为提高光伏发电功率预测精度,提出一种基于外生因素及季节性的差分自回归移动平均SARIMAX(seasonal autoregressive integrated moving average with exogenous factors)并结合优化支持向量回归SVR(support vector regression)的光伏发...为提高光伏发电功率预测精度,提出一种基于外生因素及季节性的差分自回归移动平均SARIMAX(seasonal autoregressive integrated moving average with exogenous factors)并结合优化支持向量回归SVR(support vector regression)的光伏发电功率预测方法。首先,采用相关性特征法聚类气象条件中关键气象因子,以消除数据冗余并降低ARIMAX模型的复杂性;其次,在ARIMAX模型中引入季节性因素,构建SARIMAX模型来捕捉数据的季节性变化;最后,使用SARIMAX模型的拟合残差其作为SVR模型的输入,进一步拟合数据的非线性。通过仿真算例分析表明,所提方法可显著提高光伏发电功率预测精度。展开更多
文摘目的运用自回归积分滑动平均模型(Autoregressive Intergrated Moving Average,ARIMA)建立月平均住院费用和住院日的医学经济学模型,为医院精细化管理提供依据。方法利用R4.0.2软件对2017年1月—2021年12月四川大学华西医院宜宾医院(宜宾市第二人民医院)的平均住院费用和住院日数据建立时间序列ARIMA预测模型。结果住院费用最优模型为ARIMA(0,1,1),赤池信息准则(Akaike information criterion,AIC)=924.35,贝叶斯信息准则(Bayesian Information Criterion,BIC)=928.51,残差Ljung-Box Q=12.51(P=0.768),可认为残差序列为白噪声。平均住院日的最优模型为ARIMA(5,1,1),AIC=87.49,BIC=104.11,残差Ljung-Box Q=10.05(P=0.612),可认为残差序列为白噪声。2022年1—12月实际值与预测值基本吻合,月人均住院费用和人均住院日的平均相对误差为0.55%、0.29%。结论建立基于时间序列ARIMA模型能够为合理配置卫生资源提供强有力的数据支撑。
文摘为提高光伏发电功率预测精度,提出一种基于外生因素及季节性的差分自回归移动平均SARIMAX(seasonal autoregressive integrated moving average with exogenous factors)并结合优化支持向量回归SVR(support vector regression)的光伏发电功率预测方法。首先,采用相关性特征法聚类气象条件中关键气象因子,以消除数据冗余并降低ARIMAX模型的复杂性;其次,在ARIMAX模型中引入季节性因素,构建SARIMAX模型来捕捉数据的季节性变化;最后,使用SARIMAX模型的拟合残差其作为SVR模型的输入,进一步拟合数据的非线性。通过仿真算例分析表明,所提方法可显著提高光伏发电功率预测精度。