期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
ARIMA-MSFD组合模型在甘肃省水力发电量预测中的应用
被引量:
1
1
作者
成禹蓉
冶海廷
《电力大数据》
2020年第10期25-33,共9页
为了进一步提高电力负荷预测准确率,弥补单一模型自身局限性,组合模型被广泛应用。由于预测模型种.类较多,合理地选择适合的模型进行组合显得尤其重要。考虑到神经网络中可能包含多余的自变量和不合理的网络结构都会严重影响到整个网络...
为了进一步提高电力负荷预测准确率,弥补单一模型自身局限性,组合模型被广泛应用。由于预测模型种.类较多,合理地选择适合的模型进行组合显得尤其重要。考虑到神经网络中可能包含多余的自变量和不合理的网络结构都会严重影响到整个网络的学习精度和求解速度,本文使用ARIMA时间序列模型与MSFD神经网络模型进行组合,修正预测结果。为了验证组合预测模型能够得到更高的预测精度,本文分别应用ARIMA时间序列单一模型、MSFD神经网络单一模型和组合预测模型ARIMA-MSFD模型对2008年到2018年的甘肃省水力月发电量进行学习,并以此预测2019年间12个月的发电量数据,通过对比三种模型预测结果的MAPE(平均绝对百分比误差)、MAE(平均绝对误差)、RMSE(均方根误差)和SSE(预测误差平方和)四种性能指标,最终得到结果为ARIMA-MSFD组合模型预测效果最优。
展开更多
关键词
水力发电量
神经网络
时间序列模型
组合模型
准确率
下载PDF
职称材料
题名
ARIMA-MSFD组合模型在甘肃省水力发电量预测中的应用
被引量:
1
1
作者
成禹蓉
冶海廷
机构
国家电投黄河公司甘肃盐锅峡发电有限公司
出处
《电力大数据》
2020年第10期25-33,共9页
文摘
为了进一步提高电力负荷预测准确率,弥补单一模型自身局限性,组合模型被广泛应用。由于预测模型种.类较多,合理地选择适合的模型进行组合显得尤其重要。考虑到神经网络中可能包含多余的自变量和不合理的网络结构都会严重影响到整个网络的学习精度和求解速度,本文使用ARIMA时间序列模型与MSFD神经网络模型进行组合,修正预测结果。为了验证组合预测模型能够得到更高的预测精度,本文分别应用ARIMA时间序列单一模型、MSFD神经网络单一模型和组合预测模型ARIMA-MSFD模型对2008年到2018年的甘肃省水力月发电量进行学习,并以此预测2019年间12个月的发电量数据,通过对比三种模型预测结果的MAPE(平均绝对百分比误差)、MAE(平均绝对误差)、RMSE(均方根误差)和SSE(预测误差平方和)四种性能指标,最终得到结果为ARIMA-MSFD组合模型预测效果最优。
关键词
水力发电量
神经网络
时间序列模型
组合模型
准确率
Keywords
hydropower generation
neural network
time series model
combination model
accuracy rate
分类号
TM714 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
ARIMA-MSFD组合模型在甘肃省水力发电量预测中的应用
成禹蓉
冶海廷
《电力大数据》
2020
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部