Avariety of methods have beenpropos

Avariety of methods have beenproposed to forecast electricity consumption [14, 15], electricity load, and electricity prices over the last few decades, including linear regression analysis, time series methods, and artificial intelligence.For example, Antoch et al. [16] applied a functional linear regression model to analyze electricity consumption data sets in Sardinia. Mohamed and Bodger [17] used a multiple linear regression model to forecast electricity demand in New Zealand, in which the dependent variable was electricity consumption and the independent variables were the gross domestic product, average price of electricity, and population of New Zealand. However, a linear regression analysis is limited by a number of assumptions, such as weak exogeneity,error independence, and a lack of predictor multicollinearity [18]. After eliminating data noise through the empirical model decomposition method (EMD), Dong et al. [19] first employed the definite season index method and ARIMA model to forecast electricity prices in New South Wales of Australia. Ohtsuka et al. [20] presented a spatial autoregressive ARMA(1,1) model to forecast regional electricity consumption in Japan. Zhao et al. [11] proposed a residual modification model to improve forecasting precision for a seasonal ARIMA model in China’s Northwest Power Grid.In general, time series models only consider the data, not
other relative factors, and require high quantities of sample data with a good statistical distribution. In addition, artificial neural networks with the back propagation-learning algorithm have attracted much attention [21–23], but artificial intelligence approaches often suffer from low converging rates, difficulty in parameter selection, and overfitting [24,
25].

ผลลัพธ์ (ไทย) 1:

Avariety วิธีได้ beenproposed คาดการณ์ปริมาณการใช้ไฟฟ้า [14, 15], โหลดไฟฟ้า และราคาไฟฟ้าทศวรรษหลาย รวมทั้งการวิเคราะห์การถดถอยเชิงเส้น วิธีชุดเวลา และปัญญาประดิษฐ์ ตัวอย่าง Antoch et al. [16] ใช้ทำงานถดถอยเชิงเส้นแบบจำลองการวิเคราะห์ชุดข้อมูลปริมาณการใช้ไฟฟ้าใน Sardinia Bodger [17] และ Mohamed ใช้แบบจำลองถดถอยเชิงเส้นหลายการคาดการณ์ความต้องการไฟฟ้าในนิวซีแลนด์ ซึ่งขึ้นอยู่กับตัวแปรใช้ไฟฟ้า และตัวแปรอิสระมีผลิตภัณฑ์มวลรวมภายในประเทศ ราคาไฟฟ้าเฉลี่ย และประชากรของนิวซีแลนด์ อย่างไรก็ตาม การวิเคราะห์การถดถอยเชิงเส้นถูกจำกัด โดยจำนวนของสมมติฐาน เช่น exogeneity อ่อนแอ เอกราชข้อผิดพลาด และการขาดของ predictor multicollinearity [18] หลังจากตัดข้อมูลเสียงผ่านวิธีแยกส่วนประกอบการรวมรุ่น (EMD), al. และดง [19] ก่อนจ้างวิธีดัชนีฤดูกาลที่แน่นอนและอาการแบบจำลองการคาดการณ์ราคาไฟฟ้าในนิวเซาธ์เวลส์ของออสเตรเลีย Ohtsuka et al. [20] นำเสนอรูปแบบ ARMA(1,1) autoregressive ปริภูมิเพื่อคาดการณ์ปริมาณการใช้ไฟฟ้าภูมิภาคในประเทศญี่ปุ่น แบบปรับเปลี่ยนเหลือเพื่อปรับปรุงความแม่นยำในการคาดการณ์สำหรับรุ่นอาตามฤดูกาลของจีนตะวันตกเฉียงเหนืออำนาจ Grid.In เวลาทั่วไป ชุดแบบจำลองเท่านั้นพิจารณาข้อมูล ไม่นำเสนอเจียว et al. [11]ปัจจัยสัมพันธ์อื่น ๆ และต้องการปริมาณสูงของข้อมูลตัวอย่างกับการแจกแจงสถิติที่ดี นอกจากนี้ เครือข่ายประสาทเทียม ด้วยอัลกอริทึมเรียนเผยแพร่กลับได้ดึงดูดความสนใจมาก [21-23], แต่วิธีปัญญาประดิษฐ์มักจะทรมานจากบรรจบราคา ความยากลำบากในการเลือกพารามิเตอร์ ต่ำ และ overfitting [2425]

ผลลัพธ์ (ไทย) 2:

avariety วิธีการได้ beenproposed ที่จะคาดการณ์ปริมาณการใช้ไฟฟ้า [14, 15], โหลดไฟฟ้าและราคาไฟฟ้าในช่วงไม่กี่ทศวรรษที่ผ่านมารวมถึงการวิเคราะห์การถดถอยเชิงเส้นเวลาวิธีการชุดและประดิษฐ์ intelligence.For ตัวอย่างเช่น Antoch et al, [16] นำไปใช้การทำงานรูปแบบการถดถอยเชิงเส้นในการวิเคราะห์การใช้พลังงานไฟฟ้าชุดข้อมูลในซาร์ดิเนีย โมฮาเหม็และ Bodger [17] ใช้หลายรูปแบบการถดถอยเชิงเส้นที่จะคาดการณ์ความต้องการใช้ไฟฟ้าในประเทศนิวซีแลนด์ซึ่งเป็นตัวแปรตามปริมาณการใช้ไฟฟ้าและตัวแปรอิสระมีผลิตภัณฑ์มวลรวมภายในประเทศราคาเฉลี่ยของการผลิตไฟฟ้าและประชากรของประเทศนิวซีแลนด์ อย่างไรก็ตามการวิเคราะห์การถดถอยเชิงเส้นถูก จำกัด ด้วยจำนวนของสมมติฐานเช่น exogeneity อ่อนแออิสระข้อผิดพลาดและขาดการพหุทำนาย [18] หลังจากที่การขจัดเสียงรบกวนข้อมูลผ่านวิธีการสลายตัวรูปแบบการทดลอง (EMD) ดง et al, [19] ลูกจ้างแรกวิธีการที่ดัชนีฤดูกาลที่ชัดเจนและรูปแบบ ARIMA ที่จะคาดการณ์ราคาไฟฟ้าในนิวเซาธ์เวลส์ออสเตรเลีย Ohtsuka et al, [20] นำเสนอเชิงพื้นที่อัต ARMA (1,1) รูปแบบที่จะคาดการณ์ปริมาณการใช้ไฟฟ้าในระดับภูมิภาคในประเทศญี่ปุ่น Zhao et al, [11] ที่นำเสนอรูปแบบการปรับเปลี่ยนที่เหลือในการปรับปรุงความแม่นยำในการคาดการณ์สำหรับรูปแบบ ARIMA ตามฤดูกาลในภาคตะวันตกเฉียงเหนือของจีนพลังงาน Grid.In
ทั่วไปแบบอนุกรมเวลาจะพิจารณาข้อมูลที่ไม่ได้มีปัจจัยอื่นๆ ที่เกี่ยวข้องและต้องการปริมาณสูงของข้อมูลตัวอย่างที่มีสถิติที่ดี การกระจาย นอกจากนี้เครือข่ายประสาทเทียมด้วยวิธีการขยายพันธุ์การเรียนรู้กลับมาได้รับความสนใจมาก [21-23] แต่วิธีการประดิษฐ์มักจะประสบจากอัตราบรรจบต่ำความยากลำบากในการเลือกพารามิเตอร์และ overfitting [24,
25]

ผลลัพธ์ (ไทย) 3:

และวิธีการพยากรณ์การใช้ไฟฟ้า มี beenproposed [ 14 , 15 ] ไฟฟ้าโหลด และราคาไฟฟ้าในช่วงไม่กี่ทศวรรษที่ผ่านมา รวมถึงการวิเคราะห์การถดถอยเชิงเส้น , วิธีอนุกรมและปัญญาประดิษฐ์ เช่น antoch et al . [ 16 ] ประยุกต์แบบจำลองการถดถอยเชิงเส้นการทำงาน เพื่อวิเคราะห์ข้อมูลการใช้ไฟฟ้า ชุดในซาร์ดิเนียโม และ bodger [ 17 ] ใช้แบบจำลองการถดถอยเชิงเส้นพหุ เพื่อพยากรณ์ความต้องการใช้ไฟฟ้าในนิวซีแลนด์ซึ่งในตัวแปรตามคือการใช้ไฟฟ้า และตัวแปรอิสระคือ ผลิตภัณฑ์มวลรวมภายในประเทศ ราคาเฉลี่ยของไฟฟ้า และประชากรของประเทศนิวซีแลนด์ อย่างไรก็ตาม การวิเคราะห์การถดถอยเชิงเส้นจะถูก จำกัด โดยจำนวนของสมมติฐาน เช่น exogeneity อ่อนแอความเป็นอิสระของข้อผิดพลาดและการทำนายข้อมูล [ 18 ] หลังจากกำจัดเสียงรบกวนข้อมูลด้วยแบบจำลองเชิงประจักษ์วิธีสลาย ( EMD ) , ดง et al . [ 19 ] ก่อนใช้ดัชนีฤดูกาลที่แน่นอนวิธีการและแบบจำลองเพื่อคาดการณ์ราคาไฟฟ้าในรัฐนิวเซาท์เวลส์ของออสเตรเลีย โอทสึกะ et al . [ 20 ] เสนอพื้นที่วิธี ARMA ( 11 ) แบบจำลองพยากรณ์การใช้ไฟฟ้าในภูมิภาคญี่ปุ่น จ้าว et al . [ 11 ] เสนอรูปแบบการปรับพฤติกรรมเพื่อเพิ่มความแม่นยำในการพยากรณ์ที่เหลือแบบ ARIMA ตามฤดูกาลในกริดตะวันตกเฉียงเหนือพลังงานของจีน โดยทั่วไป ตัวแบบอนุกรมเวลาเพียงพิจารณาข้อมูลไม่ได้
ปัจจัยที่เกี่ยวข้องอื่น ๆ และต้องมีปริมาณสูงของข้อมูลตัวอย่างดี สถิติการจำหน่าย นอกจากนี้โครงข่ายประสาทเทียมชนิดแพร่กลับด้วยอัลกอริทึมการเรียนรู้ได้ดึงดูดความสนใจมาก [ 21 – 23 ] แต่ปัญญาประดิษฐ์วิธีการมักจะประสบจากต่ำ ซึ่งอัตราความยากในการเลือกพารามิเตอร์และ overfitting [ 24
25 ]