nach oben

Erschienen in:

2013 | OriginalPaper | Buchkapitel

2. Modeling for Energy Demand Forecasting

verfasst von : Wei-Chiang Hong

Erschienen in: Intelligent Energy Demand Forecasting

Verlag: Springer London

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

As mentioned in Chap. 1, the electric load forecasting methods can be classified in three categories [1–12]:

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Introduction

Nächstes Kapitel Evolutionary Algorithms in SVR’s Parameter Determination

Moghram I, Rahman S (1989) Analysis and evaluation of five short-term load forecasting techniques. IEEE Trans Power Syst 4:1484–1491. doi:10.1109/59.41700 CrossRef

El-Hawary ME, Mbamalu GAN (1990) Short-term power system load forecasting using the iteratively reweighted least squares algorithm. Electric Power Syst Res 19:11–22. doi:10.1016/0378-7796(90)90003-L CrossRef

Papalexopoulos AD, Hesterberg TC (1990) A regression-based approach to short-term system load forecasting. IEEE Trans Power Syst 5:1535–1547. doi:10.1109/59.99410 CrossRef

Grady WM, Groce LA, Huebner TM, Lu QC, Crawford MM (1991) Enhancement, implementation and performance of an adaptive short-term load forecasting algorithm. IEEE Trans Power Syst 6:1404–1410. doi:10.1109/59.116982 CrossRef

Al-Fuhaid AS, EL-Sayed MA, Mahmoud MS (1997) Cascaded artificial neural networks for short-term load forecasting. IEEE Trans Power Syst 12:1524–1529. doi:10.1109/59.627852 CrossRef

Hong WC (2009) Hybrid evolutionary algorithms in a SVR-based electric load forecasting model. Int J Electr Power Energ Syst 31:409–417. doi:10.1016/j.ijepes.2009.03.020 CrossRef

Hong WC (2009) Chaotic particle swarm optimization algorithm in a support vector regression electric load forecasting model. Energy Convers Manage 50:105–117. doi:10.1016/j.enconman.2008.08.031 CrossRef

Hong WC (2009) Electric load forecasting by support vector model. Appl Math Model 33:2444–2454. doi:10.1016/j.apm.2008.07.010 MATHCrossRef

Hong WC (2010) Application of chaotic ant swarm optimization in electric load forecasting. Energ Policy 38:5830–5839. doi:10.1016/j.enpol.2010.05.033 CrossRef

10.

Pai PF, Hong WC (2005) Forecasting regional electric load based on recurrent support vector machines with genetic algorithms. Electric Power Syst Res 74:417–425. doi:10.1016/j.epsr.2005.01.006 CrossRef

11.

Pai PF, Hong WC (2005) Support vector machines with simulated annealing algorithms in electricity load forecasting. Energy Convers Manage 46:2669–2688. doi:10.1016/j.enconman.2005.02.004 CrossRef

12.

Hong WC, Dong Y, Zhang WY, Chen LY, Panigrahi BK (2013) Cyclic electric load forecasting by seasonal SVR with chaotic genetic algorithm. Int J Electr Power Energ Syst 44:604–614. doi:10.1016/j.ijepes.2012.08.010 CrossRef

13.

Box GEP, Jenkins GM (1970) Time series analysis, forecasting and control. Holden-Day, San Francisco, CAMATH

14.

Abu-El-Magd MA, Sinha NK (1982) Short-term load demand modeling and forecasting: a review. IEEE Trans Syst Man Cybern 12:370–382. doi:10.1109/TSMC.1982.4308827 CrossRef

15.

Soliman SA, Persaud S, El-Nagar K, El-Hawary ME (1997) Application of least absolute value parameter estimation based on linear programming to short-term load forecasting. Int J Electr Power Energ Syst 19:209–216. doi:10.1016/S0142-0615(96)00048-8 CrossRef

16.

Holt CC (1957) Forecasting seasonal and trends by exponentially weighted averages. Carnegie Institute of Technology, Pittsburgh, PA

17.

Winters PR (1960) Forecasting sales by exponentially weighted moving averages. Manag Sci 6:324–342. doi:10.1287/mnsc.6.3.324 MathSciNetMATHCrossRef

18.

Specht DA (1991) A general regression neural network. IEEE Trans Neural Netw 2:568–576. doi:10.1109/72.97934 CrossRef

19.

Cao L, Gu Q (2002) Dynamic support vector machines for non-stationary time series forecasting. Intell Data Anal 6:67–83MATH

20.

Vapnik V (1995) The nature of statistical learning theory. Springer, New York, NYMATH

21.

Cortes C, Vapnik V (1995) Support vector networks. Mach Learn 20:273–297. doi:10.1023/A:1022627411411 MATH

22.

Haykin S (1999) Neural networks: a comprehensive foundation. Prentice-Hall, Upper Saddle River, NJMATH

23.

Shawe-Taylor J, Bartlett PL, Williamson RC, Anthony M (1998) Structural risk minimization over data-dependent hierarchies. IEEE Trans Inf Theory 44:1926–1940. doi:10.1109/18.705570 MathSciNetMATHCrossRef

24.

Amari S, Wu S (1999) Improving support vector machine classifiers by modifying kernel functions. Neural Netw 12:783–789. doi:10.1016/S0893-6080(99)00032-5 CrossRef

25.

Vojislav K (2001) Learning and soft computing—support vector machines, neural networks and fuzzy logic models. The MIT Press, Cambridge, MA, 2001MATH

26.

Smola AJ, Schölkopf B, Müller KR (1998) The connection between regularization operators and support vector kernels. Neural Netw 11:637–649. doi:10.1016/S0893-6080(98)00032-X CrossRef

27.

Cherkassky V, Ma Y (2004) Practical selection of SVM parameters and noise estimation for SVM regression. Neural Netw 17:113–126. doi:10.1016/S0893-6080(03)00169-2 MATHCrossRef

Titel: Modeling for Energy Demand Forecasting
verfasst von: Wei-Chiang Hong
Verlag: Springer London
Buch: Intelligent Energy Demand Forecasting
Print ISBN: 978-1-4471-4967-5

Electronic ISBN: 978-1-4471-4968-2

Copyright-Jahr: 2013
DOI: https://doi.org/10.1007/978-1-4471-4968-2_2

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"