Modele wygładzania wykładniczego do krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych

Przedstawiono modele wygładzania wykładniczego do sporządzania krótkoterminowych prognoz zapotrzebowania na moc. Szeregi czasowe obciążeń charakteryzują się wieloma wahaniami sezonowymi, co komplikuje model prognostyczny. W celu uproszczenia problemu szeregi czasowe zdekomponowano na m szeregów obciążeń w tych samych chwilach doby, co pozwoliło zastosować model wygładzania wykładniczego z pojedynczą sezonowością. Inny rodzaj dekompozycji z wykorzystaniem regresji lokalnej (LOESS) umożliwia użycie modelu o mniejszej złożoności bez składnika sezonowego. Zastosowanie modelu Holta-Wintersa z podwójną sezonowością zwalnia z potrzeby dekompozycji szeregu czasowego. Dokładność proponowanych metod porównano na przykładach aplikacyjnych z dokładnością modeli ARIMA i modelu opartego na sieci neuronowej.

---

Exponential smoothing models for short-term load forecasting are presented. Load time series show many seasonal patterns which complicate the forecasting model construction. To simplify the problem the load time series were decomposed into m subseries for each hour of a day, which allowed the use of exponential smoothing model with a single seasonality. Another type of decomposition using local regression (LOESS) enables the use of a model with less complexity with no seasonal component. Application of the Holt-Winters model with double seasonality does not require decomposition of the time series. The accuracy of the proposed methods were compared on application examples with an accuracy of the ARIMA models and the model based on neural network.