Online short-term load forecasting

Online short-term load forecasting is needed for the real-time scheduling of electricity generation. Univariate methods have been developed that model the intraweek and intraday seasonal cycles in intraday load data. Three such methods, shown to be competitive in recent empirical studies, are double seasonal ARMA, an adaptation of Holt–Winters exponential smoothing for double seasonality, and another, recently proposed, exponential smoothing method. In multiple years of load data, in addition to intraday and intraweek cycles, an intrayear seasonal cycle is also apparent. We extend the three double seasonal methods in order to accommodate the intrayear seasonal cycle. Using six years of British and French data, we show that for prediction up to a day-ahead the triple seasonal methods outperform the double seasonal methods, and also a univariate neural network approach. Further improvement in accuracy is produced by using a combination of the forecasts from two of the triple seasonal methods.

ผลลัพธ์ (ไทย) 1:

ออนไลน์ระยะสั้นโหลดการคาดการณ์เป็นสิ่งจำเป็นสำหรับการจัดกำหนดการแบบเรียลไทม์ของไฟฟ้า มีการพัฒนาวิธีการอย่างไร Univariate ที่รุ่น intraweek และวงจรกราฟรายฤดูกาลในกราฟรายโหลดข้อมูล สามเช่นวิธีการ แสดงเพื่อการแข่งขันในการศึกษาล่าสุดประจักษ์ คู่อาร์มาตามฤดูกาล การปรับตัวของราบเรียบ seasonality คู่ และอื่น นำเสนอ ล่าสุด ผืนวิธีเนนเนนโฮลต์ – หนาวได้ ในหลายปีโหลดข้อมูล นอกจากนี้ไปกราฟรายและรอบ intraweek รอบฤดูกาลการ intrayear จะยังชัดเจน เราขยายวิธีการฤดูกาลสามคู่เพื่อรองรับรอบฤดูกาล intrayear เราใช้หกปีของอังกฤษ และฝรั่งเศสข้อมูล แสดงว่า สำหรับทำนายถึงวันล่วง วิธีตามฤดูกาลทริปเปิลประสิทธิภาพยิ่งกว่าวิธีการตามฤดูกาลสอง และวิธีโครงข่ายประสาทอย่างไร univariate ปรับปรุงเพิ่มเติมในความแม่นยำผลิต โดยใช้การคาดการณ์จากสองวิธีตามฤดูกาลทริปเปิล

ผลลัพธ์ (ไทย) 2:

ออนไลน์พยากรณ์ความต้องการไฟฟ้าในระยะสั้นเป็นสิ่งจำเป็นสำหรับการจัดตารางเวลาจริงของการผลิตกระแสไฟฟ้า วิธี univariate ได้รับการพัฒนารูปแบบที่ intraweek และรอบตามฤดูกาลในระหว่างวันโหลดข้อมูลระหว่างวัน สามวิธีการดังกล่าวแสดงให้เห็นว่าการแข่งขันในการศึกษาเชิงประจักษ์ที่ผ่านมามีสองฤดูกาล ARMA, การปรับตัวของโฮลท์-ฤดูหนาวเรียบชี้แจงสำหรับฤดูกาลคู่และอื่น ๆ ที่เสนอเมื่อเร็ว ๆ นี้วิธีการปรับให้เรียบชี้แจง ในหลายปีของการโหลดข้อมูลนอกเหนือไปจากระหว่างวันและรอบ intraweek, วงจรตามฤดูกาล intrayear ยังเป็นที่ประจักษ์ เราขยายสามวิธีตามฤดูกาลคู่เพื่อรองรับวงจรตามฤดูกาล intrayear ใช้หกปีของข้อมูลอังกฤษและฝรั่งเศสเราแสดงให้เห็นว่าการทำนายถึงวันข้างหน้าวิธีการที่มีประสิทธิภาพสูงกว่าฤดูกาลสามวิธีตามฤดูกาลคู่และยังเป็นวิธีเครือข่ายประสาท univariate การปรับปรุงเพิ่มเติมในความถูกต้องเป็นที่ผลิตโดยใช้การรวมกันของการคาดการณ์จากสองสามวิธีตามฤดูกาล

ผลลัพธ์ (ไทย) 3:

ออนไลน์ระยะสั้นการพยากรณ์ความต้องการที่จําเป็นสําหรับการจัดตารางตามเวลาจริงของการผลิตไฟฟ้า วิธีที่ 2 ได้รับการพัฒนารูปแบบ intraweek วงจรตามฤดูกาลใน intraday และโหลดข้อมูล intraday สามอย่างนี้เป็นแข่งขันในฤดูกาลล่าสุดการศึกษาเชิงประจักษ์ เป็น อาวุธคู่ , การปรับตัวของ Holt –ฤดูหนาวปรับให้เรียบแบบเอ็กซ์โปเนนเชียลสองฤดูกาล ,และ อื่น ๆเสนอวิธีการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล . ในหลายปีของข้อมูลที่โหลดได้ นอกเหนือไปจากวงจร และ intraweek intraday , วัฏจักรของฤดูกาล intrayear ยังชัดเจน เราขยายสามคู่ตามฤดูกาลวิธีการเพื่อรองรับวัฏจักรของฤดูกาล intrayear . การใช้ข้อมูล 6 ปีของอังกฤษและฝรั่งเศสเราแสดงให้เห็นว่าการทำนายถึงวันข้างหน้าสามฤดูกาลวิธีลงคู่ตามฤดูกาล วิธีการ และยัง ที่มีเครือข่ายประสาท ) การปรับปรุงเพิ่มเติมในความแม่นยำผลิต โดยใช้การรวมกันของการคาดการณ์จาก 2 ฤดูกาลสามวิธี