典型文献
基于SARIMA-GS-SVR组合模型的短期电力需求预测
文献摘要：
短期电力需求预测在合理分配电力利用、减少能源浪费和增强电力系统的并网运行方面具有重要作用.应用单一的季节自回归移动平均模型对电力需求预测将限制预测精度.为了提高SARIMA的预测精度,文中提出了SA-RIMA-GS-SVR组合预测模型.采用网格搜索算法将SARIMA预测的残差带入支持向量回归模型进行参数训练,并将寻优的最佳参数带入SVR对残差进行预测.将得到的残差预测结果和SARIMA预测结果加和进行综合分析.建立SA-RIMA、SVR、GS-SVR和SARIMA-GS-SVR预测模型,以加利福尼亚州电力需求历史数据为例,对该地某日24 h的电力需求进行预测.为了体现模型整体的优越性,选用指数平滑法作为无关基准模型进行实验对比.实验结果表明,相比SARIMA,SARIMA-GS-SVR的预测精度提高了29.1812％,且其MAE、MAPE和RMSE3种误差指标评价值低于其它4种模型.
文献关键词：
电力需求预测;残差预测;预测精度;季节差分自回归移动平均;网格搜索算法;支持向量回归;指数平滑法;参数寻优
中图分类号：
作者姓名：
刘晗;王万雄
作者机构：
甘肃农业大学 理学院,甘肃 兰州730070
文献出处：
引用格式：
[1]刘晗;王万雄-.基于SARIMA-GS-SVR组合模型的短期电力需求预测)[J].电子科技,2022(08):58-65
A类：
RMSE3,季节差分自回归移动平均
B类：
SARIMA,GS,SVR,组合模型,短期电力,电力需求预测,合理分配,配电,强电,电力系统,并网运行,节自,自回归移动平均模型,组合预测模型,网格搜索算法,带入,支持向量回归模型,最佳参数,残差预测,加利福尼亚州,历史数据,某日,指数平滑法,实验对比,MAE,MAPE,误差指标,指标评价,评价值,参数寻优
AB值：
0.244109
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
