基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
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.
推荐文章
基于多元统计分析的光伏发电量预测
光伏发电
发电量预测
多元统计学
时间序列分析法
人工智能算法在光伏发电量预测中的应用
光伏发电
发电量预测
BP神经网络
果蝇算法
基于区域信息融合的风电场平均年发电量预测?
平均年发电量
测量-相关-预测
信息融合
神经网络
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 ARIMA-MSFD组合模型在甘肃省水力发电量预测中的应用
来源期刊 电力大数据 学科 工学
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
年,卷(期) 2020,(10) 所属期刊栏目 大数据专题
研究方向 页码范围 25-33
页数 9页 分类号 TM714
字数 语种 中文
DOI
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (164)
共引文献  (137)
参考文献  (19)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2000(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(6)
  • 参考文献(0)
  • 二级参考文献(6)
2005(3)
  • 参考文献(0)
  • 二级参考文献(3)
2006(4)
  • 参考文献(0)
  • 二级参考文献(4)
2007(3)
  • 参考文献(0)
  • 二级参考文献(3)
2008(8)
  • 参考文献(0)
  • 二级参考文献(8)
2009(9)
  • 参考文献(0)
  • 二级参考文献(9)
2010(8)
  • 参考文献(0)
  • 二级参考文献(8)
2011(8)
  • 参考文献(0)
  • 二级参考文献(8)
2012(9)
  • 参考文献(0)
  • 二级参考文献(9)
2013(10)
  • 参考文献(0)
  • 二级参考文献(10)
2014(11)
  • 参考文献(0)
  • 二级参考文献(11)
2015(13)
  • 参考文献(4)
  • 二级参考文献(9)
2016(26)
  • 参考文献(3)
  • 二级参考文献(23)
2017(20)
  • 参考文献(1)
  • 二级参考文献(19)
2018(20)
  • 参考文献(4)
  • 二级参考文献(16)
2019(17)
  • 参考文献(3)
  • 二级参考文献(14)
2020(4)
  • 参考文献(4)
  • 二级参考文献(0)
2020(4)
  • 参考文献(4)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
水力发电量
神经网络
时间序列模型
组合模型
准确率
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
电力大数据
月刊
2096-4633
52-1170/TK
16开
贵州省贵阳市解放路251号
1977
chi
出版文献量(篇)
4266
总下载数(次)
8
论文1v1指导