This work investigates the performa

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 (Le, over 24 hours) requires
the Neural Network to feed itself with predicted load values
(multii-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 to
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 Februasyll994). The results are
evalucxted using three error figures: WE (Mean Absolute
Percentage Error), FWSE (Root Mean Squared Error) and Theil's U
(rate between the FWSE 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.
kewords : Neural Networks, Load Forecasting, multi-step,
Backpropagation, auto correlation

ผลลัพธ์ (ไทย) 1:

งานนี้ตรวจสอบประสิทธิภาพของเครือข่ายประสาทที่ใช้โหลดรายชั่วโมงระบบการคาดการณ์ ทำการทดสอบแตกต่างกันการคาดการณ์เวลานำจาก 1 744 ชั่วโมงข้างหน้า การคาดการณ์ต้องโหลดไฟฟ้านานข้างหน้า (Le ตลอด 24 ชั่วโมง)เครือข่ายประสาทเพื่อเลี้ยงตัวเอง ด้วยค่าโหลดการคาดการณ์(คาดเดา multii ขั้นตอน) เพื่อคาดการณ์ระยะเวลาถัดไป การผลลัพธ์ที่ได้ในการทดสอบเหล่านี้จะดีมากเมื่อเทียบกับขั้นตอนเดียวการคาดเดา ซึ่งใช้เฉพาะค่าโหลดจริงพร้อมใช้งานสำหรับการคาดการณ์ถัดไป คุณลักษณะนี้จะส่งผลสำคัญสามารถดำเนินการระบบไฟฟ้าเนื่องจากจะช่วยให้การทำนายแม่นยำด้วยขนาดใหญ่ชั้นนำเท่านั้นในการทดลอง ใช้จริงโหลดข้อมูลจากสถานะไฟฟ้าบริษัทของมินัสเหมืองแร่สเชไรส์ (CEMIG) และคาดการณ์การผลิตสำหรับทั้งหมดปี (ตั้งแต่ มีนาคม/1993 การ Februasyll994) ผลจะใช้สามตัวเลขผิดพลาด evalucxted: เรา (หมายถึงแน่นอนเปอร์เซ็นต์ข้อผิดพลาด), FWSE (รากเฉลี่ยกำลังสองผิดพลาด) และของ Theil U(อัตราระหว่าง FWSE ของระบบการคาดการณ์แท้จริง และการRMSE ของไร้เดียงสาเป็นการคาดการณ์ระบบ) ในหลายกรณี ผลลัพธ์แสดง MAPE ต่ำกว่า 2% อุณหภูมิและข้อมูลสภาพอากาศอื่น ๆจะไม่พิจารณาในการคาดการณ์เหล่านี้kewords: เครือข่ายประสาท โหลดการคาดการณ์ หลายขั้นตอนBackpropagation สหสัมพันธ์อัตโนมัติ

ผลลัพธ์ (ไทย) 2:

งานนี้ศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมตาม
ระบบการคาดการณ์โหลดรายชั่วโมง การทดสอบจะทำแตกต่างกัน
เวลานำการคาดการณ์ 1-744 ชั่วโมงข้างหน้า พยากรณ์
โหลดไฟฟ้าสำหรับรอบระยะเวลายาวไปข้างหน้า (Le กว่า 24 ชั่วโมง) ต้องใช้
เครือข่ายประสาทเทียมที่จะเลี้ยงตัวเองด้วยค่าภาระที่คาดการณ์ไว้
(ทำนายขั้นตอน multii) เพื่อที่จะคาดการณ์งวดถัดไป
ผลที่ได้รับในการทดสอบเหล่านี้เป็นสิ่งที่ดีมากเมื่อเทียบกับ
การคาดการณ์ขั้นตอนเดียวซึ่งใช้เฉพาะค่าโหลดจริง
ใช้ได้สำหรับการคาดการณ์ต่อไป คุณลักษณะนี้เป็นผลที่สำคัญในการ
ดำเนินงานระบบไฟฟ้าเนื่องจากจะช่วยให้การคาดการณ์ที่ถูกต้องกับ
ครั้งชั้นนำขนาดใหญ่.
ในการทดลองที่เราใช้โหลดข้อมูลจริงจากรัฐไฟฟ้า
บริษัท Minas Gerais (CEMIG) และคาดการณ์ภาระสำหรับทั้ง
ปี (ตั้งแต่เดือนมีนาคม / ปี 1993 เพื่อ Februasyll994) ผลที่จะได้
evalucxted โดยใช้ตัวเลขสามข้อผิดพลาด: เรา (หมายถึงแอบโซลูท
เปอร์เซ็นต์ความผิดพลาด) FWSE (ค่าเฉลี่ยกำลังสองข้อผิดพลาด) และ Theil ยู
(อัตราระหว่าง FWSE ของระบบการคาดการณ์ที่เกิดขึ้นจริงและ
RMSE ของระบบการคาดการณ์ที่ไร้เดียงสา) ในหลายกรณีผลการ
แสดง MAPE ด้านล่าง 2% ข้อมูลสภาพอากาศอุณหภูมิและอื่น ๆ
ไม่ได้รับการพิจารณาในการคาดการณ์เหล่านี้.
Kewords: เครือข่ายประสาทเทียมพยากรณ์โหลดหลายขั้นตอน
backpropagation ความสัมพันธ์อัตโนมัติ

ผลลัพธ์ (ไทย) 3:

งานนี้ได้ทำการศึกษาสมรรถนะของโครงข่ายประสาทเทียมตามชั่วโมงการพยากรณ์ความต้องการระบบ การทดสอบทำให้แปรผันการพยากรณ์เวลาชั้นนําจาก 1 ไปอีกชั่วโมงข้างหน้า การพยากรณ์โหลดไฟฟ้า นานไปข้างหน้า ( เลอ กว่า 24 ชั่วโมง ) ต้องการโครงข่ายประสาทเทียมเพื่อเลี้ยงตัวเองกับค่าคาดการณ์ โหลด( multii ขั้นตอนการพยากรณ์ ) เพื่อพยากรณ์ช่วงถัดไป ที่ผลลัพธ์ที่ได้ในการทดสอบเหล่านี้จะดีมากเมื่อเทียบกับการพยากรณ์ขั้นตอนเดียวซึ่งใช้แค่โหลดจริงค่าใช้ได้สำหรับการทำนายต่อไป คุณลักษณะนี้เป็นหลักผลการดำเนินงานระบบพลังงานเนื่องจากมันช่วยให้ทำนายที่ถูกต้องด้วยขนาดใหญ่ชั้นนำครั้งในการทดลองเราใช้โหลดข้อมูลที่แท้จริงจากรัฐไฟฟ้าบริษัทของรัฐมีนัสเชไรส์ ( CEMIG ) และทำนายโหลดทั้งหมดปี ( จากมีนาคม 2536 februasyll994 ) ผลคือevalucxted โดยใช้ตัวเลขสามข้อผิดพลาด : เรา ( หมายถึง แน่นอนค่าเปอร์เซ็นต์ความผิดพลาด ) fwse ( root ค่าเฉลี่ยความคลาดเคลื่อนยกกำลังสอง ) และ ทิล ยู( อัตราระหว่าง fwse ของระบบการพยากรณ์ที่แท้จริงและวิธีระบบการพยากรณ์ไร้เดียงสา ) ในหลายกรณี , ผลลัพธ์แสดงเป็นค่าต่ำกว่า 2 % ข้อมูลอุณหภูมิและสภาพอากาศอื่น ๆจะไม่พิจารณาในการคาดการณ์เหล่านี้โหลด kewords : เครือข่าย , การพยากรณ์ , ต้นทุนของระบบประสาท ,ความสัมพันธ์แบบอัตโนมัติ