抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
正確な電力価格予測は,電力市場参加者の利益と電力市場の健全な開発において重要な役割を果たす。しかし,電力価格時系列は,揮発性とランダム性の特性を保持し,電力価格を正確に予測することは困難であった。本論文では,電力価格予測のための新しいハイブリッドモデルを,Beveridge-Nelson分解(BND)法,果実フライ最適化アルゴリズム(FOA),および最小二乗サポートベクトルマシン(LSSVM)モデル,すなわちBND-FOA-LSSVMモデルを組み合わせて提案した。最初に,元の電力価格時系列を,BNDモデルを用いて決定論的項,周期項,および確率的項に分解した。次に,これらの3つの分解項をそれぞれLSSVMモデルを採用して予測した。一方,予測性能を改善するために,新しいスウォーム知能最適化アルゴリズムFOAを用いて,決定論的項予測,周期的項予測,および確率的項予測のためのLSSVMモデルの最適パラメータを自動的に決定した。最後に,電力価格の予測結果は,これらの3つの項の予測値を掛けることによって得ることができる。結果は,提案したBND-FOA-LSSVMモデルの平均絶対パーセント誤差(MAPE),二乗平均平方根誤差(RMSE),および平均絶対誤差(MAE)は,それぞれ,3.48%,11.18Yuan/MWh,および9.95Yuan/MWhであり,それはLSSVM,BND-LSSVM,FOA-LSSVM,自己回帰統合移動平均(ARIMA),および経験的モード分解(EMD)-FOA-LSSVMモデルのものよりはるかに小さい。。”ことを示した。”結果”は,それぞれ,3.48%,11.18Yuan/MWh,および9.95Yuan/MWhである,という事を示していた。”結果”は,LSSVM,BND-LSSVM,FOA-LSSVM,自己回帰統合移動平均(ARIMA),および経験的モード分解(EMD)-FOA-LSSVMモデルのものよりはるかに小さい。提案したBND-FOA-LSSVMモデルは電力価格予測に有効で実用的であり,電力価格予測精度を改善できる。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】