کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071910 1521401 2018 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Forecasting China's electricity consumption using a new grey prediction model
ترجمه فارسی عنوان
پیش بینی مصرف برق چین با استفاده از مدل جدید پیش بینی خاکستری
کلمات کلیدی
مدل پیش بینی خاکستری، بهینه سازی شرایط اولیه، مکانیزم رولینگ، پیش بینی مصرف برق کل صنعتی و صنعتی چین،
ترجمه چکیده
یک مدل پیشبینی ثانویه خاکستری برای پیش بینی دقیق مصرف برق کل صنعتی و صنعتی چین استفاده می شود. برای این منظور، یک مدل جدید پیش بینی شده خاکستری بهینه شده، ترکیبی از یک وضعیت اولیه اولیه و مکانیزم نورد، بر اساس اصل اولویت اطلاعات جدید طراحی شده است. شرایط اولیه اولیه دارای کمبود ذاتی داشتن یک ساختار ثابت و سازگاری ضعیف با تغییر داده های خام است. برای غلبه بر این کمبودها، شرایط اولیه جدید، دارای ضرایب وزنی قابل تغییر است. با استفاده از الگوریتم بهینه سازی ذرات ذرات با توجه به ویژگی های مختلف داده های ورودی، پارامترهای تولید آن می تواند به طور مطلوب تعیین شود. علاوه بر این، برای نشان دادن کارایی و کاربرد آن، مدل جدید برای پیش بینی مصرف برق کل صنعتی و صنعتی از سال 2012 تا 2014 استفاده شده و سپس با پیش بینی های حاصل از طیف وسیعی از مدل های معیار مقایسه می شود. دو نتایج تجربی نشان می دهد که شرایط اولیه اولیه با ضریب وزنی پویا می تواند به ویژگی های داده های مصرف برق بهتر از شرایط اولیه قبلی تعدیل شود. آنها همچنین برتری مدل پیشنهادی را در مدل های معیار نشان می دهند. در این مقاله، مدل جدید برای پیش بینی ارزش های آینده مصرف برق کل صنعتی و صنعتی چین از سال 2015 تا 2020 استفاده می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
پیش بینی مصرف برق چین با استفاده از مدل جدید پیش بینی خاکستری
چکیده انگلیسی
A modified grey prediction model is employed to accurately forecast China's overall and industrial electricity consumption. To this end, a novel optimized grey prediction model, combining a new initial condition and rolling mechanism, is designed on the principle of “new information priority”. The previous initial conditions possess the inherent deficiencies of having a fixed structure and poor adaptability to changing raw data. To overcome these deficiencies, the new initial condition, possessing alterable weighted coefficients, is proposed. Its generating parameters can be optimally determined by employing a particle swarm optimization algorithm according to various characteristics of the input data. In addition, to demonstrate its efficacy and applicability, the novel model is utilized to predict China's total and industrial electricity consumption from 2012 to 2014 and then compared to forecasts obtained from a range of benchmark models. The two empirical results illustrate that the novel initial condition with dynamic weighted coefficients can better adjust to the features of electricity consumption data than the previous initial conditions. They also show the superiority of the newly proposed model over the benchmark models. Within this paper, the new model is used for predicting the future values of China's total and industrial electricity consumption from 2015 to 2020.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 149, 15 April 2018, Pages 314-328
نویسندگان
, , ,