In this paper, fuzzy (inaccuracy, v

In this paper, fuzzy (inaccuracy, vague, dispersion of individual interpretation) and random (incompleteness, noise and variability) uncertainties of electric load forecasting are modeled by random fuzzy variables (RFVs). Further integrating it into neural networks (NN) to formulate a novel integrated technique–Random Fuzzy NN (RFNN) for load forecasting is presented. The features of this methodology are as follows. (1) It is able to effectively and simultaneously model referred uncertainties occurred in load forecasting by one integrated technique, which existing techniques (e.g. fuzzified NN or Bayesian NN) tackle them separately. (2) Specially, historical data/information containing incompleteness, inaccuracy and vagueness can be modeled by the proposed representations of RFVs. No preprocessing algorithms such as data imputation or discard are required. (3) The proposed RFNN can make NN incorporating both types of uncertainties of inputs and network parameters so as to possess with better tackling uncertainties of load forecasting than other relevant methods. The proposed techniques are applied to electric load forecasting using a real operational data collected from Macau electric utility. Its application is promising in microgrid/small power system or in forecasting curves of individual customer where load curves would present a much higher variability and more noise than global curves of power grid of one country/region

ผลลัพธ์ (ไทย) 1:

ใน กระดาษ เอิบ (inaccuracy คลุมเครือ เธนของล่ามแต่ละ) และแบบสุ่ม (เกอเดล เสียงรบกวน และความแปรผัน) ความไม่แน่นอนของการผลิตไฟฟ้าคาดการณ์ถูกจำลอง โดยตัวแปรเอิบสุ่ม (RFVs) เพิ่มเติม รวมเป็นเครือข่ายประสาท (NN) เพื่อรวบรวมนวนิยายรวมเทคนิค – สุ่มเอิบ NN (RFNN) สำหรับโหลดการคาดการณ์การนำเสนอ คุณลักษณะของวิธีนี้มีดังนี้ (1) จะสามารถได้อย่างมีประสิทธิภาพ และพร้อมกันแบบแนวอ้างอิงที่เกิดขึ้นในการโหลดที่คาดการณ์โดยหนึ่งเทคนิครวม เทคนิคที่มีอยู่ (เช่น fuzzified NN หรือทฤษฎี NN) แสวงนั้นแยกต่างหาก (2) เป็นพิเศษ สามารถจำลองอดีต/ข้อมูลเกอเดล inaccuracy และ vagueness โดยเป็นตัวแทนนำเสนอของ RFVs จำเป็นต้องใช้อัลกอริทึมไม่ประมวลผลเบื้องต้นเช่นข้อมูล imputation หรือละทิ้ง (3) RFNN การนำเสนอสามารถทำ NN เพจทั้งสองชนิดของความไม่แน่นอนของอินพุตและพารามิเตอร์เครือข่ายเพื่อให้กับความไม่แน่นอนแก่ดีกว่าของโหลดการคาดการณ์มากกว่า วิธีการอื่น ๆ ที่เกี่ยวข้อง เทคนิคการนำเสนอจะใช้กับการผลิตไฟฟ้าคาดการณ์โดยใช้ข้อมูลจริงในการดำเนินงานรวบรวมจากมาเก๊าสาธารณูปโภคไฟฟ้า โปรแกรมประยุกต์ของแจ่ม ในระบบไฟฟ้า microgrid/เล็ก หรือคาดการณ์เส้นโค้งของลูกค้าแต่ละรายที่ต้องแสดงเส้นโค้งโหลดสำหรับความผันผวนสูงมากและเสียงเพิ่มเติมกว่าโค้งกลางของสายส่งไฟฟ้าของประเทศ/ภูมิภาคหนึ่ง

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เลือน (ไม่ถูกต้อง, คลุมเครือการกระจายตัวของการตีความของแต่ละบุคคล) และสุ่ม (ไม่สมบูรณ์เสียงและความแปรปรวน) ความไม่แน่นอนของการพยากรณ์โหลดไฟฟ้าเป็นแบบจำลองโดยตัวแปรสุ่มเลือน (RFVs) เพิ่มเติมรวมไว้ในเครือข่ายประสาท (NN) การกำหนดเทคนิคแบบบูรณาการสุ่มนวนิยายเลือน NN (RFNN) สำหรับการพยากรณ์โหลดจะนำเสนอ คุณสมบัติของวิธีการนี​​้มีดังต่อไปนี้ (1) มันสามารถที่จะไปพร้อม ๆ กันได้อย่างมีประสิทธิภาพและรูปแบบที่เรียกว่าความไม่แน่นอนที่เกิดขึ้นในการพยากรณ์โหลดโดยหนึ่งในเทคนิคแบบบูรณาการซึ่งเทคนิคที่มีอยู่ (เช่น fuzzified NN หรือคชกรรม NN) รับมือกับพวกเขาต่างหาก (2) เป็นพิเศษข้อมูลทางประวัติศาสตร์ / ข้อมูลที่มีความไม่สมบูรณ์ไม่ถูกต้องและความไม่ชัดเจนสามารถจำลองโดยการแสดงที่นำเสนอ RFVs ไม่มีขั้นตอนวิธีการประมวลผลเบื้องต้นเช่นการใส่ร้ายข้อมูลหรือทิ้งจะต้อง (3) เสนอ RFNN สามารถทำให้ NN ผสมผสานทั้งสองประเภทของความไม่แน่นอนของปัจจัยการผลิตและพารามิเตอร์เครือข่ายเพื่อให้มีการแก้ปัญหากับความไม่แน่นอนของการพยากรณ์ที่ดีกว่าโหลดกว่าวิธีการอื่น ๆ ที่เกี่ยวข้อง เทคนิคที่นำเสนอจะนำไปใช้พยากรณ์ความต้องการไฟฟ้าไฟฟ้าโดยใช้ข้อมูลการดำเนินงานจริงที่เก็บได้จากสาธารณูปโภคไฟฟ้ามาเก๊า แอพลิเคชันของมันคือการที่มีแนวโน้มใน microgrid / ระบบไฟฟ้าขนาดเล็กหรือเส้นโค้งในการคาดการณ์ของลูกค้าแต่ละรายที่เส้นโค้งโหลดจะนำเสนอความแปรปรวนสูงมากและเสียงรบกวนมากกว่าเส้นโค้งทั่วโลกของตารางอำนาจของหนึ่งในประเทศ / ภูมิภาค

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ , ฟัซซี่ ( ความไม่ถูกต้องที่คลุมเครือ การตีความแต่ละบุคคล ) และแบบสุ่ม ( incompleteness , เสียงและการเปลี่ยนแปลง ) ความไม่แน่นอนของการพยากรณ์ความต้องการไฟฟ้าแบบสุ่มตัวแปรฟัซซี่ ( rfvs ) เพิ่มเติมรวมเป็นเครือข่ายประสาท ( NN ) เพื่อสร้างใหม่แบบบูรณาการเทคนิคแบบฟัซซี่และ nn ( rfnn ) สำหรับการพยากรณ์ความต้องการคือแสดงคุณลักษณะของวิธีการนี้ มีดังนี้ ( 1 ) มันสามารถที่จะมีประสิทธิภาพและพร้อมกันแบบเรียกว่าความไม่แน่นอนที่เกิดขึ้นในการพยากรณ์ความต้องการ โดยบูรณาการเทคนิค ซึ่งเทคนิคที่มีอยู่ ( เช่น fuzzified nn nn หรือเบ ) เล่นงานพวกเขาต่างหาก ( 2 ) พิเศษ , ข้อมูล / ข้อมูลทางประวัติศาสตร์ที่มี incompleteness ,ความไม่ถูกต้องและชัดเจนสามารถจำลองโดยเสนอเนื้อหาของ rfvs . ไม่มีการเตรียมกลไกเช่นข้อมูลส่วนบุคคลหรือทิ้งจะต้อง ( 3 ) เสนอให้ rfnn NN ผสมผสานทั้งสองประเภทของความไม่แน่นอนของปัจจัยการผลิตและเครือข่ายพารามิเตอร์เพื่อครอบครองกว่าการแก้ปัญหาความไม่แน่นอนของการพยากรณ์ความต้องการมากกว่าวิธีการอื่น ๆที่เกี่ยวข้องการนำเสนอเทคนิคการพยากรณ์การใช้ไฟฟ้าที่ใช้โหลดข้อมูลจากมาเก๊าจริง งาน ไฟฟ้า สาธารณูปโภค การประยุกต์เป็นสัญญาใน microgrid ขนาดเล็ก / ระบบพลังงานแสงอาทิตย์หรือในการพยากรณ์เส้นโค้งของลูกค้าแต่ละที่ โหลด เส้นโค้งจะอยู่สูงกว่ามากและเสียงมากกว่าความโค้งของพลังงานของประเทศทั่วโลก