检索结果-南通市图书馆

江苏大学学报（自然科学版） 2022年第5期43卷 599-603页

作者：邱禧荷茹亚军陈斌郭韵上海工程技术大学电子电气工程学院上海201620 上海理工大学机械工程学院上海200093 上海工程技术大学机械与汽车工程学院上海201620

为实现对电能消耗进行准确预测,基于美国PJM公司数据集,采用基于深度自回归循环网络(deep autoregressive recurrent networks,Deep AR)时间序列模型,对Commonwealth Edison公司未来某12 h区间电能消耗进行预测.该模型基于长短期记忆网... 详细信息

为实现对电能消耗进行准确预测,基于美国PJM公司数据集,采用基于深度自回归循环网络(deep autoregressive recurrent networks,Deep AR)时间序列模型,对Commonwealth Edison公司未来某12 h区间电能消耗进行预测.该模型基于长短期记忆网络(long short term memory network,LSTM)得到数据的分布参数,最后在高斯分布中进行采样,从而得到预测值.采用平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为预测短期电能消耗评价指标,并与差分整合移动平均自回归模型(autoregressive integrated moving average,ARIMA)算法模型和Prophet算法模型进行比较.结果表明:Deep AR算法模型的MAE、RMSE和MAPE分别为1070.01、1279.31和6.12%,预测准确率较高;该算法不仅能够预测未来一段时间的电能消耗,还能预测其概率分布,进一步刻画事件发生的全局性.

关键词：时间序列模型电能消耗预测长短期记忆网络 Deep AR 概率分布

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

GM(1,1)-MEA-BP组合模型电能消耗预测及应用

引用

重庆理工大学学报（自然科学） 2023年第7期37卷 306-314页

作者：钞寅康龚立雄黄霄陈佳霖湖北工业大学机械工程学院武汉430068

为解决传统单一模型泛化能力弱、预测精度低等问题,提出一种GM(1,1)灰色模型和MEA-BP神经网络的组合预测模型,解决了GM(1,1)预测模型对能耗的预测受时间因素影响随机波动大及预测精度较低等问题,融合MEA-BP神经网络并行计算、强容错力... 详细信息

为解决传统单一模型泛化能力弱、预测精度低等问题,提出一种GM(1,1)灰色模型和MEA-BP神经网络的组合预测模型,解决了GM(1,1)预测模型对能耗的预测受时间因素影响随机波动大及预测精度较低等问题,融合MEA-BP神经网络并行计算、强容错力以及分布式信息存储等优势,减少了因数据波动而影响预测结果精度的情况,解决了误差无法反馈调整等问题。选取1985—2020年全国电能消耗总量为建模数据,与线性回归、三指数平滑、GM(1,1)、BP神经网络、MEA-BP神经网络等模型的预测结果进行分析比较。结果表明:GM(1,1)-MEA-BP组合模型相较于其他模型,预测精度最高,误差值最小,MAPE值达到0.0065,RMSE值达到977.9961。通过实例证明了GM(1,1)-MEA-BP组合模型对电能消耗量预测具备较高的精度,可为国家在能源方面宏观智能调度提供依据。

关键词：灰色模型 MEA-BP神经网络电能消耗预测

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：