文献

J-GLOBAL ID：201702229653999112   整理番号：17A0355752

一つの相補集合経験的モード分解とと限界学習器を組み合わせた短期電力負荷予測モデル【JST・京大機械翻訳】

A SHORT-TERM POWER LOAD FORECASTING MODEL COMBINING COMPLEMENTARY ENSEMBLE EMPIRICAL MODE DECOMPOSITION AND WAVELET KERNEL EXTREME LEARNING MACHINE

著者 (3件)： Guo Rui (Faculty of Electrical and Control Engineering, Liaoning Technical University) ,  Fan Yamin (Faculty of Electrical and Control Engineering, Liaoning Technical University) ,  Pan Yumin (College of Electronic Information Engineering,North China Institute of Science and Technology)
資料名： Jisuanji Yingyong Yuruanjian  (Jisuanji Yingyong Yuruanjian)
巻： 33  号： 12  ページ： 243-247,263  発行年： 2016年 
JST資料番号： C2940A  ISSN： 1000-386X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 電力系統の管理とスケジューリングは正確な負荷予測モデルに極めて高い要求を持っている。負荷予測モデルの性能を向上させるために,新しい相補統合経験的モード分解(CEEMD)とウェーブレットカーネル関数限界学習(WKELM)に基づく短期電力負荷予測モデルを提案する。まず第一に,歴史的電力負荷データをCEEMDによって適応的に一連の比較的安定な部分列に分解し,各成分に対するマウスの予測モデルを構築し,各成分の値を予測し,最終的予測結果を得た。4種類の予測モデルを用いて実際の負荷データに対して訓練予測を行い、計算例により、新しいモデルは予測精度と効率において一定の優位性があり、同時に従来のEMDにおいて出現しやすい混合モード問題及びELMに存在する過剰フィッティングなどの欠点を克服し、一定の実用可能性があることを示した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 混合モード ,  スケジューリング ,  *学習 ,  *負荷予測 ,  *予測モデル ,  波束 ,  電力系統
準シソーラス用語： 予測精度 ,  *電力負荷 ,  Kernel関数 ,  *短期電力負荷予測 ,  *経験的モード分解 , 【Automatic Indexing@JST】

著者キーワード (4件)： Short term load forecasting ,  Complementary ensemble empirical mode decomposition ,  Wavelet kernel extreme learning machine ,  Combination forecasting model

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (6件)： 集合 ,  経験的モード分解 ,  限界 ,  学習 ,  短期電力負荷予測 ,  モデル