хуанга и алгоритмов машинного обучения. Используются методы машинного обучения на основе алгоритмов случайный лес (Random forest) и градиентный бустинг над деревьями (Gradient boosting trees). Эти методы, а также индекс Джини, используются для ранжирования значимости признаков в прогнозных моделях. Полученные гибридные прогнозные модели используют нейронную сеть на основе радиальных базисных функций и регресионную модель на основе метода опорных векторов. Помимо введения и списка источников статья организована следующим образом. Второй раздел содержит обзор современных подходов для краткосрочного прогнозирования параметров энергетических систем. В третьем разделе изложен разработанный гибридный подход, основанный на машинном обучении и использующий преобразование Гильберта-Хуанга для краткосрочного прогноза параметров электроэнеретических систем. В четвёртом разделе описаны алгоритмы обучения решающих деревьев для определения значимости переменных. В заключении представлены экспериментальные результаты в следующих электроэнергетических задачах: прогнозирование перетоков активной мощности, прогнозирования цен на электроэнергию и прогнозирование скорости и направления ветра для ветровых генераторов электроэнергии.
1. Areekul Ph. Senjyu T., Toyama H., Yona A. A Hybrid ARIMA and Neural Network Model for Short-Term Price Forecasting in Deregulated Market. IEEE Trans. Power Syst, 2010, vol. 25, no 1, pp. 524-530.
2. Breiman L., Friedman J., Olshen R., Stone C. Classification and Regression Trees. Belmont California, Wadsworth, 1984.
3. Breiman L. Random Forests. Machine Learning, 2001, vol. 45, pp. 5-32.
4. Damousis I.G., Dokopoulos P. A fuzzy model expert system for the forecasting of wind speed and power generation in wind farms. Proc. of the IEEE International Conference on Power Industry Computer Applications PICA 01, 2001, pp. 63-69.
5. Friedman J. Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 2001, vol. 29.
6. Foley A.M. Leahy P.G., Marvuglia A., McKeogh E.J. Current Methods and Advances in Forecasting of Wind Power Generation. Renewable Energy, 2012, vol. 37, no 1, pp. 1-8.
7. Friedman J.H. Stochastic gradient boosting. Computational Statistics and Data Analysis, 2002, vol. 38, pp. 367-378.
8. Fugon L., Juban J., Kariniotakis G. Data mining for wind power forecasting. Proc. the European Wind Energy Conference, Brussels, Belgium, Apr. 2008.
9. Garcia R.C., Contreras J., M. van Akkeren, Batista J., Garcia C. A GARCH Forecasting Model to Predict Day-Ahead Electricity Prices. IEEE Transactions on Power Systems, 2005, vol. 20, no 2.
10. Gerikh V., Kolosok I., Kurbatsky V., Tomin N. Application of Neural Network Technologies for Price Forecasting in the Liberalized Electricity Market. Scien. Journal of Riga Tech. Univer. Ser. Power and Electrical Engineering, 2009, vol. 5, pp. 91-96.
11. Glazunova A.M., Forecasting Power System State Variables on the Basis of Dynamic State Estimation and Artificial Neural Networks. Proc. the IEEE Region 8 SIBIRCON-2010, Listvyanka, Russia, 2010
12. Hippert H. Steinherz, Pedreira C. Eduardo, Souza R. Castro. Neural Networks for Short-Term Load Forecasting: A Review and Evaluation. IEEE Trans. On Power Systems, 2001, vol. 16, no 1.
13. Kavasseri R.G., Seetharaman K. Day-ahead wind speed forecasting using f-ARIMA models. Renewable Energy, 2009, vol. 34, no. 5, pp. 1388-1393.
14. Khotanzad A.Z., Elragal H. A neuro-fuzzy approach to short-term load forecasting in a price sensitive environment. IEEE Trans. Power Syst, 2002, vol. 17, no 4, pp. l273-1282.
15. Kurbatsky V. Sidorov D., Spiryaev V., Tomin N. On the Neural Network Approach for Forecasting of Nonstationary Time Series on the Basis of the Hilbert–Huang Transform. Automation and Remote Control, 2011, vol. 72, no. 7, pp. 1405-1414.
16. Kurbatsky V., Tomin N., Sidorov D., Spiryaev V. Hybrid Model for Short-Term Forecasting in Electric Power System. International Journal of Machine Learning and Computing, 2011, vol. 1, no 2, pp. 138-147.
17. Kurbatsky V., Sidorov D., Spiryaev V., Tomin N. Forecasting Nonstationary Time Series on the Basis of Hilbert-Huang Transform andMachine Learning. Automation and Remote Control, 2014, vol. 75, no 4, pp.12-16.
18. Leahy P. et al. Structural optimisation and input selection of an artificial neural network for river level prediction. Journal of Hydrology, 2008, vol. 355, pp. 192-201.
19. Louppe G. et al. Understanding variable importances in forests of randomized trees. Advances in Neural Information Processing Systems, 2013, pp. 431-439.
20. Ludermir T.B. et al. An optimization methodology for neural network weights and architectures. IEEE Trans. on Neural Networks, 2006, vol. 17, pp. 1452-1459.
21. Mercer J. Functions of positive and negative type, and their connection with the theory of integral equations. Phil. Trans. of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 1909, vol. 209, pp.415-446.
22. Natenberg E.J. Gagne II D.J., Zack J.W., Manobianco J., Van Knowe G.E., Melino T. Application of a Random Forest Approach to Model Output Statistics for use in Day Ahead Wind Power Forecasts. Proc. the Symposium on the Role of Statistical Methods in Weather and Climate Prediction, USA, Austin, 2013.
23. Negnevitsky M., Voropai N., Kurbatsky V., Tomin N., and D. Panasetsky Development of an Intelligent System for Preventing Large-Scale Emergencies in Power Systems. IEEE/PES General Meeting, Vancouver, BC, Canada, 21-25 July2013, pp. 1-6.
24. Neville P.G. Controversy of Variable Importance in Random Forests. Journal of Unified Statistical Techniques, 2013, vol. 1, no 1, pp. 15-20
25. Prechelt L. Proben1 - A set of neural network benchmark problems and benchmark rules. Computer Science Faculty, University of Karlsruhe, Germany, Tech.l Rep. 21/94, Sept. 1994.
26. Sinha N., Lai L.L., Kumar Ghosh P., Ma Y.Wavelet-GA-ANN Based HybridModel for Accurate Prediction of Short-Term Load Forecast. Proc. the IEEE Inter. Conf. on ISAP, 2007, Toki Messe, Niigata, pp. 1-8.
27. Sidorov D. N. Methods of Analysis of Integral Dynamical Models: Theory and Applications (Russian). ISU Publ., Irkutsk, 2013, 293 p.
28. Torres M. E. et al. A complete ensemble empirical mode decomposition with adaptive noise. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), IEEE, 2011, pp. 4144-4147.
29. Voropai N.I. Glazunova A.M., Kurbatsky V.G., Sidorov D.N., Spiryaev V.A., Tomin N.V. Operating Conditions Forecasting for Monitoring and Control of Electric Power Systems. Proc. the IEEE ISGT Europe 2010 Conference,Gothenburg, Sweden, 2010.
30. Watters C.S., Leahy P. Comparison of linear, Kalman filter and neural network downscaling of wind speeds from numerical weather prediction. Proc. 2011 10th International Conference on Environment and Electrical Engineering, Rome, Italia, 2009.
31. Wu Z., Huang N. E. Ensemble empirical mode decomposition: a noise-assisted data analysis method. Advances in adaptive data analysis, 2009, vol. 1, no. 1, pp. 1-41.
32. Zhu C., Byrd R.H., Lu P., Nocedal J. Algorithm 778: L-BFGS-B, Fortran subroutines for large scale bound constrained optimization. ACM Transactions on Mathematical Software, 1997, vol. 23, no 4, pp. 550-560.