Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/341454344
CITATION READS
1 392
3 authors:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
At the present time my research is focus on transmission expansion planning (TEP) View project
Residential Demand Response Algorithms: State-of-the-Art, Key Issues and Challenges View project
All content following this page was uploaded by Diego Carrión on 18 May 2020.
2. Demanda Eléctrica
La diversidad del comportamiento de la demanda eléctrica hace que sea muy
complicado determinar un modelo matemático que se ajuste al 100 % a la realidad,
la incertidumbre de la demanda eléctrica hace que los modelos de predicción tengan
errores y por ello se trata de dividir a la demanda en residencial, comercial e
industrial; con ello se minimiza el error del modelo. La demanda eléctrica es la que
pone las reglas del juego en cuanto a necesidades energéticas de los sistemas de
potencia y justamente dichas reglas de comportamiento son puestas por los usuarios
finales, por ello el concepto de red eléctrica inteligente dedica mucho interés en el
estudio del comportamiento de la demanda y mediante la infraestructura de
medición inteligente (AMI) ha caracterizado el comportamiento de carga con el
inconveniente de tener que procesar una gran cantidad de información (Nan et al.,
2015; Wang et al., 2015). Los planes de expansión de generación, transmisión y
distribución se fundamentan en los indicadores de la demanda eléctrica; esta es otra
aplicación de los métodos estadísticos enfocados a la demanda eléctrica.
El perfil de demanda en la etapa de Distribución tiene una reconstrucción diez
minutal, lo cual hace que se requiera mucha información para tener una mayor
precisión de la curva de respuesta, sin embargo, ello no permite caracterizar el
comportamiento de diferentes tipos de usuarios, como son los residenciales,
comerciales e industriales. Se tiene técnicas como interpolación lineal, mínimos
cuadrados y trazadores cúbicos que ayudan a determinar el comportamiento real de
la demanda y obtener la ecuación que la representa; pero todos estos modelos solo
permiten realizar una reconstrucción mas no una predicción (Kilpatrick et al., 2011)
𝑝𝑓 − 𝑝𝑜 (1)
𝑝𝑡 = 𝑝𝑜 + ( ) ∗ (𝑡𝑡 − 𝑡𝑜 )
𝑡𝑓 − 𝑡𝑜
Donde;
𝑝𝑡 ; representa la función de potencia a un tiempo cualquiera 𝑡𝑡
𝑝𝑜 ; represente una potencia inicial a un tiempo inicial 𝑡𝑜
𝑝𝑓 ; represente una potencia final a un tiempo final 𝑡𝑓
La principal característica de la interpolación lineal es el grado del polinomio es uno,
en la ecuación (1) se observa que la variable independiente representada por 𝑡𝑡 tiene
un exponente lineal. El error que se obtiene mediante este modelo de reconstrucción
de la señal va a depender de la no linealidad de los datos originales.
𝑑 ∗ 𝑎𝑜 + (∑ 𝑡𝑜 ) 𝑎1 = ∑ 𝑝𝑜
𝑖=1 𝑖=1
𝑑 𝑑 𝑑
2
(2)
(∑ 𝑡𝑜 ) 𝑎0 + (∑ 𝑡 ) 𝑎1 = ∑ 𝑜(𝑡𝑜 ∗ 𝑝𝑜 )
𝑖=1 𝑖=1 𝑖=1
𝑝𝑡 = 𝑎1 ∗ 𝑡𝑡 + 𝑎0 + 𝜀
𝑑 𝑑 𝑑 𝑑 𝑑
2 3 𝑛+1
𝑎𝑜 ∗ ∑ 𝑡𝑖 + 𝑎1 ∗ ∑ 𝑡𝑖 + 𝑎2 ∗ ∑ 𝑡𝑖 + ⋯ + 𝑎𝑛 ∗ ∑ 𝑡𝑖 = ∑(𝑡𝑖 ∗ 𝑝𝑖 )
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑑 𝑑 𝑑 𝑑 𝑑
(3)
2 3 4 𝑛+2
𝑎𝑜 ∗ ∑ 𝑡𝑖 + 𝑎1 ∗ ∑ 𝑡𝑖 + 𝑎2 ∗ ∑ 𝑡𝑖 + ⋯ + 𝑎𝑛 ∗ ∑ 𝑡𝑖 = ∑(𝑡𝑖 2 ∗ 𝑝𝑖 )
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑑 𝑑 𝑑 𝑑 𝑑
𝑛 𝑛+1 𝑛+2 2𝑛
𝑎𝑜 ∗ ∑ 𝑡𝑖 + 𝑎1 ∗ ∑ 𝑡𝑖 + 𝑎2 ∗ ∑ 𝑡𝑖 + ⋯ + 𝑎𝑛 ∗ ∑ 𝑡𝑖 = ∑(𝑡𝑖 𝑛 ∗ 𝑝𝑖 )
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑝𝑡 = 𝑎0 + 𝑎1 ∗ 𝑡𝑡 + 𝑎2 ∗ 𝑡𝑡 2 + ⋯ + 𝑎𝑛 ∗ 𝑡𝑡 𝑛 + 𝜀
2.3. Trazadores cúbicos
Los trazadores cúbicos tienen como objetivo determinar una función diferenciable a
trozos mediante polinomios de grado tres, evitando oscilaciones bruscas en el ajuste
de curvas. Se recomienda el uso de trazadores cuando las formas de los datos tienen
una complejidad elevada. La cantidad de polinomios que se genera es n-1; siendo n
la cantidad de datos que se tiene (Jornaz, 2016; Rokhman, 2017; Sithiravel, 2014).
La ecuación (4) muestra la forma del polinomio que representa a la ecuación de
ajuste entre cada intervalo.
𝑝𝑡 𝑖 = 𝑎𝑖 ∗ 𝑡𝑡 3 + 𝑏𝑖 ∗ 𝑡𝑡 2 + 𝑐𝑖 ∗ 𝑡𝑡 + 𝑑𝑖 ; ∀ 𝑖 ∈ 𝑚𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑠 (4)
De (4) se puede deducir que la función final que representa al ajuste por trazadores
cúbicos en cada uno de los intervalos y se genera una función a trazos que se muestra
en (5).
𝑝𝑡 1 𝑡0 ≤ 𝑡 ≤ 𝑡1
⋮
𝑝𝑡 = 𝑝𝑡 𝑖 𝑡𝑖−1 ≤ 𝑡 ≤ 𝑡𝑖
(5)
⋮
{𝑝𝑡 𝑛 𝑡𝑛−1 ≤ 𝑡 ≤ 𝑡𝑛
4. Análisis de resultados
Como datos para alimentar el modelo de predicción se extrajo todas las demandas
diarias del año 2012 de un extracto de los hogares de Londres y con ello se proyectó
la demanda del día 6 de diciembre del 2013 del mismo extracto de usuarios; para
validarlo con la información disponible de ese día.
Al aplicar el algoritmo 1 se obtiene la predicción de la curva de demanda para el día
en mención, dicha curva es comparada con los datos reales. Pero debido a que los
mismos son solo puntos es muy complicado validar el error del modelo. Para
solventar dicho inconveniente se la reconstrucción de la curva de demanda mediante
métodos numéricos.
Algoritmo 2: Métodos Numéricos para reconstrucción de la demanda
Paso 1: Ingreso
P = Vector de potencia de referencia
Salida
Cd = Curva de la Demanda
Paso 2:
Min Pi ;
s.t.
𝛆 ≤ 𝟓%
Paso 3: Selección del método numérico
Polinomial
𝑝𝑓 − 𝑝𝑜
𝑝𝑡 = 𝑝𝑜 + ( ) ∗ (𝑡𝑡 − 𝑡𝑜 )
𝑡𝑓 − 𝑡𝑜
Mínimos cuadrados
𝒑 𝒕 = 𝒂 𝟎 + 𝒂 𝟏 ∗ 𝒕𝒕 + 𝒂 𝟐 ∗ 𝒕𝒕 𝟐 + ⋯ + 𝒂 𝒏 ∗ 𝒕𝒕 𝒏 + 𝜺
Splines cúbico
𝒑𝒕 𝒊 = 𝒂𝒊 ∗ 𝒕𝒕 𝟑 + 𝒃𝒊 ∗ 𝒕𝒕 𝟐 + 𝒄𝒊 ∗ 𝒕𝒕 + 𝒅𝒊 ; ∀ 𝒊 ∈ 𝒎𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒔
Paso 4: Determinación de la curva de la demanda
𝑷𝟏 (𝒕)
𝑷𝟐 (𝒕)
𝑷(𝒕) = ⋮ ; Función a trozos de la demanda
𝑷𝒎−𝟏 (𝒕)
{ 𝑷𝒎 (𝒕)
Paso 5:
Plot(P(t));
Luego de verificar los resultados de las curvas de la demanda eléctrica proyectada y
las reconstruidas mediante métodos numéricos finalmente se puede validar la
metodología propuesta y determinar cual es la cantidad mínima de información que
se requiere para que la predicción de la demanda tenga una tolerancia máxima del 5
%, valor que se toma como error máximo.
Para verificar la validez del modelo planteado se compara la señal original, la
reconstrucción de la misma por diferentes métodos numéricos mediante el algoritmo
2 y la que da como resultado el modelo MCMC, lo cual se lo puede observar en la
figura 1.
La Figura 2 muestra el error promedio para cada uno de los métodos, tanto del
modelo predictivo como para los de reconstrucción. Para los métodos estocásticos
(MCMC), que corresponde al método predictivo, (Fig. 2a) el error promedio fue de
3.6%; en cambio, la interpolación polinomial (Fig. 2b) mostró un error promedio de
0.49%; el método basado en mínimos cuadrados (Fig. 2c) tuvo un error promedio
fue 1.41% y el método basado en splines cúbicos (Fig. 2d) obtuvo un error promedio
fue 1.06%, correspondiendo estos últimos tres a los modelos que efectúan la
reconstrucción de la señal basado en los datos originales que son obtenidos mediante
la medición. Es importante decir que, dado que el error es un promedio, habrá
intervalos en que el error sea inferior al indicado y viceversa.
El modelo desarrollado para lograr la predicción tiene una buena respuesta, si
consideramos que únicamente se usó como información semilla los datos de un año,
si al modelo se lo alimentara con una mayor cantidad de datos, es decir, más años
anteriores el error se reduciría casi a 0 %, pero ello conllevaría a un mayor gasto de
tiempo de ejecución en la predicción de la curva de la demanda, dicha modelación se
la realizó considerando la información de hasta 5 años, es decir, se consideró la
demanda eléctrica de los años 2008, 2009, 2010, 2011 y 2012, obteniendo el error y
el tiempo de ejecución del modelo propuesto, como se aprecia en la figura 3. La
simulación se la efectuó en una computadora con procesador Intel(R) Xeon(R) CPU
E3-1535M v5 @ 2.90 GHz con 64 GB RAM y se uso Matlab como entorno para la
modelación y simulación de los comportamientos de la demanda eléctrica.
En la figura 3 se puede apreciar como el error decrementa cuando se tiene una mayor
cantidad de información, pero de la misma manera el tiempo de ejecución del
método propuesto se incrementa, es así, que para cuando se tiene la información de
5 años como semilla del modelo el error es del 0.3 % pero el tiempo de simulación es
de 9587.8 [s]. Haciendo un balance en cuanto a la mejora del error y la exigencia en
tiempo de ejecución, no se justifica el incrementar la cantidad de información que se
usa como semilla del modelo de predicción.
Después de verificar el error que se tiene con el modelo MCMC para la predicción,
las técnicas numéricas para la reconstrucción y la señal original del día bajo estudio,
se puede concluir que la metodología desarrollada es aceptable para poder predecir
el comportamiento de la demanda eléctrica a corto plazo considerando únicamente
la información de un año atrás. Una vez que se verifica su utilidad, se reconstruye la
curva de demanda eléctrica durante una semana; es decir, del 6 al 12 de diciembre
de 2013 de una muestra de hogares en Londres, de esta manera se tiene el
comportamiento de la demanda para cada día de la semana, lo cual se puede apreciar
en la Figura 4.
En la Fig. 4 se muestra la reconstrucción y predicción de la curva de demanda para
una semana entera, tiene errores apreciables, especialmente cuando la demanda
eléctrica cambia de pendiente, es decir; va de pendiente positiva a pendiente
negativa o viceversa, lo cual se acentúa en los picos de la demanda. En los intervalos
correspondientes a estos cambios se encuentra el mayor error de cada uno de los
modelos y es mayor cuando el cambio de la pendiente es muy pronunciado. Esto se
puede asociar al comportamiento aleatorio de la demanda, lo cual es muy
complicado de predecir, ya que las condiciones o exigencias de la carga dependen de
factores externos ajenos a las variables eléctricas.
4. Conclusiones
Los métodos estocásticos son muy viables para pronosticar el comportamiento de la
demanda eléctrica y requieren menos información inicial que los métodos
numéricos. Sin embargo, el tiempo de cálculo es más largo. Como consecuencia,
estos métodos se pueden utilizar para predicciones a corto plazo de la demanda, lo
cual es útil para el despacho de energía en la etapa de generación.
El ajuste del error de la metodología planteada conlleva a una mejor predicción del
comportamiento del sistema de potencia, desde el punto de vista operativo y permite
tener una planificación del despacho de energía, junto con la planificación de
mantenimiento programados de las diferentes centrales de generación.
Otra de las aplicaciones del modelo de predicción de la demanda eléctrica está
enfocado a los modelos de gestión de la demanda; con lo cual se puede prever cuando
existirá un pico de la misma para generar acciones de mejora y aplanar la curva.
Referencias
Aguila, A., Carrión, D., & Ortiz, L. (2015). Analysis of power losses in the asymmetric
construction of electric distribution systems. IEEE Latin America
Transactions, 13(7), 2190–2194. https://doi.org/10.1109/TLA.2015.7273776
Ahmad, M. F., Murphy, J., Vatansever, D., Stamatakis, E. A., & Godsill, S. J. (2016).
Bayesian Inference of Task-Based Functional Brain Connectivity Using Markov
Chain Monte Carlo Methods. IEEE Journal of Selected Topics in Signal
Processing, 10(7), 1150–1159. https://doi.org/10.1109/JSTSP.2016.2599010
Asere-Bediako, B., Ribeiro, P. F., & Kling, W. L. (2012). Integrated Energy
Optimization with Smart Home Energy Management Systems. 2012 3rd IEEE
PES International Conference and Exhibition on Innovative Smart Grid
Technologies (ISGT Europe), 1–8.
https://doi.org/10.1109/ISGTEurope.2012.6465696
Bhattacharyya, S. C., & Timilsina, G. R. (2010). Modelling energy demand of
developing countries: Are the specific features adequately captures? Energy
Policy, 38(4), 1979–1990. https://doi.org/10.1016/j.enpol.2009.11.079
Carrion, D., Gonzalez, J. W., Isaac, I. A., Lopez, G. J., & Cardona, H. A. (2017). Load
Characterization Based on Voltage and Current Phasorial Measurements in
Micro-Grids. 2017 International Conference on Information Systems and
Computer Science (INCISCOS), 1–6.
https://doi.org/10.1109/INCISCOS.2017.23
Carrión, D., González, J. W., López, G. J., & Isaac, I. A. (2019). Alternative fault
detection method in electrical power systems based on ARMA model. 2019
FISE-IEEE/CIGRE Conference - Living the Energy Transition, FISE/CIGRE
2019. https://doi.org/10.1109/FISECIGRE48012.2019.8984981
Chapra, S. C., & Canale, R. P. (2015). Numerical methods for engineers. In
Mathematics and Computers in Simulation (Vol. 33).
https://doi.org/10.1016/0378-4754(91)90127-O
Correa, E., Inga, E., Inga, J., & Hincapie, R. (2018). Electrical consumption pattern
base on meter data management system using big data techniques.
Proceedings - 2017 International Conference on Information Systems and
Computer Science, INCISCOS 2017, 2017-Novem, 334–339.
https://doi.org/10.1109/INCISCOS.2017.19
Debnath, K. B., Mourshed, M., & Chew, S. P. K. (2015). Modelling and Forecasting
Energy Demand in Rural Households of Bangladesh. Energy Procedia, 75,
2731–2737. https://doi.org/10.1016/j.egypro.2015.07.480
Díaz-Araujo, M. H., & Mediina-Rios, J. A. (2017). Periodic Steady State of Power
Networks using the Numerical Differentiation Method and Spline
Interpolation. 2017 IEEE Power & Energy Society General Meeting, 5.
https://doi.org/10.1109/PESGM.2017.8274646
El-Telbany, M., & El-Karmi, F. (2008). Short-term forecasting of Jordanian
electricity demand using particle swarm optimization. Electric Power Systems
Research, 78(3), 425–433. https://doi.org/10.1016/j.epsr.2007.03.011
Esfahani, M. T., & Vahidi, B. (2012). A New Stochastic Model of Electric Arc Furnace
Based on Hidden Markov Model : A Study of Its Effects on the Power System.
Ieee Transactions on Power Systems, 27(4), 1893–1901.
https://doi.org/10.1109/TPWRD.2012.2206408
Flett, G., & Kelly, N. (2017). A disaggregated, probabilistic, high resolution method
for assessment of domestic occupancy and electrical demand. Energy and
Buildings, 140, 171–187. https://doi.org/10.1016/j.enbuild.2017.01.069
Garcia, E. M., Aguila, A., Isaac, I., Gonzalez, J. W., & Lopez, G. (2016). Analysis of
voltage profile to determine energy demand using Monte Carlo algorithms and
Markov Chains (MCMC). 2016 51st International Universities Power
Engineering Conference (UPEC), (Mcmc), 1–6.
https://doi.org/10.1109/UPEC.2016.8114092
Hernandez, L., Baladron, C., Aguiar, J., Carro, B., Sanchez-Esguevillas, A., Lloret, J.,
& Massana, J. (2014). A Survey on Electric Power Demand Forecasting: Future
Trends in Smart Grids, Microgrids and Smart Buildings. Communications
Surveys & Tutorials, IEEE, (99), 1–36.
https://doi.org/10.1109/SURV.2014.032014.00094
Huang, H., Li, F., & Mishra, Y. (2015). Modeling Dynamic Demand Response Using
Monte Carlo Simulation and Interval Mathematics for Boundary Estimation.
IEEE Transactions on Smart Grid, 6(6), 2704–2713.
https://doi.org/10.1109/TSG.2015.2435011
Inga, E., Carrión, D., Aguila, A., García, E., Hincapié, R., & González, J. W. (2016).
Minimal Deployment and Routing Geographic of PMUs on Electrical Power
System based on MST Algorithm. IEEE Latin America Transactions, 14(5),
2264–2270. https://doi.org/10.1109/TLA.2016.7530422
Jenkins, D. P., Patidar, S., & Simpson, S. A. (2014). Synthesising electrical demand
profiles for UK dwellings. Energy and Buildings, 76, 605–614.
https://doi.org/10.1016/j.enbuild.2014.03.012
Jornaz, A. S. (2016). Modeling daily electricity load curve using cubic splines and
functional principal components (Missouri University of Science and
Technology). Retrieved from
http://scholarsmine.mst.edu/doctoral_dissertations
Kilpatrick, R. A. R., Banfill, P. F. G., & Jenkins, D. P. (2011). Methodology for
characterising domestic electrical demand by usage categories. Applied
Energy, 88(3), 612–621. https://doi.org/10.1016/j.apenergy.2010.08.002
Kobayashi, Y., Abe, R., & Tanaka, K. (2014). The Study of Method of Electric Demand
Prediction for Liberalized Household Electricity Market. 3rd Renewable
Power Generation Conference (RPG 2014), 8.52-8.52.
https://doi.org/10.1049/cp.2014.0937
Lindberg, D. V., & Omre, H. (2014). Blind categorical deconvolution in two-level
hidden Markov models. IEEE Transactions on Geoscience and Remote
Sensing, 52(11), 7435–7447. https://doi.org/10.1109/TGRS.2014.2312484
Lindberg, D. V, & Omre, H. (2015). Inference of the Transition Matrix in Convolved
Hidden Markov Models and the Generalized Baum #x2013;Welch Algorithm.
IEEE Transactions on Geoscience and Remote Sensing, 53(12), 6443–6456.
https://doi.org/10.1109/TGRS.2015.2440415
McKenna, E., Krawczynski, M., & Thomson, M. (2015). Four-state domestic building
occupancy model for energy demand simulations. Energy and Buildings, 96,
30–39. https://doi.org/10.1016/j.enbuild.2015.03.013
Nan, X., Abeysekera, M., & Wu, J. (2015). Modelling of Energy Demand in a Modern
Domestic Dwelling. Energy Procedia, 75, 1803–1808.
https://doi.org/10.1016/j.egypro.2015.07.148
Pappas, S. S., Ekonomou, L., Karampelas, P., Karamousantas, D. C., Katsikas, S. K.,
Chatzarakis, G. E., & Skafidas, P. D. (2010). Electricity demand load forecasting
of the Hellenic power system using an ARMA model. Electric Power Systems
Research, 80(3), 256–264. https://doi.org/10.1016/j.epsr.2009.09.006
Pourmousavi, S., & Nehrir, M. (2011). Demand response for smart microgrid: Initial
results. Innovative Smart Grid Technologies, 0–5.
https://doi.org/10.1109/ISGT.2011.5759181
Richardson, I., Thomson, M., & Infield, D. (2008). A high-resolution domestic
building occupancy model for energy demand simulations. Energy and
Buildings, 40(8), 1560–1566. https://doi.org/10.1016/j.enbuild.2008.02.006
Richardson, I., Thomson, M., Infield, D., & Delahunty, A. (2009). Domestic lighting:
A high-resolution energy demand model. Energy and Buildings, 41(7), 781–
789. https://doi.org/10.1016/j.enbuild.2009.02.010
Rokhman, N. (2017). Solving Non-Linear Equations Containing Spline Interpolation
Function by Relaxing The Newton Method. 2017 Second International
Conference on Informatics and Computing (ICIC), 5.
https://doi.org/10.1109/IAC.2017.8280641
Rubin, D., Mercader, P., Nguyen, H. N., Gutman, P. O., & Baños, A. (2017).
Improvements on Interpolation Techniques based on Linear Programming for
Constrained Control. IFAC-PapersOnLine, 50(1), 1403–1408.
https://doi.org/10.1016/j.ifacol.2017.08.245
Salisu, A. A., & Ayinde, T. O. (2016). Modeling energy demand: Some emerging
issues. Renewable and Sustainable Energy Reviews, 54, 1470–1480.
https://doi.org/10.1016/j.rser.2015.10.121
Sánchez, A., & Carrión, D. (2017). Modeling of the Behavior Power Flow on
Transmission Lines Based on Voltage and Current Synchronopasors. IEEE
Latin America Transactions, 16(4), 1142–1149.
https://doi.org/10.1109/TLA.2018.8362149
Shao, Z., Chao, F., Yang, S. L., & Zhou, K. Le. (2017). A review of the decomposition
methodology for extracting and identifying the fluctuation characteristics in
electricity demand forecasting. Renewable and Sustainable Energy Reviews,
75(November 2016), 123–136. https://doi.org/10.1016/j.rser.2016.10.056
Sithiravel, R. (2014). B-Spline Based Multitarget Tracking. McMaster University.
Suganthi, L., & Samuel, A. A. (2012). Energy models for demand forecasting - A
review. Renewable and Sustainable Energy Reviews, 16(2), 1223–1240.
https://doi.org/10.1016/j.rser.2011.08.014
Verdejo, H., Awerkin, A., Becker, C., & Olguin, G. (2017). Statistic linear parametric
techniques for residential electric energy demand forecasting. A review and an
implementation to Chile. Renewable and Sustainable Energy Reviews,
74(November 2016), 512–521. https://doi.org/10.1016/j.rser.2017.01.110
Wang, Y., Chen, Q., Kang, C., Zhang, M., Wang, K., & Zhao, Y. (2015). Load profiling
and its application to demand response: A review. Tsinghua Science and
Technology, 20(2), 117–129. https://doi.org/10.1109/TST.2015.7085625
Zapata, C., Garces, L., & Gomez, O. (2006). Reliability Assessment of Energy Limited
Systems Using Sequential Montecarlo Simulation. 2006 IEEE/PES
Transmission & Distribution Conference and Exposition: Latin America, 1–6.
https://doi.org/10.1109/TDCLA.2006.311443
Zhang, B.-L., & Dong, Z.-Y. (2001). An adaptive neural-wavelet model for short term
load forecasting. Electric Power Systems Research, 59(2), 121–129.
https://doi.org/10.1016/S0378-7796(01)00138-9