Intelligent Optimization Modelling in Energy Forecasting
Genaue Energieprognosen sind wichtig, um den Entscheidungsprozess zu erleichtern und eine höhere Effizienz und Zuverlässigkeit beim Betrieb und der Sicherheit des Stromnetzes, bei der wirtschaftlichen Energienutzung, bei der Notfallplanung, bei der Planung und Wartung von Energieversorgungssystemen usw. zu erreichen.
In den letzten Jahrzehnten wurden zahlreiche Energieprognosemodelle zur Verbesserung der Vorhersagegenauigkeit vorgeschlagen, darunter traditionelle statistische Modelle (z. B. ARIMA, SARIMA, ARMAX, multivariate Regression, exponentielle Glättungsmodelle, Kalman-Filterung, Bayes'sche Schätzmodelle usw.) und Modelle der künstlichen Intelligenz (z.
B. ) und Modelle der künstlichen Intelligenz (z.
B. künstliche neuronale Netze (ANN), wissensbasierte Expertensysteme, evolutionäre Berechnungsmodelle, Support-Vector-Regression usw. ).
In jüngster Zeit wurden aufgrund der großen Entwicklung von Optimierungsmodellierungsmethoden (z. B. quadratische Programmierungsmethode, differentielle empirische Methode, evolutionäre Algorithmen, meta-heuristische Algorithmen usw. ) und intelligenter Rechenmechanismen (z.
B. Quantencomputer, chaotisches Mapping, Cloud Mapping, saisonale Mechanismen usw.) sind viele neuartige Hybridmodelle oder Modelle entstanden. ), wurden auch viele neuartige Hybridmodelle oder Modelle in Kombination mit den oben genannten, auf intelligenter Optimierung basierenden Modellen vorgeschlagen, um eine zufriedenstellende Vorhersagegenauigkeit zu erreichen. Es ist wichtig, die Tendenz und die Entwicklung von auf intelligenter Optimierung basierenden Modellierungsmethoden zu erforschen und ihre praktischen Leistungen zu verbessern, insbesondere für die Vorhersage von erneuerbaren Meeresenergien.
| ISBN: | 9783039283644 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
