Hay muchos factores que afectan al rendimiento de las previsiones de carga a corto plazo, como el clima y los días festivos. Sin embargo, la mayoría de los modelos de previsión de carga existentes carecen de consideraciones más detalladas para algunos días especiales. En este trabajo, se investiga la aplicabilidad del modelo de árboles de regresión en bolsa (BRT) combinado con ocho variables para predecir la carga a corto plazo en Qingdao. Los experimentos comparativos muestran que la precisión y la velocidad de la previsión mejoran con el BRT en comparación con la red neuronal artificial (RNA). A continuación, se propone una nueva variable indicadora para captar la información anormal durante los días especiales, que incluyen las fiestas nacionales, los días puente y los días de proximidad. El modelo BRT combinado con esta variable indicadora se prueba con las series de carga medidas en 2018. Los experimentos demuestran que el modelo mejorado genera resultados predictivos más precisos que el modelo BRT combinado con las variables anteriores en días especiales.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un modelo Naïve Bayes multicapa para analizar la tendencia de los usuarios a retuitear
Artículo:
Un Algoritmo Seno-Coseno Modificado Basado en la Búsqueda de Vecinos y la Mutación Greedy Levy
Artículo:
Estudio del compuesto de hierro y grafeno nanozerovalente recubierto de almidón para la eliminación de Cr(VI) en medio acuoso
Artículo:
Síntesis sencilla de nanocristales coloidales de CuO para aplicaciones de captación de luz
Artículo:
Exploración de la combinación de la teoría Dempster-Shafer y la red neuronal para predecir la confianza y la desconfianza
Artículo:
Control y vigilancia de la calidad del agua de consumo humano
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
¿Por qué debemos conservar la fauna silvestre?
Manual:
Deshidratación y desecado de frutas, hortalizas y hongos. Procedimientos hogareños y comerciales de pequeña escala