With rapid economic growth, electricity demand is clearly increasing. It is difficult to store electricity for future use; thus, the
electricity demand forecast, especially the electricity consumption forecast, is crucial for planning and operating a power system.
Due to various unstable factors, it is challenging to forecast electricity consumption. Therefore, it is necessary to establish new
models for accurate forecasts. This study proposes a hybrid model, which includes data selection, an abnormality analysis, a
feasibility test, and an optimized grey model to forecast electricity consumption. First, the original electricity consumption data
are selected to construct different schemes (Scheme 1: short-term selection and Scheme 2: long-term selection); next, the iterative
algorithm (IA) and cuckoo search algorithm (CS) are employed to select the best parameter of GM(1,1). The forecasted day is then
divided into several smooth parts because the grey model is highly accurate in the smooth rise and drop phases; thus, the best
scheme for each part is determined using the grey correlation coefficient. Finally, the experimental results indicate that the GM(1,1)
optimized using CS has the highest forecasting accuracy compared with the GM(1,1) and the GM(1,1) optimized using the IA and
the autoregressive integrated moving average (ARIMA) model
กับการเติบโตทางเศรษฐกิจอย่างรวดเร็ว ความต้องการใช้ไฟฟ้าจะชัดเจนมากขึ้น มันเป็นเรื่องยากที่จะเก็บไฟฟ้าสำหรับใช้ในอนาคต ดังนั้น ความต้องการใช้ไฟฟ้า
พยากรณ์ โดยเฉพาะอย่างยิ่งการใช้ไฟฟ้าปรับตัวเป็นสำคัญสำหรับการวางแผนและการดำเนินงานระบบพลังงาน .
เนื่องจากปัจจัยไม่แน่นอนต่างๆ มันเป็นสิ่งที่ท้าทายเพื่อพยากรณ์การใช้ไฟฟ้า . จึงจำเป็นต้องสร้างใหม่
แบบจำลองการคาดการณ์ที่ถูกต้อง การศึกษานี้ได้เสนอแบบจำลอง Hybrid ซึ่งรวมถึงการเลือกข้อมูลผิดปกติในการวิเคราะห์ ,
ทดสอบและปรับสีเทาแบบพยากรณ์การใช้ไฟฟ้า . แรก ,
ข้อมูลการบริโภคไฟฟ้าเดิมจะถูกเลือกเพื่อสร้างโครงร่างที่แตกต่างกัน ( โครงการที่ 1 : เลือกที่ 2 : การเลือกระยะสั้น และโครงการระยะยาวต่อไป ซ้ำ
)ขั้นตอนวิธี ( IA ) และบริการค้นหาขั้นตอนวิธี ( CS ) ถูกใช้เพื่อเลือกค่าพารามิเตอร์ที่ดีที่สุดของ ( gmt ) ( 1 , 1 ) พยากรณ์วันแล้ว
แบ่งออกเป็นส่วน ๆเรียบหลายเพราะรูปแบบสีเทามีความแม่นยำสูงในการขึ้นเรียบและระยะลดลง ดังนั้น โครงการที่ดีที่สุดสำหรับแต่ละส่วนมี
หาได้โดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์ เกรย์ ในที่สุด ผลการทดลองบ่งชี้ว่า กรัม ( 1 , 1 )
เหมาะใช้ CS มีการพยากรณ์ความแม่นยำสูงสุดเมื่อเทียบกับกรัม ( 1 , 1 ) และ ( gmt ) ( 1 , 1 ) การเพิ่มประสิทธิภาพการใช้ iA และ
ตัวเองรวมเฉลี่ยเคลื่อนที่ ( ARIMA ) รุ่น
การแปล กรุณารอสักครู่..