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
共找到3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：
模糊变权组合预测方法研究 被引量：9
1
作者 刘金培 朱家明 +1 位作者 陈华友 方琼红 《统计与决策》 CSSCI 北大核心 2017年第16期5-10,共6页
在不确定环境组合预测中,用模糊权重系数更能体现各单项预测方法的客观表现。文章提出一种新的权重系数为三角模糊数的组合预测方法。首先建立以组合预测精确度指数最小为准则的模糊加权组合预测模型,为了避免样本数据中极端值对模型的... 在不确定环境组合预测中,用模糊权重系数更能体现各单项预测方法的客观表现。文章提出一种新的权重系数为三角模糊数的组合预测方法。首先建立以组合预测精确度指数最小为准则的模糊加权组合预测模型,为了避免样本数据中极端值对模型的影响,对模型进行改进,提出带有0-1变量的模糊加权组合预测模型。进一步考虑到单项预测方法在不同时刻的表现有所差异,建立基于诱导有序模糊加权平均(IOFWA)算子的模糊变权组合预测模型,该模型不仅能克服极端值的影响,而且具有更高的预测精确度。并实证验证了该方法的适用性和灵活性。 展开更多
关键词 模糊组合预测 IOFWA算子 预测精确度指数 三角模糊权重
下载PDF
基于EMD-Bayes-SVR组合模型的短期电力负荷预测 被引量：2
2
作者 王雨前 王万雄 《电子科技》 2023年第12期64-71,共8页
短期电力负荷是电力供需平衡的关键,针对短期电力负荷预测精度问题,文中提出了EMD(Empirical Mode Decomposition)-Bayes-SVR(Support Vector Regression)组合预测模型,即将原始电力负荷序列通过EMD方法分解为若干个IMF(Intrinsic Mode ... 短期电力负荷是电力供需平衡的关键,针对短期电力负荷预测精度问题,文中提出了EMD(Empirical Mode Decomposition)-Bayes-SVR(Support Vector Regression)组合预测模型,即将原始电力负荷序列通过EMD方法分解为若干个IMF(Intrinsic Mode Function)和1个Res(Residual),依据Hurst指数将各IMF重构为高频分量、低频分量和残差分量,利用贝叶斯优化算法对SVR进行参数寻优,将寻优得到的最佳参数带入SVR并对重构后的3个分量分别进行预测,将3个分量的预测值相加得到最终预测结果。以美国内布拉斯加州的历史电力负荷数据为例,建立8种单一预测模型和7种组合预测模型作为参照模型,对该地的电力负荷序列进行预测。实验结果表明,EMD-Bayes-SVR组合预测模型能够有效预测短期电力负荷的变化趋势,其MAE(Mean Absolute Error)、RMSE(Root Mean Square Error)和MAPE(Mean Absolute Percentage Error)这3种误差评价指标数值相对于SVR模型分别降低了29.84%、32.05%和22%,并显著低于其它参照模型。 展开更多
关键词 短期电力负荷预测 预测精度 经验模态分解 HURST指数 支持向量回归机 贝叶斯优化算法 组合预测模型 误差评价
下载PDF
基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测
3
作者 高典 张菁 《电子科技》 2024年第4期30-37,共8页
准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm... 准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)误差指标相比于BiLSTM模型分别提高了48.54%、51.32%和44.78%,显著低于其他对比模型。 展开更多
关键词 短期负荷预测 预测精度 完全集成经验模态分解 本征模函数 被囊群算法 参数寻优 双向长短期记忆神经网络 误差指标
下载PDF
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
使用帮助 返回顶部