TU Darmstadt / ULB / tuprints

Power system short-term load

Yang, Jingfei :
Power system short-term load.
[Online-Edition]
TU Darmstadt
[Ph.D. Thesis], (2006)

[img]
Preview
PDF
Yangjingfei.pdf
Available under Simple publication rights for ULB.

Download (1338Kb) | Preview
Item Type: Ph.D. Thesis
Title: Power system short-term load
Language: English
Abstract:

The general objective of this work is to provide power system dispatchers with an accurate and convenient short-term load forecasting (STLF) system, which helps to increase the power system reliability and reduce the system operation cost. On the whole, this thesis is composed of three parts: historical data treatment, individual algorithms proposed for load forecasting, and the design of an integrative and convenient system combining different algorithms. The concepts of forward second order difference (FSOD) and backward second order difference (BSOD) are introduced. This research regards a load curve as the sum of two load curves: an essential load curve that represents the basic load requirement, and a vibrating curve that contains the information of sudden change of the large consumers' state. This work applies the regression tree algorithm to the load forecasting problem. The algorithm can automatically classify the data and assign a value for every tree node without a prior knowledge. The result of the algorithm has the form of "if...then...", which can be easily understood. Although the original purpose of applying a regression tree is to avoid a prior knowledge, it is found that good understanding of the system helps to improve the regression tree design for a better forecasting result. Therefore some special treatments are added to the regression tree according to the expert experience. This work proposes an SVM-based forecasting method. Two methods are proposed to solve this problem: a holiday regression tree and imaginary load method. This thesis proposes to combine RT and SVM to take advantage of the merits and avoid the demerits of the two algorithms. Firstly RT is established. If the target load falls into a leaf node with a large number of similar samples and very low dispersion, the leaf node output value can be taken as its forecasted value. Otherwise, SVM is executed to analyze the behavior of the samples in the same node. A combination method is proposed to employ more single load forecasting algorithms and take more advantage of the more appropriate ones. Different power systems have different load behaviours. In this work three-table frame and related programming modules are designed for different users to input the system load properties and the calculation requirement.

Alternative Abstract:
Alternative AbstractLanguage
Die Zielsetzung dieser Arbeit ist, Energieerzeugern und Übertragungsnetzbetreibern für die Netzleitstellen ein präzises und praktisches System zur kurzfristigen LastPrognose zu geben. Es soll die Zuverlässigkeit des Übertragungssystems erhöhen und zur Senkung der Betriebskosten des Netzes beitragen. Im heutigen Energiemarkt hängt der Energiehandel und die Preisermittlung stark von den Ergebnissen einer exakten Lastprognose ab. Die hohe Bedeutung einer kurzfristigen Lastprognose hat die Anregung für die Entwicklung dieser Arbeit gegeben. In dieser Arbeit wird eine Lastkurve als Summe zweier Kurven betrachtet: eine Haupt-Lastkurve und eine um einen konstanten Wert schwingende Kurve. Die Haupt-Lastkurve wird durch die Methode der gewichteten kleinsten quadratischen Abweichung ermittelt. Die folgenden Lastprognose-Methoden werden jeweils mit und ohne geglättete Werte verwendet. Hierbei zeigt sich, dass mit den geglätteten Werten eine höhere Genauigkeit erreicht wird. Für das Lastprognose-Problem wird in dieser Arbeit der regression-tree-algorithm verwendet. Diese Arbeit stellt eine Prognose-Methode vor, die auf dem Ansatz der support vector machine basiert. Dabei werden die Beispieldaten effizient zu Clustern zusammengefasst, d.h. ähnliche Daten bilden einen Block. Die vorliegende Thesis schlägt vor, den Regressionsbaum mit der support vector machine zu kombinieren, um die Vorteile beider Algorithmen zu nutzen und deren Nachteile zu vermeiden. Als erstes wird der Regressionsbaum erstellt. Wenn die angenommene Last in einen Bereich mit einer großen Zahl ähnlicher Proben und einer sehr niedrigen Streuung fällt, kann der Ausgangswert als endgültige Aussage für die Prognose genommen werden. Andernfalls wird die support vector machine angewendet, um das Verhalten der Proben im gleichen Knotenpunkt zu analysieren. In der Arbeit wird deshalb eine kombinierte Methode vorgestellt, um mehrere unterschiedliche Lastprognose-Algorithmen einzusetzen und den Nutzen aus den jeweils besten zu ziehen. Dazu werden drei Tabellen dem Benutzer zur Verfügung gestellt, in denen er sein zusätzliches Wissen über die betrachteten Lasten einbringen kann. Somit können Benutzer den vorgestellten Algorithmus, der verschieden Methoden miteinander verbindet, leicht anwenden ohne eine Änderung der Programme selbst vornehmen zu müssen.German
Uncontrolled Keywords: support vector machine, regression tree, load forecasting, integration
Alternative keywords:
Alternative keywordsLanguage
support vector machine, regression tree, load forecasting, integrationEnglish
Classification DDC: 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften
Divisions: Fachbereich Elektrotechnik und Informationstechnik
Date Deposited: 17 Oct 2008 09:22
Last Modified: 07 Dec 2012 11:51
Official URL: http://elib.tu-darmstadt.de/diss/000662
URN: urn:nbn:de:tuda-tuprints-6626
License: Simple publication rights for ULB
Referees: Stenzel, Prof. Dr.- Jürgen and Lobos, Prof. Dr. Tadeusz
Advisors: Stenzel, Prof. Dr.- Jürgen
Refereed: 17 February 2005
URI: http://tuprints.ulb.tu-darmstadt.de/id/eprint/662
Export:

Actions (login required)

View Item View Item