论文研究基于相关因素映射的小波回归分析短期负荷预测模型研究. .pdf
基于相关因素映射的小波回归分析短期负荷预测模型研究.，孟祥斌，，电力系统负荷的嵌套周期性和相关因素的冗余和不确定性是产生预测误差的主要来源,本文通过建立映射数据库，将相关因素量化，选择��
用户评论
相关推荐
论文研究基于APRBF算法的电力负荷短期预测研究.pdf
基于AP-RBF算法的电力负荷短期预测研究，刘海燕，李良祎，针对传统电力负荷短期预测方法存在的问题，利用最新智能无模型网络训练方法，提出了一种基于数据挖掘技术的径向基函数神经网络��
PDF
0B
2019-09-09 04:18
基于模糊聚类与函数小波核回归的短期负荷预测方法
短期负荷预测日益成为智能电网的重要课题。将历史日负荷序列表示成等负荷段组成的子序列集合,基于模式相似性方法,采用模糊聚类与函数型小波核非参数回归(FWKNR)相结合的组合预测算法。FWKNR将预测日负
PDF
1.45MB
2021-01-16 23:35
论文研究基于集成智能方法的电力短期负荷预测.pdf
论文研究-基于集成智能方法的电力短期负荷预测.pdf, 将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用
PDF
1.18MB
2020-07-16 05:18
论文研究应用混沌相空间模线性回归模型研究短期负荷预报.pdf
论文研究-应用混沌相空间模线性回归模型研究短期负荷预报.pdf, 在一维Lyapunov指数预报模型的基础上提出了混沌相空间模线性回归模型,并将该模型应用于短期负荷预报.对厦门市实际负荷时间序列进行预
unkonw
0B
2020-01-05 17:27
论文研究_基于多重核学习支持向量机短期负荷预测研究.pdf
近年来，支持向量机（SVM）方法在电力系统负荷预测领域的应用研究成为了热点，鉴于传统的标准支持向量机方法在预测时间和预测精度方面的不足，首次将多重核支持向量回归方法（Multiple Kernel L
PDF
650KB
2020-07-16 04:55
基于神经网络的短期负荷预测研究
神经网络电力系统短期负荷预测开题报告ppt，包括短期负荷的介绍，对于系统的建构
PPTX
0B
2019-04-05 13:37
电力系统短期负荷模型预测研究
电力系统短期负荷模型预测研究
PDF
0B
2018-12-29 03:15
论文研究一种基于小波变换和ARIMA的短期电价混合预测模型.pdf
为在实时电价情况下预测未来24小时电价，提出一种基于小波变换和差分自回归移动平均（ARIMA）的短期电价混合预测模型。该模型分别根据是否受到需求量影响使用ARIMA模型对多尺度小波变换分解后的时间序列
PDF
0B
2019-08-01 01:58
基于机器学习的短期电力负荷预测方法研究.pdf
基于机器学习的短期电力负荷预测方法研究
PDF
3.02MB
2020-08-05 06:39
论文研究选用改进高斯过程回归模型的碳排放短期预测.pdf
针对于采矿过程中以电机为研究对象的碳排放来源的复杂性以及其影响因素的多样性所引起的碳排放短期预测精度不高的问题，结合灰色理论提出一种基于改进高斯过程回归模型的铅锌矿采矿过程碳排放预测方法。对碳排放来源
PDF
966KB
2020-07-17 11:43
论文研究基于多步优化GM11模型的云计算资源负荷短期预测.pdf
论述了云计算资源负荷的特征及其短期预测的作用。首先利用多项式回归模型对GM（1，1）的预测结果进行一次优化，然后使用马尔科夫链对一次优化后的模型进行二次优化，最后运用布谷鸟搜索算法对二次优化后的灰色预
PDF
643KB
2020-07-17 16:44
论文研究基于EMDPSRLSSVM的城市燃气管网短期负荷预测.pdf
论文研究-基于EMD-PSR-LSSVM的城市燃气管网短期负荷预测.pdf, 城市燃气管网短期负荷预测对燃气调度系统的安全
PDF
0B
2020-03-24 17:07
Matlab小波神经网络进行短期电力负荷预测小波神经网络进行短期电力负荷预测.rar
Matlab小波神经网络进行短期电力负荷预测-小波神经网络进行短期电力负荷预测.rar小波神经网络进行短期电力负荷预测
rar
0B
2019-09-05 07:52
论文研究基于分时段多模型的短期电价预测.pdf
基于分时段多模型的短期电价预测，胡峰，邹斌，时间序列法作为电价预测中一种常用的方法，能够很好的反映电价序列的趋势性，季节性，异方差性等特点.相对于顺序时间序列变化较��
PDF
0B
2020-03-08 04:50
基于小波变换和混合神经网络的短期负荷预测
提出通过小波分解对各负荷子序列进行特性分析初选影响因素后,采用信息熵法从初选变量中自动筛选出对负荷较重要的因素,然后采用改进的主成分分析法消除重要影响因素间的相关性,采用动态聚类法对各分解序列的样本归
PDF
1.05MB
2021-01-30 02:05