This paper proposes a grey-theory-b

This paper proposes a grey-theory-based model, CSGM, to forecast electricity consumption. First, to reflect the similarity in electricity data for different days or weeks at the same time-point, the original series are selected from short- and long-term perspectives. Excellent GM(1,1) performance requires a slowly increasing data series; thus, data pre processing includes abnormality and feasibility tests to improve the forecasting performance. To further enhance
electricity consumption forecasting precision, two optimized algorithms, IA and CS, are used to select suitable parameters for GM(1,1). Finally, when the data varies smoothly, the GM(1,1) results will be more accurate. The forecasted day is divided into four smooth parts based on the grey correlation coefficient for each part, and the best forecasting scheme is determined. In addition, to evaluate the applicability of the one-day-ahead forecast in a New South Wales power grid of Australia, the CSGM was compared with the GM, IAGM, and ARIMA models. According to the electricity consumption forecasting analysis and errors, CSGM out performs the other models; the forecasting performance ofGMand IAGM meets the electricity market requirement. However, ARIMA is not suitable to forecast electricity consumption in this study because the forecasting error is fluctuated dramatically.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้เสนอเทาทฤษฎีตามแบบ CSGM การคาดการณ์ปริมาณการใช้ไฟฟ้า ครั้งแรก เพื่อแสดงเฉพาะข้อมูลไฟฟ้าสำหรับวันต่าง ๆ หรือสัปดาห์ที่จุดเวลาที่เดียวกัน ชุดเดิมจะถูกเลือกจากสั้น และระยะยาวมุมมอง สภาพ GM(1,1) ต้องการข้อมูลที่เพิ่มขึ้นอย่างช้า ๆ ชุด ดังนั้น ประมวลผลข้อมูลพื้นฐานรวมถึงทดสอบความผิดปกติและความเป็นไปได้ในการปรับปรุงประสิทธิภาพการทำงานที่คาดการณ์ การเพิ่มเติม ปรับปรุงปริมาณการใช้ไฟฟ้าคาดการณ์แม่นยำ ใช้สองเพิ่มประสิทธิภาพอัลกอริทึม IA และ CS เพื่อเลือกพารามิเตอร์ที่เหมาะสมสำหรับ GM(1,1) สุดท้าย เมื่อข้อมูลแตกต่างกันไปได้อย่างราบรื่น ผล GM(1,1) จะได้ถูกต้องมากขึ้น วันคาดการณ์ถูกแบ่งออกเป็นสี่ส่วนที่ราบตามค่าสัมประสิทธิ์ความสัมพันธ์ของสีเทาสำหรับแต่ละส่วน และกำหนดแผนการคาดการณ์ที่ดีที่สุด นอกจากนี้ ประเมินความเกี่ยวข้องของของการคาดการณ์หนึ่งวันล่วงหน้าในตารางอำนาจนิวเซาธ์เวลส์ของออสเตรเลีย CSGM ถูกเปรียบเทียบกับรุ่นกรัม IAGM และอา ตามปริมาณไฟฟ้าคาดการณ์วิเคราะห์และข้อผิดพลาด CSGM ออกดำเนินการรุ่นอื่น ๆ คาดการณ์ประสิทธิภาพ ofGMand IAGM ตรงกับความต้องการตลาดไฟฟ้า อย่างไรก็ตาม อาไม่ได้เหมาะกับการคาดการณ์ปริมาณการใช้ไฟฟ้าในการศึกษานี้ได้เนื่องจาก fluctuated คาดการณ์ข้อผิดพลาดอย่างมาก

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอทฤษฎีสีเทาตามรูปแบบ CSGM เพื่อคาดการณ์ปริมาณการใช้ไฟฟ้า ครั้งแรกที่สะท้อนให้เห็นถึงความคล้ายคลึงกันไปในข้อมูลการผลิตไฟฟ้าที่แตกต่างกันหลายวันหรือหลายสัปดาห์ในเวลาเดียวกันจุดที่ชุดเดิมได้รับการคัดเลือกจากมุมมองในระยะสั้นและระยะยาว จีเอ็มดีเลิศ (1,1) ผลการดำเนินงานต้องมีชุดข้อมูลที่เพิ่มขึ้นอย่างช้า ๆ ; ดังนั้นการประมวลผลข้อมูลก่อนรวมถึงการทดสอบความผิดปกติและความเป็นไปในการปรับปรุงประสิทธิภาพการพยากรณ์ เพื่อส่งเสริมการใช้พลังงานไฟฟ้าที่มีความแม่นยำการพยากรณ์ขั้นตอนวิธีการที่ดีที่สุดสอง, ไอโอวาและลูกค้าจะใช้ในการเลือกพารามิเตอร์ที่เหมาะสมสำหรับจีเอ็ม (1,1)
สุดท้ายเมื่อข้อมูลที่แตกต่างกันไปอย่างราบรื่นจีเอ็ม (1,1) ผลที่ได้จะมีความถูกต้องมากขึ้น วันที่คาดว่าจะถูกแบ่งออกเป็นสี่ส่วนเรียบขึ้นอยู่กับค่าสัมประสิทธิ์สหสัมพันธ์สีเทาสำหรับแต่ละส่วนและรูปแบบการพยากรณ์ที่ดีที่สุดจะถูกกำหนด นอกจากนี้ในการประเมินผลการบังคับใช้ของการคาดการณ์หนึ่งวันข้างหน้าในตารางอำนาจรัฐนิวเซาท์เวลส์ของออสเตรเลีย, CSGM ถูกเมื่อเทียบกับจีเอ็ม IAGM และรูปแบบ ARIMA ตามปริมาณการใช้ไฟฟ้าการวิเคราะห์การคาดการณ์และข้อผิดพลาดที่ CSGM ออกมาดำเนินการในรูปแบบอื่น ๆ การคาดการณ์ผลการดำเนินงาน ofGMand IAGM ตรงกับความต้องการตลาดไฟฟ้า อย่างไรก็ตาม ARIMA ไม่เหมาะที่จะคาดการณ์ปริมาณการใช้ไฟฟ้าในการศึกษาครั้งนี้เพราะความผิดพลาดของการคาดการณ์ที่มีความผันผวนอย่างมาก

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอ csgm รูปแบบตามทฤษฎีสีเทา พยากรณ์การใช้ไฟฟ้า . ก่อน ที่จะสะท้อนให้เห็นถึงความเหมือนในวันหรือสัปดาห์ที่แตกต่างกันข้อมูลไฟฟ้า ณ จุดเวลาเดียวกัน ชุดเดิม ได้รับเลือกจากมุมมองระยะสั้น และระยะยาว จีเอ็มดี ( 1 , 1 ) การปฏิบัติต้องมีชุดข้อมูลที่เพิ่มขึ้นอย่างช้าๆ จึงข้อมูลก่อนการประมวลผลรวมถึงความผิดปกติและการทดสอบความเป็นไปได้ของการปรับปรุงประสิทธิภาพการพยากรณ์ . เพื่อเพิ่มประสิทธิภาพการใช้ไฟฟ้า การพยากรณ์ความแม่นยำ
สองขั้นตอนวิธีที่ดีที่สุด , IA และ CS , จะใช้ในการเลือกพารามิเตอร์ที่เหมาะสมสำหรับกรัม ( 1 , 1 ) ในที่สุด เมื่อข้อมูลที่แตกต่างกันได้อย่างราบรื่น , ( gmt ) ( 1 , 1 ) ผลลัพธ์ที่ได้จะถูกต้องมากขึ้นพยากรณ์วัน แบ่งออกเป็น 4 ส่วนตามค่าสัมประสิทธิ์สหสัมพันธ์เรียบสีเทาสำหรับแต่ละส่วนและรูปแบบการพยากรณ์ที่ดีที่สุดจะถูกกำหนด นอกจากนี้ เพื่อประเมินแนวทางในวันหนึ่งข้างหน้าคาดใน New South Wales ตารางพลังงานของออสเตรเลีย csgm เทียบกับจีเอ็ม iagm และตัวแบบ ARIMA .ตามการประมาณการไฟฟ้าข้อผิดพลาดในการวิเคราะห์และ csgm ออกทําโมเดลอื่น ๆ ; การพยากรณ์ iagm ofgmand ประสิทธิภาพตรงตามความต้องการของตลาดไฟฟ้า . อย่างไรก็ตาม เมื่อไม่เหมาะที่จะพยากรณ์การใช้ไฟฟ้าในการศึกษา เพราะพยากรณ์ผิดพลาด ผันผวนอย่างมาก