دانلود ترجمه مقاله طبقه بندی خودکار روزهای ویژه برای پیش بینی بار کوتاه مدت

1. مقدمه 2. موضوعات و روش ها 3. نتایج 4. نتیجه گیری

چکیده – یافته های بدست آمده حاکی از آن است که تقاضای برق الگوی تکراری را در پی الگو های روزانه، هفتگی و فصلی ارائه می دهد. با این وجود لازم به ذکر است، عواملی نظیر دما یا رویدادهای اجتماعی این الگوها را مختل نموده و به بروز داده‌های خارجی منجر می شوند که پیش ‌بینی آنها با مسائل و دشواری هایی همراه است. همچنین این مطالعه برای دسته بندی روزهای خاص، روش جدیدی را بدون هیچ گونه دانش قبلی از پایگاه داده ارائه می دهد. لازم به ذکر است که طبقه ‌بندی ساده روزهای ویژه به دو یا سه طبقه برای مصرف‌کنندگان به دلیل وجود سایه ‌های متعدد در این روزها کافی نیست. با این وجود، طبقه بندی روزهای خاص در طیف وسیعی از طبقه بندی ها نیازمند درک عمیق از رفتار مصرف کنندگان در روزهای مختلف و دوره های مختلف سال می باشد. همچنین برای خودکارسازی این طبقه‌ بندی، روش پیشنهادی، الگوریتمی را ارائه می دهد که از یک طبقه‌بندی ساده طی روزهای هفته آغاز می‌شود و به دسته‌های بسیاری که برای پایگاه داده‌ های واقعی مورد نیاز هستند تقسیم می‌شود. همچنین برای جلوگیری از تداخل، دسته‌هایی با نمایه های مشابه ادغام شده و خروجی های واقعی شناسایی شده اند تا تضمین شود که دسته های اشتباهی ایجاد نمی شوند. لازم به ذکر است که این روش با استفاده از داده های 2010 تا 2017 تدوین شده و در سه سیستم مختلف مورد آزمایش قرار گرفته است. معیار لازم در این زمینه، طبقه ‌بندی به کار رفته توسط اپراتور سیستم انتقال در اسپانیا می باشد. همچنین، آزمایشات انجام شده حاکی از آن است که روش پیشنهادی بدون نیاز به متخصص برای توسعه طبقه ‌بندی، نتایج دقیق‌تری را در اختیار قرار می دهد.

Electricity demand presents a repetitive pattern following daily, weekly and seasonal patterns. However, factors like temperature or social events tend to disrupt these patterns introducing outlying data that is difficult to forecast. This paper introduces a new methodology to classify special days without any prior knowledge of the database. Simple classification of special days into two or three categories is insufficient as the consumers' behavior has many shades on these days. However, classifying special days in a wide range of categories required a deep understanding of the consumers' behavior on different days and periods of the year. The methodology proposed describes an algorithm to automate this classification starting from a simple day-of-the-week classification and branching into as many categories as needed to fit a real database. Categories with similar profiles are merged to avoid overfitting and actual outliers are detected to ensure that no false categories are created. The methodology is developed using data from 2010 to 2017 and tested in three different systems. The benchmark used is the classification used by the Transmission System Operator in Spain and the test show that the proposed methodology provides more accurate results without the need of an expert to develop the classification.