×
丁，贾；王茂林；平、左伟；傅东飞；Vassiliadis，Vassilios S。

一种基于相关向量机的短期负荷预测集成方法。 （英语） Zbl 1487.91076号

欧洲药典。物件。 287，第2期，497-510（2020年）.
摘要：由于能源市场的私有化和放松管制，短期电力负荷预测变得越来越重要。本研究提出了一种概率学习方法来预测小时前和日前负荷需求。与以往的方法不同，该方法将小波变换和特征选择作为关键的预处理步骤。特征分为与当前状态相关的特征和与历史信息相关的特征。当前状态相关特征在添加到负载预测模型之前由回归模型进行预测。整个学习和预测过程基于利用负荷数据特征的相关向量机（RVM）。使用来自纽约独立系统运营商（NYISO）和ISO新英格兰的基准数据集展示了一些测试用例。基于详细的实证比较，提出的基于RVM的集成方法在短期负荷预测方面优于经典时间序列方法和先进的人工智能方法。

MSC公司：

91B74号 真实系统的经济模型（例如电力市场等）
62第20页 统计学在经济学中的应用

关键词：

短期负荷预测；相关向量机；机器学习；小波变换；特征选择
PDF格式BibTeX公司 XML格式引用
\textit{J.Ding}等人，《欧洲药典》。第287号决议，第2号，497--510（2020；Zbl 1487.91076）
全文： 内政部

参考文献：

[1] Alamaniotis，M。；巴吉奥塔斯，D。；Tsoukalas，L.H.，《走向智能能源系统：核机器回归在中期电力负荷预测中的应用》，SpringerPlus，5，1，58（2016）
[2] Arora，S。；Taylor，J.W.，《特殊日负荷预测的基于规则的自回归移动平均模型：法国案例研究》，《欧洲运筹学杂志》，266，1，259-268（2018）
[3] Bessec，M。；Fouquau，J.，《结合平稳小波变换的短时电力负荷预测》，《欧洲运筹学杂志》，264，1，149-164（2018）·Zbl 1383.62339号
[4] Brodowski，S。；Bielecki，A。；Filocha，M.，预测波兰电网24小时电力负荷曲线的混合系统，应用软件计算，58，527-539（2017）
[5] 卡普诺，M。；Kim，J.-S。；Song，H.，使用混合代数预测和支持向量回归进行极短期负荷预测，工程数学问题，2017（2017）
[6] Chang，Y。；Tay，T.H.，《新加坡电力市场的效率和放松管制》，《能源政策》，34，16，2498-2508（2006）
[7] Chen，B.J。；Chang，M.W。；Lin，C.J.，《使用支持向量机进行负荷预测：2001年EUNITE竞争研究》，IEEE电力系统汇刊，19，4，1821-1830（2004）
[8] 陈，S。；他，L.，放松管制还是政府干预？中国电力市场改革的反事实视角，《中国与世界经济》，21，4，101-120（2013）
[9] 陈，Y。；徐，P。；Chu，Y。；李伟（Li，W.）。；Wu，Y。；Ni，L。；Wang，K.，使用支持向量回归（SVR）模型计算办公楼需求响应基线的短期电力负荷预测，应用能源，195，659-670（2017）
[10] 克莱门茨，A.E。；Hurn，A。；Li，Z.，使用多方程时间序列方法预测日头电力负荷，《欧洲运筹学杂志》，251，2，522-530（2016）·Zbl 1346.62159号
[11] Demsar，J.，多数据集分类器的统计比较，机器学习研究杂志，7，1，1-30（2006）·Zbl 1222.68184号
[12] 风扇，S。；Chen，L.N.，基于自适应混合方法的短期负荷预测，IEEE电力系统汇刊，21，1392-401（2006）
[13] 弗莱克，J。；Moon，T.K。；McKee，M。；Gunther，J.H.，相关向量机在塞维尔河流域渠道流量预测中的应用，农业水管理，97，2，208-214（2010）
[14] Gardner，E.S.，《指数平滑：最新进展——第二部分》，《国际预测杂志》，22，4，637-666（2006）
[15] 古尔德，P.G。；Koehler，A.B。；Ord，J.K。；斯奈德·R·D。；Hyndman，R.J。；Vahid-Araghi，F.，用多个季节模式预测时间序列，《欧洲运筹学杂志》，191，1207-222（2008）·Zbl 1142.62070号
[16] 毛重，G。；Galiana，F.D.，《短期负荷预测》，美国电气与电子工程师协会会刊，75，121558-1573（1987）
[17] 哈恩，H。；Meyer-Nieberg，S。；Pickl，S.，《电力负荷预测方法：决策工具》，《欧洲运筹学杂志》，199,3902-907（2009）·兹比尔1176.90291
[18] Hippert，H.S。；佩德雷拉，C.E。；Souza，R.C.，《短期负荷预测的神经网络：回顾与评估》，IEEE电力系统汇刊，16，1，44-55（2001）
[19] 霍布斯，B.F。；Jitprapaikulsarn，S。；Konda，S。；Chankong，V。；Loparo，K.A。；Maratukulam，D.J.，《改进负荷预测的机组承诺值分析》，IEEE电力系统交易，14，4，1342-1348（1999）
[20] Hu，Y.C.，基于神经网络的灰色预测方法的用电量预测，运筹学会杂志，68，10，1259-1264（2017）
[21] 胡永川。；Jiang，P.，使用基于神经网络的灰色残差修正模型预测能源需求，运筹学会杂志，68，5，556-565（2017）
[22] Jang，Y.，基于序列相关向量机的短期负荷预测，工业工程与管理系统，14，33118-324（2015）
[23] Kim，M.S.，预测日间电力需求的特殊日效应建模，《欧洲运筹学杂志》，230，1，170-180（2013）
[24] Kyriakides，E。；Polycarpou，M.，《短期电力负荷预测：神经计算趋势教程》，391-418（2007），施普林格：施普林格柏林，海德堡
[25] 李博士。；Chang，C.-J。；陈，C.-C。；Chen，W.C.，使用自适应灰色方法预测短期电力消耗——亚洲案例，Omega，40，6，767-773（2012）
[26] Pai，P.F。；Hong，W.C.，电力负荷预测中采用模拟退火算法的支持向量机，《能源转换与管理》，46，17，2669-2688（2005）
[27] 伦敦·桑切斯，J.F。；de Menezes，L.M.，应用于负荷预测的季节指数平滑预测的结构组合，《欧洲运筹学杂志》，275，3，916-924（2019）·Zbl 1430.62211号
[28] Taylor，J.W.，《使用双季节指数平滑进行短期电力需求预测》，运筹学会杂志，54，8，799-805（2003）·Zbl 1097.91541号
[29] Tipping，M.E.，稀疏贝叶斯学习和关联向量机，机器学习研究杂志，1，Jun，211-244（2001）·Zbl 0997.68109号
[30] Weise，T.等人。；Chiong，R.，评估随机方法性能时呈现统计测试结果的另一种方法，神经计算，147，1，235-238（2015）
[31] 严，J。；刘，Y。；韩，S。；邱，M.，使用优化相关向量机进行风力发电分组预测及其不确定性分析，《可再生能源和可持续能源评论》，27613-621（2013）
[32] Yildiz，B。；毕尔巴鄂，J.I。；Sproul，A.B.，《商业建筑电力负荷预测回归和机器学习模型的回顾与分析》，《可再生能源和可持续能源评论》，73，1104-1122（2017）
[33] 袁，Y。；唐，X。；周，W。；潘·W。；李，X。；张海涛。；Goncalves，J.，《数据驱动的网络物理系统发现》，《自然通信》，第10、1、1-9页（2019年）
[34] 袁，Y。；张海涛。；Wu，Y。；Zhu，T。；Ding，H.，基于贝叶斯学习的薄壁工件加工过程的模型预测振动控制，IEEE/ASME机电学报，22，1，509-520（2017）
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。