In order to improve the accuracy of

In order to improve the accuracy of power load forecasting, this paper proposes a hybrid model based on Ensemble Empirical Mode Decomposition (EEMD), least square-support vector machine (SVM) and BP nature network as a short-term load forecasting model. At first, the actual power load series is decomposed into different new series based on EEMD. Then the right parameters and kernel functions are chosen to build different LS-SVM model respectively, to forecast each intrinsic mode functions, due to the change regulation of each of all resulted intrinsic mode functions. Finally, we use the BP network to reconstruct the forecasted signals of the components and obtain the ultimate forecasting results. Simulation results show that the proposed forecasting method possesses accuracy.

ผลลัพธ์ (ไทย) 1:

เพื่อปรับปรุงความถูกต้องของไฟโหลดการคาดการณ์ กระดาษนี้เสนอรุ่นไฮบริดที่ใช้ในวงดนตรีเชิงประจักษ์โหมดย่อยสลาย (EEMD), อย่างน้อยสแควร์สนับสนุนเครื่องเวกเตอร์ (SVM) และเครือข่ายธรรมชาติ BP เป็นแบบจำลองการคาดการณ์โหลดระยะสั้น ครั้งแรก ชุดโหลดกำลังเกิดขึ้นจริงถูกย่อยสลายเป็นชุดใหม่ที่แตกต่างกันตาม EEMD จากนั้น ฟังก์ชันเคอร์เนลและพารามิเตอร์ด้านขวาจะเลือกสร้างรุ่น LS SVM อื่นตามลำดับ ในการพยากรณ์แต่ละฟังก์ชันโหมด intrinsic เนื่องจากการเปลี่ยนแปลงกฎระเบียบของแต่ละฟังก์ชั่นโหมดที่แท้จริงส่งผลให้ทั้งหมด ในที่สุด เราใช้เครือข่าย BP เพื่อสร้างสัญญาณคาดการณ์ส่วนประกอบ และได้รับการคาดการณ์ผลลัพธ์ที่ดีที่สุด ผลการทดลองแสดงว่า วิธีการคาดการณ์การนำเสนอมีความถูกต้อง

ผลลัพธ์ (ไทย) 2:

เพื่อที่จะปรับปรุงความถูกต้องของการพยากรณ์โหลดไฟกระดาษนี้นำเสนอรูปแบบไฮบริดอยู่บนพื้นฐานของทั้งมวลเชิงประจักษ์โหมดการสลายตัว (EEMD) อย่างน้อยตารางเวกเตอร์สนับสนุนเครื่อง (SVM) และเครือข่ายธรรมชาติความดันโลหิตเป็นระยะสั้นรูปแบบการพยากรณ์โหลด ตอนแรกชุดโหลดอำนาจที่แท้จริงจะถูกย่อยสลายเป็นชุดใหม่ที่แตกต่างกันขึ้นอยู่กับ EEMD แล้วพารามิเตอร์ที่เหมาะสมและฟังก์ชั่นเคอร์เนลจะเลือกที่จะสร้างที่แตกต่างกันรุ่น LS-SVM ตามลำดับในการคาดการณ์ในแต่ละฟังก์ชั่นโหมดที่แท้จริงเนื่องจากการเปลี่ยนแปลงกฎระเบียบของแต่ละฟังก์ชั่นทุกผลโหมดที่แท้จริง สุดท้ายเราใช้เครือข่าย BP เพื่อสร้างสัญญาณที่คาดการณ์ของส่วนประกอบและได้รับผลการคาดการณ์ที่ดีที่สุด ผลการจำลองแสดงให้เห็นว่าวิธีการพยากรณ์ที่นำเสนอความถูกต้องครบถ้วน

ผลลัพธ์ (ไทย) 3:

เพื่อปรับปรุงความถูกต้องของการพยากรณ์ความต้องการไฟฟ้า กระดาษนี้นำเสนอแบบลูกผสมขึ้นอยู่กับโหมดการเชิงประจักษ์ ( วงดนตรี eemd ) เครื่องเวกเตอร์สนับสนุน Least Square ( SVM ) และ BP ธรรมชาติเครือข่ายเป็นรูปแบบการพยากรณ์โหลดระยะสั้น ตอนแรกชุดโหลดไฟฟ้าที่แท้จริงคือย่อยสลายไปตาม eemd แตกต่างกันชุดใหม่ . แล้วตัวแปรและฟังก์ชันเคอร์เนลจะเลือกที่จะสร้างรูปแบบ ls-svm แตกต่างกันตามลำดับการคาดการณ์ในแต่ละโหมดการทำงาน เนื่องจากการเปลี่ยนแปลงกฎระเบียบของแต่ละโหมดการทำงานทั้งหมดโดยแท้จริง สุดท้าย เราใช้ BP เครือข่ายเพื่อสร้างอัตราส่วนสัญญาณขององค์ประกอบและได้รับการพยากรณ์ที่ดีที่สุดผลลัพธ์ ผลการจำลองระบบแสดงให้เห็นว่าการเสนอวิธีการพยากรณ์ให้ครบถ้วนถูกต้อง