For lead times of more than 6 h, ca

For lead times of more than 6 h, calendar data and meteorological data play an important role and need to be included in the model [25]. Huang et al. [17] use a time series model with an exogenous variable, temperature, to forecast hourly load one day and one week ahead. Soares and Medeiros [18] use several calendar data (day of the week, holiday, working day after holiday, working day before holiday, bridge day, etc.) to forecast the electricity demand in the southeast of Brazil up to seven days ahead. Mirasgedisetal. [26] include calendar data, temperature and humidity to forecast daily and monthly electricity demand up to one year ahead.The factors used in demand forecasts depend on the forecasting horizon. For very short-term demand forecasts, i.e., periods of 6 h or less, it is sufficient to use only historical data of the time series [13].
For instance, Huang and Shih [15] use a univariate time series model to forecast short-term electricity demand. Taylor [16] uses an exponential smoothing model to forecast up to one day ahead.

ผลลัพธ์ (ไทย) 1:

สำหรับระยะเวลารอคอยของมากกว่า 6 h ข้อมูลปฏิทินและข้อมูลอุตุนิยมวิทยามีบทบาทที่สำคัญ และจำเป็นต้องรวมอยู่ในแบบจำลอง [25] หวง et al. [17] ใช้แบบลำดับเวลากับตัวแปรบ่อย อุณหภูมิ เพื่อคาดการณ์โหลดรายชั่วโมงหนึ่งวันและหนึ่งสัปดาห์ข้างหน้า ใช้หลายข้อมูลปฏิทิน (วันของสัปดาห์ วันหยุด วันทำการหลังวันหยุด Soares และ Medeiros [18] วันทำการก่อนวันหยุด วันสะพาน ฯลฯ) เพื่อคาดการณ์ความต้องการไฟฟ้าในตะวันออกเฉียงใต้ของบราซิลขึ้นไปเจ็ดวันข้างหน้า Mirasgedisetal [26] รวมข้อมูลปฏิทิน อุณหภูมิและความชื้นเพื่อคาดการณ์วัน และรายเดือนไฟฟ้าต้องถึงหนึ่งปีข้างหน้าปัจจัยที่ใช้ในการคาดการณ์ความต้องการขึ้นอยู่กับระดับการคาดการณ์ สำหรับการคาดการณ์ความต้องการระยะสั้นมาก เช่น ระยะ 6 h หรือน้อยกว่า ไม่เพียงพอที่จะใช้เฉพาะข้อมูลประวัติของเวลาชุด [13] .
เช่น หวงและนายสือ [15] ใช้แบบลำดับเวลาอย่างไร univariate เพื่อคาดการณ์ความต้องการไฟฟ้าระยะสั้น เทย์เลอร์ [16] ใช้แบบจำลองผืนเนนเพื่อคาดการณ์ล่วงหน้าถึงหนึ่งวัน

ผลลัพธ์ (ไทย) 2:

สำหรับเวลานำกว่า 6 ชั่วโมง, ข้อมูลปฏิทินและข้อมูลอุตุนิยมวิทยามีบทบาทที่สำคัญและจำเป็นที่จะต้องรวมอยู่ในรูปแบบ [25] Huang et al, [17] ใช้รูปแบบอนุกรมเวลาที่มีตัวแปรภายนอกอุณหภูมิในการคาดการณ์ภาระชั่วโมงหนึ่งวันและหนึ่งสัปดาห์ข้างหน้า Soares และ Medeiros [18] ใช้ข้อมูลปฏิทินหลาย (วันของสัปดาห์วันหยุดวันทำงานหลังจากวันหยุดวันทำการก่อนวันหยุดวันสะพาน ฯลฯ ) ในการคาดการณ์ความต้องการใช้ไฟฟ้าในทิศตะวันออกเฉียงใต้ของบราซิลถึงเจ็ดวันข้างหน้า Mirasgedisetal [26] รวมถึงข้อมูลปฏิทิน, อุณหภูมิและความชื้นในการคาดการณ์ในชีวิตประจำวันและความต้องการไฟฟ้ารายเดือนถึงหนึ่งปี ahead.The ปัจจัยที่ใช้ในการพยากรณ์ความต้องการขึ้นอยู่กับการคาดการณ์ขอบฟ้า สำหรับการคาดการณ์ความต้องการระยะสั้นมากคือช่วง 6 ชั่วโมงหรือน้อยกว่าก็จะเพียงพอที่จะใช้เฉพาะข้อมูลทางประวัติศาสตร์ของอนุกรมเวลา [13]
ตัวอย่างเช่น Huang และฉือเจียจวง [15] ใช้รูปแบบอนุกรมเวลา univariate ในการคาดการณ์ ความต้องการไฟฟ้าระยะสั้น เทย์เลอร์ [16] ใช้รูปแบบเรียบชี้แจงในการคาดการณ์ถึงวันหนึ่งข้างหน้า

ผลลัพธ์ (ไทย) 3:

เพื่อนำเวลามากกว่า 6 H , ข้อมูลปฏิทินและข้อมูลอุตุนิยมวิทยามีบทบาทสำคัญ และต้องอยู่ในรูปแบบ [ 25 ] หวง et al . [ 17 ] ใช้เวลาแบบอนุกรมที่มีตัวแปรจากภายนอกอุณหภูมิการคาดการณ์รายชั่วโมงโหลด 1 วัน และ 1 สัปดาห์ข้างหน้า และ Soares Medeiros [ 18 ] ใช้หลายข้อมูลปฏิทิน ( วันของสัปดาห์ , วันหยุด , วันทำการหลังวันหยุดสะพานวันทำงานวันก่อนวันหยุด , ฯลฯ ) เพื่อพยากรณ์ความต้องการใช้ไฟฟ้าในตะวันออกเฉียงใต้ของบราซิลถึงเจ็ดวันเลย mirasgedisetal . [ 26 ] รวมข้อมูลปฏิทิน อุณหภูมิ และ ความชื้น พยากรณ์รายวัน และความต้องการใช้ไฟฟ้าเดือนถึงหนึ่งปีล่วงหน้า ปัจจัยที่ใช้ในการคาดการณ์ความต้องการขึ้นอยู่กับการคาดการณ์ของเส้นขอบฟ้า สำหรับการคาดการณ์ความต้องการระยะสั้นมาก เช่นระยะเวลา 6 ชั่วโมง หรือน้อยกว่า มันก็เพียงพอที่จะใช้ข้อมูลทางประวัติศาสตร์ของอนุกรมเวลา [ 13 ] .
สำหรับอินสแตนซ์ หวงและ Shih [ 15 ] ใช้อนุกรมเวลาที่มีรูปแบบการพยากรณ์ความต้องการไฟฟ้าระยะสั้น เทย์เลอร์ [ 16 ] ใช้ปรับให้เรียบแบบเอ็กซ์โปเนนเชียลแบบพยากรณ์ถึงวันหนึ่งข้างหน้า