With rapid economic growth, electri

With rapid economic growth, electricity demand is clearly increasing. It is difficult to store electricity for future use; thus, the electricity demand forecast, especially the electricity consumption forecast, is crucial for planning and operating a power system. Due to various unstable factors, it is challenging to forecast electricity consumption. Therefore, it is necessary to establish new models for accurate forecasts. This study proposes a hybrid model, which includes data selection, an abnormality analysis, a feasibility test, and an optimized grey model to forecast electricity consumption. First, the original electricity consumption data
are selected to construct different schemes (Scheme 1: short-term selection and Scheme 2: long-term selection); next, the iterative algorithm (IA) and cuckoo search algorithm (CS) are employed to select the best parameter of GM(1,1). The forecasted day is then
divided into several smooth parts because the grey model is highly accurate in the smooth rise and drop phases; thus, the best scheme for each part is determined using the grey correlation coefficient. Finally, the experimental results indicate that the GM(1,1) optimized using CS has the highest forecasting accuracy compared with the GM(1,1) and the GM(1,1) optimized using the IA and the autoregressive integrated moving average (ARIMA) model.

ผลลัพธ์ (ไทย) 1:

มีการเติบโตทางเศรษฐกิจอย่างรวดเร็ว ชัดเจนมีการเพิ่มความต้องการไฟฟ้า ยากต่อการเก็บไฟฟ้าสำหรับใช้ในอนาคต ดัง การคาดการณ์ความต้องการไฟฟ้า การคาดการณ์โดยเฉพาะอย่างยิ่งการใช้ไฟฟ้า เป็นสิ่งสำคัญสำหรับการวางแผน และปฏิบัติการระบบไฟฟ้า เนื่องจากหลายปัจจัยไม่เสถียร มันเป็นความท้าทายเพื่อคาดการณ์ปริมาณการใช้ไฟฟ้า ดังนั้น จึงเป็นความจำเป็นต้องสร้างรูปแบบใหม่สำหรับการคาดการณ์ที่ถูกต้อง การศึกษานี้เสนอรุ่นไฮบริด ซึ่งรวมถึงข้อมูล การวิเคราะห์ความผิดปกติ การทดสอบความเป็นไปได้ และแบบจำลองสีเทาให้เหมาะเพื่อคาดการณ์ปริมาณการใช้ไฟฟ้า แรก ข้อมูลปริมาณการใช้ไฟฟ้าเดิมเลือกเพื่อสร้างโครงร่างที่แตกต่างกัน (1 โครงร่าง: เลือกระยะสั้นและแผน 2: เลือกระยะยาว); อัลกอริทึมซ้ำ (IA) และอัลกอริทึมค้นหา cuckoo (CS) เป็นลูกจ้างเพื่อเลือกพารามิเตอร์ที่ดีที่สุดของ GM(1,1) วันคาดการณ์ไว้อยู่แล้วแบ่งออกเป็นหลายส่วนอย่างราบรื่นเนื่องจากรุ่นสีเทามีความถูกต้องสูงขึ้นเรียบและปล่อยระยะ ดังนั้น แผนงานดีที่สุดสำหรับแต่ละส่วนจะถูกกำหนดโดยใช้ค่าสัมประสิทธิ์ความสัมพันธ์ของสีเทา ในที่สุด ผลการทดลองบ่งชี้ว่า GM(1,1) เหมาะใช้ CS มีความคาดการณ์สูงสุดเมื่อเทียบกับ GM(1,1) และ GM(1,1) เหมาะ IA และ autoregressive รวมย้ายเฉลี่ย (อา) แบบ

ผลลัพธ์ (ไทย) 2:

กับการเจริญเติบโตทางเศรษฐกิจอย่างรวดเร็วความต้องการใช้ไฟฟ้าที่เพิ่มขึ้นอย่างชัดเจน มันเป็นเรื่องยากในการจัดเก็บพลังงานไฟฟ้าสำหรับการใช้งานในอนาคต จึงคาดการณ์ความต้องการใช้ไฟฟ้าโดยเฉพาะอย่างยิ่งการคาดการณ์การใช้ไฟฟ้าเป็นสิ่งสำคัญสำหรับการวางแผนและการดำเนินงานระบบไฟฟ้า เนื่องจากปัจจัยความไม่แน่นอนต่างๆก็เป็นสิ่งที่ท้าทายที่จะคาดการณ์ปริมาณการใช้ไฟฟ้า ดังนั้นจึงเป็นสิ่งจำเป็นในการสร้างรูปแบบใหม่สำหรับการคาดการณ์ที่ถูกต้อง การศึกษาครั้งนี้ได้นำเสนอรูปแบบไฮบริดซึ่งรวมถึงการเลือกข้อมูลการวิเคราะห์ความผิดปกติ, การทดสอบความเป็นไปได้และรูปแบบสีเทาเพิ่มประสิทธิภาพในการคาดการณ์ปริมาณการใช้ไฟฟ้า ก่อนที่ข้อมูลการใช้ไฟฟ้าเดิมได้รับการคัดเลือกในการสร้างรูปแบบที่แตกต่างกัน (โครงการที่ 1: การเลือกระยะสั้นและโครงการที่ 2: การเลือกในระยะยาว);
ต่อไปขั้นตอนวิธีการทำซ้ำ (IA) และวิธีการค้นหานกกาเหว่า (CS) ที่ถูกว่าจ้างเพื่อเลือกพารามิเตอร์ที่ดีที่สุดของจีเอ็ม (1,1) วันที่คาดว่าจะถูกแบ่งออกเป็นส่วนเรียบเพราะหลายรูปแบบสีเทามีความถูกต้องสูงในการเพิ่มขึ้นอย่างราบรื่นและวางขั้นตอน;
ดังนั้นรูปแบบที่ดีที่สุดสำหรับแต่ละส่วนจะถูกกำหนดโดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์สีเทา ในที่สุดผลการทดลองแสดงให้เห็นว่าจีเอ็ม (1,1) เพิ่มประสิทธิภาพการใช้ CS มีความถูกต้องคาดการณ์ที่สูงที่สุดเมื่อเทียบกับจีเอ็ม (1,1) และจีเอ็ม (1,1) การเพิ่มประสิทธิภาพการใช้ IA และอัตรวมค่าเฉลี่ยเคลื่อนที่ ( ARIMA) รูปแบบ

ผลลัพธ์ (ไทย) 3:

กับการเติบโตทางเศรษฐกิจอย่างรวดเร็ว ความต้องการใช้ไฟฟ้าจะชัดเจนมากขึ้น มันเป็นเรื่องยากที่จะเก็บไฟฟ้าสำหรับใช้ในอนาคต ; ดังนั้น , ความต้องการใช้ไฟฟ้าใหม่ โดยเฉพาะการใช้ไฟฟ้าปรับตัวเป็นสำคัญสำหรับการวางแผนและการดำเนินงานระบบพลังงาน เนื่องจากปัจจัยไม่แน่นอนต่างๆ มันเป็นสิ่งที่ท้าทายเพื่อพยากรณ์การใช้ไฟฟ้า . ดังนั้นมันเป็นสิ่งที่จำเป็นเพื่อสร้างรูปแบบใหม่สำหรับการคาดการณ์ที่ถูกต้อง การศึกษานี้ได้เสนอแบบจำลอง Hybrid ซึ่งรวมถึงการเลือกข้อมูลความผิดปกติการวิเคราะห์ความเป็นไปได้ในการทดสอบและการปรับสีเทาแบบพยากรณ์การใช้ไฟฟ้า . แรก ,
ข้อมูลการบริโภคไฟฟ้าเดิมจะถูกเลือกเพื่อสร้างโครงร่างที่แตกต่างกัน ( โครงการที่ 1 : การระยะสั้น และโครงการที่ 2 :เลือกยาว ) ; ถัดไป ขั้นตอนวิธีนี้ซ้ำ ( IA ) และบริการค้นหาขั้นตอนวิธี ( CS ) ถูกใช้เพื่อเลือกค่าพารามิเตอร์ที่ดีที่สุดของ ( gmt ) ( 1 , 1 ) พยากรณ์วันแล้ว
แบ่งออกเป็นส่วน ๆเรียบหลายเพราะรูปแบบสีเทามีความแม่นยำสูงในการขึ้นเรียบและระยะลดลง ดังนั้น โครงการที่ดีที่สุดสำหรับแต่ละส่วนจะถูกกำหนดโดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์ เกรย์ ในที่สุดผลการทดลองพบว่า GM ( 1 , 1 ) การเพิ่มประสิทธิภาพการใช้ CS มีการพยากรณ์ความแม่นยำสูงสุดเมื่อเทียบกับกรัม ( 1 , 1 ) และ ( gmt ) ( 1 , 1 ) การเพิ่มประสิทธิภาพการใช้ IA และตัวเองรวมเฉลี่ยเคลื่อนที่ ( ARIMA ) นางแบบ