Electricity load forecasting plays

Electricity load forecasting plays a key role in operation of power systems. Since the penetration of distributed
and renewable generation is increasingly growing in many countries, Short-Term Load Forecast
(STLF) of micro-grids is also becoming an important task. A precise STLF of the micro-grid can enhance
the management of its renewable and conventional resources and improve the economics of energy trade
with electricity markets. As a consequence of the highly non-smooth and volatile behavior of the load
time series in a micro-grid, its STLF is even a more complex process than that of a power system. For this
purpose, a new prediction method is proposed in this paper, in which a Self-Recurrent Wavelet Neural
Network (SRWNN) is applied as the forecast engine. Moreover, the Levenberg–Marquardt (LM) learning
algorithm is implemented and adapted to train the SRWNN. In order to demonstrate the efficiency
of the proposed method, it is examined on real-world hourly data of an educational building within a
micro-grid. Comparisons with other load prediction methods are provided.

ผลลัพธ์ (ไทย) 1:

โหลดไฟฟ้าที่พยากรณ์มีบทบาทสำคัญในการทำงานของระบบพลังงาน เนื่องจากการเจาะของกระจายและสร้างทดแทนขึ้นได้เติบโตในหลายประเทศ การคาดการณ์โหลดระยะสั้น(STLF) ของไมโครกริดยังเป็นงานสำคัญ STLF แม่นยำของไมโครกริดสามารถเพิ่มการบริหารทั่วไป และทดแทนทรัพยากร และพัฒนาเศรษฐกิจการค้าพลังงานมีตลาดไฟฟ้า เป็นลำดับการทำงานสูงไม่เรียบ และระเหยของโหลดลำดับเวลาในไมโครกริด STLF ของแม้จะเป็นกระบวนการที่ซับซ้อนกว่าของระบบไฟฟ้า ในการนี้วัตถุประสงค์ นำเสนอในเอกสารนี้ ซึ่งวิธีคาดเดาใหม่ตนเองเกิดซ้ำ Wavelet ประสาทมีใช้เครือข่าย (SRWNN) เป็นเครื่องมือในการคาดการณ์ นอกจากนี้ การเรียนรู้ Levenberg – Marquardt (LM)อัลกอริทึมจะนำมาใช้ และดัดแปลงการฝึก SRWNN การ เพื่อแสดงให้เห็นถึงประสิทธิภาพวิธีการนำเสนอ มันจะตรวจสอบข้อมูลรายชั่วโมงจริงของอาคารที่ศึกษาภายในไมโครกริด เปรียบเทียบวิธีการพยากรณ์โหลดอื่น ๆ มี

ผลลัพธ์ (ไทย) 2:

พยากรณ์ความต้องการไฟฟ้าไฟฟ้ามีบทบาทสำคัญในการดำเนินงานของระบบไฟฟ้า ตั้งแต่การรุกของการกระจาย
การผลิตและพลังงานทดแทนที่เพิ่มขึ้นจะเพิ่มขึ้นในหลายประเทศโหลดระยะสั้นพยากรณ์
(STLF) ของไมโครกริดยังเป็นงานที่สำคัญ STLF แม่นยำของตารางไมโครสามารถเพิ่มประสิทธิภาพการ
บริหารจัดการทรัพยากรทดแทนและการชุมนุมของตนและปรับปรุงเศรษฐกิจการค้าพลังงาน
กับตลาดไฟฟ้า เป็นผลมาจากพฤติกรรมที่ไม่สูงได้อย่างราบรื่นและมีความผันผวนของการโหลด
อนุกรมเวลาในตารางไมโคร STLF ที่แม้จะมีกระบวนการที่ซับซ้อนมากขึ้นกว่าที่ของระบบไฟฟ้า สำหรับเรื่องนี้
วัตถุประสงค์วิธีการทำนายใหม่จะถูกนำเสนอในบทความนี้ซึ่งในเวฟกำเริบตนเองประสาท
เครือข่าย (SRWNN) ถูกนำไปใช้เป็นเครื่องมือการคาดการณ์ นอกจากนี้ Levenberg-Marquardt (LM) การเรียนรู้
ขั้นตอนวิธีการที่จะดำเนินการและปรับตัวในการฝึกอบรม SRWNN เพื่อที่จะแสดงให้เห็นถึงประสิทธิภาพ
ของวิธีการที่นำเสนอก็คือการตรวจสอบข้อมูลรายชั่วโมงโลกแห่งความจริงของอาคารการศึกษาภายใน
ไมโครกริด เปรียบเทียบกับวิธีการทำนายภาระอื่น ๆ ที่มีให้

ผลลัพธ์ (ไทย) 3:

การพยากรณ์ความต้องการไฟฟ้ามีบทบาทสำคัญในการดำเนินงานของระบบพลังงาน เนื่องจากการเจาะกระจาย
และทดแทนรุ่นเติบโตยิ่งขึ้นในหลายประเทศ คาดว่าในระยะสั้น (
โหลด stlf ) ของกริดไมโครยังกลายเป็นงานที่สำคัญ เป็น stlf แม่นยำของตารางขนาดเล็กสามารถเพิ่ม
การจัดการทรัพยากรพลังงานหมุนเวียนและปกติและปรับปรุงเศรษฐศาสตร์พลังงานค้า
กับตลาดไฟฟ้า เป็นผลมาจากความไม่ราบรื่น และเปลี่ยนแปลงพฤติกรรมของโหลด
ชุดเวลาในตารางไมโคร มัน stlf เป็นกระบวนการที่ซับซ้อนมากขึ้นกว่าที่ของระบบพลังงาน สำหรับวัตถุประสงค์นี้
, วิธีการทำนายใหม่ที่นำเสนอในงานวิจัยนี้ซึ่งตนเองซ้ำ กรณีเครือข่ายประสาท
( srwnn ) ใช้เป็นเครื่องมือพยากรณ์ . นอกจากนี้ levenberg –มาร์คว ( LM ) การเรียนรู้
ขั้นตอนวิธีใช้และปรับให้เข้ากับรถไฟ srwnn . เพื่อแสดงให้เห็นถึงประสิทธิภาพ
ของวิธีที่นำเสนอ มันสอบจริงรายชั่วโมงข้อมูลการศึกษาอาคารภายใน
รางไมโครเปรียบเทียบกับโหลดอื่น ๆวิธีการพยากรณ์ให้