Abstract:This work investigates the

Abstract:
This work investigates the performance of a neural network-based hourly load forecasting system. Tests are made varying the forecasting leading time from 1 to 744 hours ahead. Forecasting electric load for long periods ahead (i.e., over 24 hours) requires the neural network to feed itself with predicted load values (multi-step prediction) in order to forecast the next period. The results obtained in these tests are very good when compared with single-step prediction, which uses only the actual load values available for the next prediction. This feature is a key result in power systems operation since it allows accurate prediction with large leading times. In the experiments we use real load data from the Electric State Company of Minas Gerais (CEMIG) and predict load for a whole year (from March/1993 to February/l994). The results are evaluated using three error figures: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Squared Error) and Theil's U (rate between the RMSE of the actual forecasting system and the RMSE of a naive forecasting system). In many cases, results exhibit a MAPE below 2%. Temperature and other weather data are not considered in these predictions.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ:งานนี้ตรวจสอบประสิทธิภาพการทำงานของระบบประสาทบนเครือข่ายรายชั่วโมงโหลดการคาดการณ์ระบบ การทดสอบจะทำแตกต่างกันการคาดการณ์เวลาที่ชั้นนำจาก 1 744 ชั่วโมงข้างหน้า การคาดการณ์ไฟฟ้าโหลดนานข้างหน้า (เช่น ตลอด 24 ชั่วโมง) ต้องใช้เครือข่ายประสาทเพื่อเลี้ยงตัวเอง ด้วยค่าโหลดคาดการณ์ (พยากรณ์หลายขั้นตอน) เพื่อคาดการณ์ระยะเวลาถัดไป ผลลัพธ์ที่ได้ในการทดสอบเหล่านี้จะดีมากเมื่อเทียบกับคาดการณ์ขั้นตอนเดียว ซึ่งใช้เฉพาะโหลดจริงค่าพร้อมใช้งานสำหรับการคาดการณ์ถัดไป คุณลักษณะนี้มีผลสำคัญในการดำเนินงานของระบบไฟฟ้าเนื่องจากจะช่วยให้การทำนายแม่นยำเวลาชั้นนำขนาดใหญ่ ในการทดลองที่เราใช้โหลดข้อมูลจริงจากสถานะไฟฟ้า บริษัทของมินัสเหมืองแร่สเชไรส์ (CEMIG) และคาดการณ์โหลดได้ตลอดปี (ตั้งแต่ มีนาคม/1993 ถึง กุมภาพันธ์/l994) ผลการประเมินโดยใช้ตัวเลขผิดพลาดสาม: MAPE (หมายถึงเต็มเปอร์เซ็นต์ผิดพลาด), RMSE (รากหมายถึงกำลังสองผิดพลาด) และ U ของ Theil (ราคาระหว่าง RMSE ของการคาดการณ์ระบบจริงและ RMSE ของไร้เดียงสาเป็นการคาดการณ์ระบบ) ในหลายกรณี ผลลัพธ์แสดง MAPE ต่ำกว่า 2% อุณหภูมิและข้อมูลสภาพอากาศอื่น ๆ จะไม่ถือว่าในการคาดการณ์เหล่านี้

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ:
งานนี้ศึกษาประสิทธิภาพการทำงานของระบบการคาดการณ์โหลดรายชั่วโมงบนเครือข่ายประสาท การทดสอบจะทำที่แตกต่างกันในเวลาที่นำการคาดการณ์ 1-744 ชั่วโมงข้างหน้า พยากรณ์โหลดไฟฟ้าสำหรับรอบระยะเวลายาวไปข้างหน้า (กล่าวคือกว่า 24 ชั่วโมง) ต้องใช้โครงข่ายประสาทเทียมที่จะเลี้ยงตัวเองด้วยค่าภาระที่คาดการณ์ไว้ (การทำนายหลายขั้นตอน) เพื่อที่จะคาดการณ์งวดถัดไป ผลที่ได้รับในการทดสอบเหล่านี้เป็นสิ่งที่ดีมากเมื่อเทียบกับการคาดการณ์ขั้นตอนเดียวซึ่งใช้เฉพาะค่าโหลดจริงใช้ได้สำหรับการคาดการณ์ต่อไป คุณลักษณะนี้เป็นผลที่สำคัญในการดำเนินงานระบบไฟฟ้าเนื่องจากจะช่วยให้การคาดการณ์ที่ถูกต้องกับเวลาชั้นนำขนาดใหญ่ ในการทดลองที่เราใช้โหลดข้อมูลจริงจาก บริษัท ของรัฐไฟฟ้า Minas Gerais (CEMIG) และคาดการณ์โหลดตลอดทั้งปี (ตั้งแต่เดือนมีนาคม / 1993 ถึงเดือนกุมภาพันธ์ / l994) ผลที่จะได้รับการประเมินโดยใช้ตัวเลขผิดพลาดที่สาม: MAPE (ค่าเฉลี่ยเปอร์เซ็นต์ความผิดพลาดแอบโซลูท) RMSE (ค่าเฉลี่ยกำลังสองข้อผิดพลาด) และ Theil ยู (อัตราระหว่าง RMSE ของระบบการคาดการณ์ที่เกิดขึ้นจริงและ RMSE ของระบบการคาดการณ์ที่ไร้เดียงสา) ในหลายกรณีผลการแสดง MAPE ด้านล่าง 2% ข้อมูลสภาพอากาศอุณหภูมิและอื่น ๆ จะไม่พิจารณาในการคาดการณ์เหล่านี้

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ :งานนี้ได้ทำการศึกษาประสิทธิภาพของระบบการใช้เครือข่ายประสาทชั่วโมงโหลด การทดสอบจะทำการพยากรณ์นำเวลาจาก 1 ถึง 744 ชั่วโมงข้างหน้า การพยากรณ์ไฟฟ้าโหลดนานเลย ( เช่น กว่า 24 ชั่วโมง ) ต้องใช้เครือข่ายประสาทเพื่อเลี้ยงตัวเองด้วย ( ปรับค่าพยากรณ์ทำนายโหลด ) เพื่อพยากรณ์ช่วงถัดไป ผลลัพธ์ที่ได้ในการทดสอบเหล่านี้จะดีมากเมื่อเทียบกับการคาดการณ์ขั้นตอนเดียวซึ่งใช้เฉพาะสามารถทำนายค่าโหลดที่แท้จริงต่อไป คุณลักษณะนี้คือผลสำคัญในการดำเนินงานระบบพลังงานเนื่องจากมันช่วยให้ทำนายถูกต้อง ด้วยขนาดใหญ่ชั้นนำครั้ง ในการทดลองเราใช้โหลดข้อมูลที่แท้จริงจากรัฐ บริษัท ไฟฟ้าของรัฐมีนัสเชไรส์ ( CEMIG ) และทำนายโหลดตลอดทั้งปี ( จากมีนาคม 2536 ถึงกุมภาพันธ์ / l994 ) ผลการประเมินการใช้ตัวเลขสามข้อผิดพลาด : MAPE ( ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน RMSE ( Root ) ค่าเฉลี่ยความคลาดเคลื่อนยกกำลังสอง ) และ ทิล ยู ( อัตราระหว่าง RMSE ของวิธีระบบการพยากรณ์ที่แท้จริง และระบบการพยากรณ์ไร้เดียงสา ) ในหลายกรณี , ผลลัพธ์ที่แสดงค่าต่ำกว่า 2 % ข้อมูลอุณหภูมิและสภาพอากาศอื่น ๆยังไม่ได้มีการพิจารณาในการคาดการณ์เหล่านี้