II. LOAD SERIES ANALYSISA previous

II. LOAD SERIES ANALYSIS
A previous load series analysis allows us to infer many
aspects of its behavior, such as periodicity and trends. This
procedure is fundamental to the Neural Network design.
Figure 1 illustrates a. piece of the load series (hourly load
data from Jan/01 to Jan/14 of 1993) and Figure 2 shows its
auto correlation function.
As we can see, the load series has a very regular
behavior. The auto correlation function of the load series
shows peaks at lags multiples of 24, what indicates that the
load series has a high periodic component in the period of
24 hours. It can also be seen that the actual load value is
highly correlated with the last load values, as denoted by the
high values of the auto correlation function in lags 1 and 2!.

ผลลัพธ์ (ไทย) 1:

II. โหลดชุดวิเคราะห์การวิเคราะห์ชุดโหลดก่อนหน้านี้ให้เราได้เข้าใจมากลักษณะของพฤติกรรมของมัน เช่นระยะเวลาและแนวโน้ม นี้กระบวนเป็นพื้นฐานของการออกแบบโครงข่ายประสาทรูปที่ 1 แสดง a. ชิ้นของชุดโหลด (โหลดรายชั่วโมงข้อมูลจาก ม.ค./01 ม.ค./14 ของ 1993) และรูปที่ 2 แสดงการฟังก์ชันความสัมพันธ์อัตโนมัติเราสามารถดู ชุดโหลดได้ปกติมากลักษณะการทำงาน ฟังก์ชันความสัมพันธ์อัตโนมัติชุดโหลดแสดงยอดที่ล่าช้าสินค้าหลายรายการ 24 สิ่งบ่งชี้ว่า การโหลดชุดมีส่วนประกอบเป็นครั้งคราวสูงในระยะเวลาตลอด 24 ชั่วโมง นอกจากนี้จะเห็นได้ว่าค่าโหลดจริงสูงมีความสัมพันธ์กับค่าโหลดครั้งสุดท้าย ตามที่ระบุโดยการสูงค่าของฟังก์ชันความสัมพันธ์อัตโนมัติในล่าช้า 1 และ 2

ผลลัพธ์ (ไทย) 2:

ครั้งที่สอง โหลดการวิเคราะห์อนุกรม
การวิเคราะห์ชุดโหลดก่อนหน้านี้ช่วยให้เราสามารถอนุมานได้หลาย
แง่มุมของพฤติกรรมของมันเช่นระยะเวลาและแนวโน้ม นี้
ขั้นตอนเป็นพื้นฐานในการออกแบบโครงข่ายประสาทเทียม.
รูปที่ 1 แสดงให้เห็นถึง ชิ้นส่วนของชุดโหลด (โหลดรายชั่วโมง
ข้อมูลจาก ม.ค. / 01 ม.ค. / 14 ปี 1993) และรูปที่ 2 แสดงให้เห็นถึง
ฟังก์ชั่นความสัมพันธ์อัตโนมัติ.
ในฐานะที่เราสามารถมองเห็นชุดโหลดมีปกติมาก
พฤติกรรม ฟังก์ชั่น Auto สัมพันธ์ของซีรีส์โหลด
แสดงให้เห็นยอดเขาที่ล่าช้าหลายรายการ 24 สิ่งที่แสดงให้เห็นว่า
ชุดโหลดมีองค์ประกอบธาตุสูงในงวดที่
24 ชั่วโมง นอกจากนี้ยังสามารถมองเห็นได้ว่าค่าภาระที่เกิดขึ้นจริงจะ
มีความสัมพันธ์อย่างมากกับค่าภาระที่ผ่านมาในขณะที่แสดงโดย
ค่าสูงของฟังก์ชั่น Auto สัมพันธ์ในล่าช้า 1 และ 2 !.

ผลลัพธ์ (ไทย) 3:

2 . การวิเคราะห์อนุกรม โหลดการวิเคราะห์โหลดก่อนหน้านี้จะช่วยให้เราสามารถอนุมานหลายด้านพฤติกรรม เช่น กำหนดออกและแนวโน้ม นี้ขั้นตอนพื้นฐานในการออกแบบเครือข่ายประสาทรูปที่ 1 แสดง . ชิ้นส่วนของชุด ( โหลดรายชั่วโมงโหลดข้อมูลจาก ม.ค. / 01 ถึง ม.ค. / 14 ปี 1993 ) และรูปที่ 2 แสดงของฟังก์ชันสหสัมพันธ์อัตโนมัติขณะที่เราสามารถมองเห็นโหลดชุดมีมากปกติพฤติกรรม อัตโนมัติ ) ฟังก์ชันโหลดชุดแสดงยอดที่ล่าช้าคูณ 24 แล้ว พบว่าโหลดชุดมีองค์ประกอบสูงเป็นระยะในช่วงเวลาของตลอด 24 ชั่วโมง มันยังสามารถเห็นได้ว่าค่าจริงคือโหลดสูงมีความสัมพันธ์กับการโหลดเป็นแทน โดยล่าสุดค่าค่าสูงของรถยนต์ในความสัมพันธ์การทำงานล่าช้า 1 และ 2 .