In this work several univariate app

In this work several univariate approaches for short-term load forecasting based on neural networks are proposed and compared. They include: multilayer perceptron, radial basis function neural network, generalized regression neural network, fuzzy counterpropagation neural networks, and self-organizing maps. A common feature of these methods is learning from patterns of the seasonal cycles of load time series. Patterns used as input and output variables simplify the forecasting problem by filtering out a trend and seasonal variations of periods longer than a daily one. Nonstationarity in mean and variance is also eliminated. In the simulation studies using real power system data the neural network forecasting methods were tested and compared with other popular forecasting methods such as ARIMA and exponential smoothing. The best results were achieved for generalized regression neural network and one-neuron perceptron learned locally.

ผลลัพธ์ (ไทย) 1:

ในงานนี้ หลายไร univariate วิธีสำหรับระยะสั้นโหลดการคาดการณ์ตามเครือข่ายประสาทนำเสนอ และเปรียบเทียบ พวกเขารวมถึง: เพอร์เซปตรอนหลายชั้น รัศมีพื้นฐานฟังก์ชันโครงข่ายประสาท โครงข่ายประสาทถดถอยทั่วไป เครือข่ายประสาท counterpropagation เลือน และแผนที่บริหารจัดการตัวเอง ลักษณะทั่วไปของวิธีการเหล่านี้เป็นการเรียนรู้จากรูปแบบของรอบตามฤดูกาลของอนุกรมเวลาโหลด รูปแบบที่ใช้เป็นอินพุต และแสดงผลตัวแปรทำให้ปัญหาการคาดการณ์ ด้วยการกรองออกเป็นแนวโน้มและการเปลี่ยนแปลงตามฤดูกาลของรอบระยะเวลาที่เกินกว่าหนึ่งวัน นอกจากนี้ยังมีตัด Nonstationarity ในค่าเฉลี่ยและความแปรปรวน ในการจำลอง การศึกษาโดยใช้ข้อมูลจริงพลังงานระบบเครือข่ายประสาทวิธีการคาดการณ์รับการทดสอบ และเปรียบเทียบกับวิธีอื่น ๆ การคาดการณ์ยอดนิยมเช่นอาริมะและเรียบเนน ผลลัพธ์ที่ดีที่สุดความสำเร็จสำหรับทั่วไปเครือข่ายประสาทถดถอยและเพอร์เซปตรอนเซลล์ประสาทหนึ่งเรียนรู้ในท้องถิ่น

ผลลัพธ์ (ไทย) 2:

ในงานนี้วิธี univariate หลายสำหรับการพยากรณ์โหลดระยะสั้นขึ้นอยู่กับเครือข่ายประสาทมีการเสนอและเมื่อเทียบกับ พวกเขารวมถึงหลาย Perceptron พื้นฐานเครือข่ายการทำงานของระบบประสาทรัศมีทั่วไปถดถอยเครือข่ายประสาทเลือน counterpropagation เครือข่ายประสาทและแผนที่จัดการตนเอง ลักษณะทั่วไปของวิธีการเหล่านี้คือการเรียนรู้จากรูปแบบของวงจรตามฤดูกาลของซีรีส์เวลาในการโหลด รูปแบบการใช้เป็น input และ output ตัวแปรลดความซับซ้อนของปัญหาการคาดการณ์โดยการกรองแนวโน้มตามฤดูกาลและรูปแบบของระยะเวลานานกว่าหนึ่งในชีวิตประจำวัน ความไม่คงตัวในค่าเฉลี่ยและความแปรปรวนยังจะถูกกำจัดออก ในการศึกษาแบบจำลองโดยใช้ข้อมูลระบบไฟฟ้าจริงวิธีการพยากรณ์เครือข่ายประสาทได้รับการทดสอบและเมื่อเทียบกับคนอื่น ๆ วิธีการพยากรณ์ยอดนิยมเช่น ARIMA และชี้แจงให้เรียบ ผลลัพธ์ที่ดีที่สุดก็ประสบความสำเร็จสำหรับการถดถอยทั่วไปเครือข่ายประสาทและเซลล์ประสาทหนึ่ง Perceptron เรียนรู้ในท้องถิ่น

ผลลัพธ์ (ไทย) 3:

ในงานนี้หลายที่มีแนวทางการพยากรณ์โหลดระยะสั้นโดยใช้โครงข่ายประสาทเทียมได้ถูกนำเสนอและเปรียบเทียบ พวกเขารวม : เพอร์เซปตรอนหลายชั้น , รัศมีพื้นฐานการทำงานโครงข่ายประสาทเทียมแบบถดถอยเครือข่ายประสาทฟัซซี่ counterpropagation เครือข่ายประสาทและบนแผนที่ คุณลักษณะทั่วไปของวิธีการเหล่านี้ คือการเรียนรู้จากรูปแบบวงจรตามฤดูกาลของอนุกรมเวลาโหลด ลวดลายที่ใช้เป็น Input และตัวแปรพยากรณ์ผลผลิตลดความซับซ้อนของปัญหาโดยการกรองออกแนวโน้มและการเปลี่ยนแปลงตามฤดูกาลของระยะเวลานานกว่าทุกวัน หนึ่ง nonstationarity ในค่าเฉลี่ยและความแปรปรวนก็ตัดออก ในการจำลองการศึกษาโดยใช้ข้อมูลระบบโครงข่ายพลังงานจริงวิธีการพยากรณ์ถูกทดสอบและเปรียบเทียบกับวิธีการพยากรณ์ที่นิยมอื่น ๆเช่น และพยากรณ์อนุกรมเวลา . ผลลัพธ์ที่ดีที่สุดคือการทำแบบเครือข่ายประสาทและเซลล์ประสาทธรรมดาเรียนรู้ท้องถิ่น