×
侯赛因·贾维达尼·萨代;吉马雷斯·弗雷德里科·加德尔哈;乔塞·达·席尔瓦（Joséda Silva），西迪尼;穆罕默德·希亚姆·李;塔伊耶贝·埃斯拉米

基于模糊时间序列、季节性和长记忆过程的短期负荷预测方法。 （英语） Zbl 1407.62325号

国际J近似推理 83, 196-217 (2017).
摘要：季节性自回归分数积分移动平均线（SARFIMA）是一种众所周知的预测遵循长记忆过程的季节性时间序列的模型。然而，为了更好地提高此类数据中非线性问题预测的准确性，在本研究中，提出了模糊时间序列（FTS）与SARFIMA的组合。为了建立所建议的模型，需要估计某些参数。因此，采用了一种可靠的进化算法，即粒子群优化算法（PSO）。作为案例研究，选择了季节性长记忆时间序列，即短期负荷消耗历史数据。事实上，短期负荷预测（STLF）在能源管理系统（EMS）和每个供电组织的决策过程中发挥着关键作用。为了评估所提出的方法，设计了一些实验，使用了2005年英国和法国的八组半小时负荷数据和2007年马来西亚的四组小时负荷数据。虽然本研究的重点是STLF，但为了更好地评估所提方法的性能，还使用了几个有趣的案例研究中的其他六个季节性长记忆时间序列。将结果与一些新的FTS方法和最新的预测方法进行了比较。结果分析表明，该方法比同类方法具有更高的精度，是解决负荷预测问题的一种有效的混合方法。

引用于6文件

MSC公司：

62M10个 统计学中的时间序列、自相关、回归等（GARCH）
62M20型 随机过程推断和预测
62M86型 随机过程和模糊推理

关键词：

短期负荷预测;模糊时间序列;萨菲玛;粒子群优化

软件：

预测;TDSL公司;TSDL公司;预测
PDF格式BibTeX公司 XML格式引用
\textit{H.J.Sadaei}等人，《国际近似推理》83，196--217（2017；Zbl 1407.62325）
全文： 内政部

参考文献：

[1] 比索宁，C。；Lopes，S.R.C.，季节性长记忆过程的特性，数学。计算。型号。，1837-1851年9月49日（2009年）·Zbl 1171.60336号
[2] Chaábane，N.，《电价预测的ARFIMA和神经网络混合模型》，国际电工杂志。电力能源系统。，55, 187-194 (2014)
[3] Che，J。；Wang，J。；Tang，Y.，支持向量回归电力负荷预测模型中的最优训练子集，应用。软计算。，12, 5, 1523-1531 (2012)
[4] Chen，S.-M.，基于高阶模糊时间序列的招生预测，Cybern。系统。，33, 1, 1-16 (2002) ·Zbl 1012.62101号
[5] Cheng，C.-H。；Chang，J.-R。；Yeh，C.-A.，基于熵和梯形模糊化的模糊时间序列方法预测it项目成本，Technol。预测。社会变革，73，5，524-542（2006）
[6] Demšar，J.，多数据集上分类器的统计比较，J.Mach。学习。决议，7，1-30（2006年1月）·Zbl 1222.68184号
[7] 埃琳娜，M。；Lee，M.H.先生。；苏哈托诺，H。；侯赛因，I。；新罕布什尔州拉赫曼。；Bazilah，N.A.，预测巴厘岛游客到达的模糊时间序列和SARIMA模型，J.Teknol。，57, 1 (2012)
[8] Enayatifar，R。；Sadaei，H.J。；阿卜杜拉·A.H。；Gani，A.，帝国主义竞争算法与精炼高阶加权模糊时间序列（RHWFTS-ICA）相结合，用于短期负荷预测，Energy Convers。管理。，76, 1104-1116 (2013)
[9] Fourie，P。；Groenwold，A.A.，《拓扑优化中的粒子群算法》（第四届世界结构与多学科优化大会论文集（2001年））
[10] 格兰杰，C.W。；Joyeux，R.，《长记忆时间序列模型和分数差分简介》，J.time-Ser。分析。，1, 1, 15-29 (1980) ·Zbl 0503.62079号
[11] Guo，Y.-C.，用于SVR参数确定和特征选择的集成PSO及其在STLF中的应用，（2009国际机器学习和控制论会议，第1卷（2009），IEEE），359-364
[12] Hassan，S.N。；艾哈迈德，M.H。；Mohamed，N.，电力负荷需求的双季节ARIMA和双季节ARFIMA模型预测性能的比较，应用。数学。科学。，6, 135, 6705-6712 (2012)
[13] Hsu，L.-Y。；霍恩，S.-J。；高，T.-W。；Chen，Y.-H。；运行，R.-S。；陈瑞杰。；赖，J.-L。；Kuo，I.H.，基于模糊关系和MTPSO技术的温度预测和TAIFEX预测，专家系统。申请。，37, 4, 2756-2770 (2010)
[14] 黄，C.-M。；黄，C.-J。；Wang，M.-L.，用于识别短期负荷预测ARMAX模型的粒子群优化，IEEE Trans。电力系统。，20, 2, 1126-1133 (2005)
[15] Huarng，K.，《改进模糊时间序列预测的有效区间长度》，模糊集系统。，123, 3, 387-394 (2001) ·Zbl 0992.91077号
[16] Huarng，K。；于洪康，股票指数预测的二类模糊时间序列模型，《物理A》，353445-462（2005）
[17] Hurst，H.E.，《水库长期蓄水量》，交通部。美国社会公民。工程师，116770-808（1951）
[18] Hyndman，R.J.，《预测：时间序列和线性模型的预测函数》，R包7.1版（2016）
[19] Hyndman，R.J.，时间序列数据库（2016）
[20] Kennedy，J.，粒子群优化，（机器学习百科全书（2011），Springer），760-766
[21] Lee，C.-H.L。；刘，A。；陈伟生，财务预测模糊时间序列的模式发现，IEEE Trans。知识。数据工程，18，5，613-625（2006）
[22] 李，C.-M。；Ko，C.-N.，使用提升方案和ARIMA模型进行短期负荷预测，专家系统。申请。，38, 5, 5902-5911 (2011)
[23] 李，M。；Sadaei，H。；Suhartono，利用模糊时间序列和箱-箱功率变换改进TAIEX预测，J.Appl。《统计》，第40、11、2407-2422页（2013年）·Zbl 1514.62688号
[24] 李，M.H。；Javedani，H.，用于预测游客到达的加权模糊综合时间序列，（信息学工程与信息科学（2011），施普林格），206-217
[25] 李，M.H。；诺尔，M.E。；Sadaei，H.J。；新罕布什尔州拉赫曼。；Kamisan，N.A.，《模糊时间序列：旅游需求预测的应用》，Am.J.Appl。科学。，9, 1, 132 (2011)
[26] 李，M.H。；Sadaei，H.J.，引入多项式模糊时间序列，J.Intell。模糊系统。，25, 1, 117-128 (2013) ·Zbl 1306.62200号
[27] 卢·W。；陈，X。；佩德里茨，W。；刘，X。；杨杰，利用区间信息颗粒改进模糊时间序列的预测，国际期刊近似推理。，57, 1-18 (2015) ·Zbl 1337.62306号
[28] Makridakis，S.，《准确度测量：理论和实践问题》，《国际预测杂志》。，9, 4, 527-529 (1993)
[29] Nemenyi，P.，《无分布多重比较》，（《生物计量学》，第18卷（1962年），国际生物计量学会，1441 I St.：国际生物计量协会，1441ⅠSt.NW，Suite 700，Washington，DC，20005-2210），263
[30] 罗宾逊，P.M.，《长记忆时间序列》（2003），牛津大学出版社·Zbl 1113.62106号
[31] Sachs，L.，Angewandte Statistik:Anwendung statistischer Methoden（2013）
[32] Sadaei，H.J.，《预测模糊时间序列的改进模型》（2013年），马来西亚科技大学科学系博士论文·兹比尔1514.62688
[33] Sadaei，H.J。；Enayatifar，R。；阿卜杜拉·A.H。；Gani，A.，《使用混合模型进行短期负荷预测，该混合模型具有精细的指数加权模糊时间序列和改进的和谐搜索》，Int.J.Electr。电力能源系统。，62, 118-129 (2014)
[34] Sadaei，H.J。；Enayatifar，R。；吉马朗斯，F.G。；马哈茂德，M。；Alzamil，Z.A.，结合ARFIMA模型和模糊时间序列预测长记忆时间序列，神经计算，175782-796（2016）
[35] Sadaei，H.J。；Enayatifar，R。；李，M.H。；Mahmud，M.，基于微分模糊逻辑关系和帝国主义竞争算法的股票市场预测混合模型，应用。软计算。，40, 132-149 (2016)
[36] Sadaei，H.J。；Lee，M.H.，使用模糊时间序列的多层股票预测模型，科学。世界杂志，2014年，文章610594页（2014）
[37] 舒特，J.F。；Reinbolt，J.A。；Fregly，B.J。；哈夫特卡，R.T。；George，A.D.，《使用粒子群算法的并行全局优化》，Int.J.Numer。方法工程，61，13，2296（2004）·Zbl 1073.65539号
[38] Shayeghi，H。；沙扬法尔，H。；Azimi，G.，基于使用PSO优化的神经网络的STLF，国际电子杂志。电路系统。（IJECS），3，2，113-123（2009）
[39] Singh，P.，《基于模糊时间序列建模方法的简要回顾》，国际J·马赫出版社。学习。赛博。，1-24 (2015)
[40] Singh，P.，基于高阶模糊神经网络集成的时间序列预测专家系统，神经计算。申请。，1-18 (2016)
[41] Singh，P.，《使用模糊时间序列和基于神经网络的模型进行降雨量和财务预测》，国际J.马赫。学习。赛博。，1-16 (2016)
[42] 辛格，P。；Borah，B.，基于m因子模糊时间序列和粒子群优化的股指价格预测，国际期刊近似原因。，55, 3, 812-833 (2014) ·Zbl 1316.91036号
[43] 苏亚雷斯，L.J。；Souza，L.R.，使用广义长记忆预测电力需求，国际期刊预测。，22, 1, 17-28 (2006)
[44] 宋，Q。；Chissom，B.S.，用模糊时间序列预测入学人数？第一部分，模糊集系统。，54, 1, 1-9 (1993)
[45] 太阳，Y.m。；Zhang，Z.s.，基于PSRT和混沌神经网络融合的STLF新模型，Proc。下巴。Soc.电气。工程师，1,1-8（2004）
[46] 塔拉波什蒂，F.M。；Sadaei，H.J。；Enayatifar，R。；吉马朗斯，F.G。；马哈茂德，M。；Eslami，T.，《使用指数模糊时间序列混合模型进行股市预测》，《国际期刊近似原因》。，70, 79-98 (2016) ·Zbl 1414.91426号
[47] Wang，C.-H。；Hsu，L.-C.，构建和应用改进的模糊时间序列模型：以旅游业为例，专家系统。申请。，34, 4, 2732-2738 (2008)
[48] Wang，N.-Y。；Chen，S.-M.，基于自动聚类技术和双因素高阶模糊时间序列的温度预测和TAIFEX预测，专家系统。申请。，36，2，第1部分，2143-2154（2009）
[49] Weron，R.，《估计长期相关性：有限样本属性和置信区间》，《物理学A》，312,1285-299（2002）·Zbl 0997.91030号
[50] Yeh，W.C.，《简单混合粒子群优化》（2008），INTECH开放存取出版社
[51] Yu，H.-K.，加权模糊时间序列模型在台湾加权指数预测中的应用，Physica A，349，3609-624（2005）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。