کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11002679 1446988 2018 36 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An improved grey model optimized by multi-objective ant lion optimization algorithm for annual electricity consumption forecasting
ترجمه فارسی عنوان
یک مدل خاکستری بهبود یافته بهینه شده توسط الگوریتم بهینه سازی چند لبه ی مگس برای پیش بینی مصرف برق سالانه
کلمات کلیدی
پیش بینی مصرف برق سالانه، الگوریتم بهینه سازی موش سوری چند منظوره، مدل پیش بینی ترکیبی،
ترجمه چکیده
پیش بینی دقیق و پایدار مصرف برق سالانه، نقش حیاتی در توسعه اجتماعی و اقتصادی مدرن را از طریق ارائه برنامه ریزی موثر و تضمین تامین قابل اعتماد از برق پایدار بازی می کند. با این حال، ایجاد یک روش قوی برای بهبود دقت پیش بینی و ثبات به طور همزمان از پیش بینی مصرف برق ثابت شده است که یک وظیفه بسیار چالش برانگیز است. اغلب مطالعات قبلی توجه بیشتری به بهبود دقت پیش بینی می کنند، که معمولا از اهمیت پیش بینی پایداری چشم پوشی می کند، به رغم اهمیت آن برای اثربخشی مدل های پیش بینی. با توجه به ویژگی های داده های مصرف انرژی سالانه و همچنین یک معیار از جمله دقت و ثبات کافی نیست، در این مطالعه یک مدل پیش بینی ترکیبی جدید مبتنی بر حالت پیش بینی خاکستری بهبود یافته با استفاده از الگوریتم بهینه سازی چند منظوره شیرین به دست آمده با موفقیت توسعه می یابد که می تواند نه تنها برای پویا استفاده می شود، بلکه بهترین نتیجه های پیش بینی را با دقت و توانایی بالا به دست می آورد. مطالعات موردی از مجموعه داده های مصرف انرژی سالانه از چندین منطقه در چین به عنوان نمونه های قابل توجه برای ارزیابی اثربخشی و کارایی مدل پیش بینی ترکیبی پیشنهاد شده استفاده می شود. در نهایت، نتایج تجربی نشان داد که مدل پیش بینی پیشنهاد شده برتر از مدل های مقایسه است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
Accurate and stable annual electricity consumption forecasting play vital role in modern social and economic development through providing effective planning and guaranteeing a reliable supply of sustainable electricity. However, establishing a robust method to improve prediction accuracy and stability simultaneously of electricity consumption forecasting has been proven to be a highly challenging task. Most previous researches only pay more attention to enhance prediction accuracy, which usually ignore the significant of forecasting stability, despite its importance to the effectiveness of forecasting models. Considering the characteristics of annual power consumption data as well as one criterion i.e. accuracy or stability is insufficient, in this study a novel hybrid forecasting model based on an improved grey forecasting mode optimized by multi-objective ant lion optimization algorithm is successfully developed, which can not only be utilized to dynamic choose the best input training sets, but also obtain satisfactory forecasting results with high accuracy and strong ability. Case studies of annual power consumption datasets from several regions in China are utilized as illustrative examples to estimate the effectiveness and efficiency of the proposed hybrid forecasting model. Finally, experimental results indicated that the proposed forecasting model is superior to the comparison models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Soft Computing - Volume 72, November 2018, Pages 321-337
نویسندگان
, , , , ,