Identificador persistente para citar o vincular este elemento:
http://hdl.handle.net/10662/20442
Títulos: | Monthly electric demand forecasting with neural filters |
Autores/as: | Jaramillo Morán, Miguel Ángel González Romera, Eva Carmona Fernández, Diego |
Palabras clave: | Load forecasting;Neural network applications;Spectral analysis;Time series;Delayless filters;Análisis espectral;Previsión de carga;Aplicaciones de redes neuronales;Series de tiempo;Filtros sin retardo |
Fecha de publicación: | 2013 |
Editor/a: | Elsevier |
Resumen: | Las redes neuronales han demostrado ser una herramienta muy eficaz para la previsión de series temporales. Además, la estructura del modelo neuronal conocido como perceptrón multicapa es muy adecuada para comportarse como un filtro digital. Estas dos propiedades neuronales se han utilizado para pronosticar la demanda eléctrica mensual. La serie temporal correspondiente se ha dividido en dos nuevas series: una que representa su tendencia y la otra que describe una fluctuación alrededor de esa tendencia. La tendencia se ha pronosticado con una red neuronal, mientras que la fluctuación se ha predicho dividiendo su serie temporal en seis series asociadas a cada una de las seis frecuencias pico del espectro de fluctuación, de modo que se realizará un proceso de filtrado-previsión mediante seis redes neuronales para obtener seis predicciones. Luego se han sumado todas las predicciones para obtener la previsión de demanda mensual. Se ha demostrado que un perceptrón multicapa es capaz de realizar filtrado y pronóstico a la vez si se entrena adecuadamente. Neural networks have proved to be a very efficient tool for time series forecasting. Furthermore, the structure of the neural model known as Multilayer Perceptron is well suited to behave as a digital filter. These two neural properties have been used to forecast the monthly electric demand. The corresponding time series has been split into two new series: one representing its trend and the other describing a fluctuation around that trend. Trend has been forecasted with a neural network, while fluctuation has been predicted by splitting its time series into six series associated to each of the six peak frequencies of the fluctuation spectrum, so that a filtering-forecasting process will be carried out by six neural networks to obtain six predictions. Then all the predictions have been added to obtain the monthly demand forecasting. It has been proved that a Multilayer Perceptron is able to perform both filtering and forecasting at once if properly trained. |
URI: | http://hdl.handle.net/10662/20442 |
ISSN: | 1879-3517 |
DOI: | 10.1016/j.ijepes.2013.01.019 |
Colección: | DIEEA - Artículos |
Archivos
Archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
j_ijepes_2013_01_019.pdf ???org.dspace.app.webui.jsptag.ItemTag.accessRestricted??? | 1,02 MB | Adobe PDF | Descargar Pide una copia |
Este elemento está sujeto a una licencia Licencia Creative Commons