haku: @keyword ARIMA mallit / yhteensä: 1
hakutulos-lista
viite: 1 / 1
« edellinen | seuraava »
Tekijä:Talvikoski, Lauri
Työn nimi:Short Term Load Forecasting with Analytic and Seasonal Time Series Methods
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2012
Sivut:86      Kieli:   eng
Koulu/Laitos/Osasto:Matematiikan ja systeemianalyysin laitos
Oppiaine:Sovellettu matematiikka   (Mat-2)
Valvoja:Salo, Ahti
Ohjaaja:Mäntysaari, Juha
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto     | Arkisto
Avainsanat:load forecasting
double seasonal models
ARIMA models
exponential smoothing
rhythm regression
sähkön kulutuksen ennustaminen
ARIMA mallit
eksponentiaalinen tasoitus
rytmiregressio
kahden kauden mallit
Tiivistelmä (fin): Sähkölaitoksen toiminnan kannalta on erittäin tärkeää luoda mahdollisimman tarkkoja ennusteita sähkön kulutuksesta.
Tässä diplomityössä tutkitaan sähkön kulutuksen lyhyen aikavälin ennustamista kulutushistorian perusteella.
Käytetyt mallit ja menetelmät on valittu siten, että ne olisivat mahdollisimman yleispäteviä riippumatta siitä, millaista kulutusta pyritään ennustamaan.
Näillä menetelmillä pitäisi pystyä ennustamaan sekä teollisuuden sähkönkulutusta että yhdyskuntakulutusta.

Tässä diplomityössä on käytetty kahden kauden ARIMA-malleja, kahden kauden Holt-Winters menetelmää sekä rytmiregressiomallia.
Työssä on myös kehitetty uusi malli yhdistämällä rytmiregressiomalli ja kahden kauden ARIMA-malli.
Osana työtä tehtiin myös ohjelmisto, joka kykenee sovittamaan nämä mallit datajoukkoon ja luomaan ennusteita.

Käytettyjä malleja sovellettiin kahteen datajoukkoon, jotka kuvaavat sähkön yhdyskuntakulutusta.
Kaikilla valituilla malleilla saatiin aikaan ennusteita, joita voidaan pitää riittävän tarkkoina hyödynnettäviksi.
Paras tarkkuus saavutettiin yhdistetyllä rytmiregressio ja kahden kauden ARIMA-mallilla.
Molemmilla datajoukoilla yhdistetyn mallin ennuste oli paras kaikkien työssä käytettyjen ennustevirhettä kuvaavien mittareiden valossa.
Tiivistelmä (eng):Successful operation of an electrical utility requires good forecasts of the electricity demand.
This thesis studies ways to create short term forecasts of the electricity demand based on historical data.
The methods and models used in this thesis are generic enough so that not much needs to be known about the electricity load to be forecasted.
The methods used in this work should be capable of forecasting electricity load of industrial operations or communal load.

In this thesis Double Seasonal ARIMA models, Double Seasonal Holt-Winters method, and a Rhythm Regression model are used.
In addition a new model was created by combining the Rhythm Regression model and the Double Seasonal ARIMA model.
A software package capable of fitting these models and making forecasts was created.

The models were used to generate forecasts of two data series for communal electricity load.
Satisfactory performance was achieved with each of the models, but the combined Rhythm Regression and Double Seasonal ARIMA model generated the most accurate out-of-sample forecasts in terms of Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE) and maximum absolute error.
ED:2012-11-26
INSSI tietueen numero: 45436
+ lisää koriin
« edellinen | seuraava »
INSSI