基于组合模型的电力预测方法

随着经济的发展,电力需求在全世界范围内越来越大,而其中清洁能源的发展占据了新能源开发的主导地位。在我国,风力发电是新能源发展的重中之重。可是风力发电的效率很难控制,基于风力大小的发电依赖于装机容量,或者说依赖于风电场准备发出多少电力。党风电场制造的电力高于实际需求时,由于电力的难于存储性,多余出的电力实际被浪费,当风电场制造的电力低于实际需求时,又会影响实际的工业发展与民用需求。考虑到风电场的装机容量之巨大,0.1个百分点的效率提升,都会给风电场带来巨大的经济利益。本文致力于应用组合模型于电力需求预测并得到精确的预测结果,从而指导实际运营中风电场的电力供给计划。在这篇文章中,ENNM(Elman Network Model)和ARSRM(Spline Rolling Auto-Regressive Model)被应用与短期电力数据预测与中长期电力数据预测。组合模型的测试在New South Wales的实际数据中测试。就在我们做出研究的期间,New South Wales的电力需求波动与6000k Wh与13000k Wh之间。我们通过对总体数据的分析,提出了一种新的基于电力卡方测试的分类方式。通过这种方式电力数据可以被分为7种。我们以字母A^G来命名分类后的数据。与此同时,数据会被分类为两个部分,其中的一个部分含有两个或两个以下的极值点,另一部分含有三个或三个以上的极值点,这种分类是为了帮助我们更好的研究数据特性并为我们能够更好的应用模型做出贡献。

决策树挖掘技术在医学上的应用

决策树是一种用树枝状展现数据受各变量的影响情况的分析预测模型,根据对目标变量产生效应的不同而制定分类规则,它是建立在信息论基础之上对数据进行分类的一种方法。由于这种方法实现了数据规则的可视化,其输出结果容易理解,精确度较好,效率较高,因而较常用。通过分析决策树理论的数据预处理、生成决策树、导出决策规则及测试等问题,在ID3算法基础上提出基于卡方测试的前剪枝算法,并将其运用于医疗系统的手术诊断数据表的数据挖掘分析过程中,所得到的实验结果与专家诊断结果基本吻合,取得了较好的实际应用效果。

论科技英语中wh-words引导名词性从句的用法

科技英语因其自身特点而成为一个独特的语域。wh-words可以用来引导各种从句。文章研究在科技英语中wh-words的句法功能,重点研究wh-words引导名词性从句的用法。运用统计学方法对wh-words在科技英语(T4)等语料库中的分布频率进行分析,根据卡方测试的结果做出判断。wh-words在不同的从句中使用的频率高低不等,有些wh-words在不同的语料库中的分布存在着显著不同,如what等词。因此,在某种程度上可以说,wh-words这一组词的用法特点是科技英语区别于普通英语的一个反映。