Transformations  in
Business & Economics

TRUMPALAIKIS APKROVOS PROGNOZAVIMAS, PAGRĮSTAS PATOBULINTU DALELIŲ SPIEČIAUS OPTIMIZAVIMU IR ILGALAIKĖS TRUMPALAIKĖS ATMINTIES TINKLU
Qingyou Yan, Yonghua Wanga, Guangyu Qina, Jingyao Zhua, Žilvinas Židonis

SANTRAUKA.  Trumpalaikis galios apkrovos prognozavimas yra vienas svarbiausių klausimų rinkos dalyviams Kinijos elektros energijos rinkos reformos kontekste. Tačiau šį prognozavimą apsunkina apkrovos kintamumas. Siekiant pagerinti prognozės tikslumą, tyrimo metu sudarytas hibridinis modelis, sujungiantis visą empirinio režimo skilimą su prisitaikančiu triukšmu (angl. CEEMDAN), permutacijos entropija (angl. PE), patobulintu dalelių spiečiaus optimizavimo algoritmu (angl. IPSO) kartu su ilgalaikės trumpalaikės atminties neuroniniu tinklu (angl. LSTM). Pirma, pradinė apkrovos seka yra suskaidoma į keletą vidinio režimo funkcijų (angl. IMFs) ir liekamąją funkciją, naudojant visą CEEMDAN tam, kad būtų sumažintas apkrovos sekos, kurią veikia sudėtingi rodikliai, nepastovumas. Tada kiekvieno IMF sudėtingumas yra analizuojamas pasitelkus PE, siekiant sukurti naujas sekas su akivaizdžiais sudėtingumo skirtumais. Galiausiai, siekiant optimizuoti mokymosi greitį, kartojimų skaičių, taip pat paslėptų neuronų skaičių, ilgalaikės trumpalaikės atminties neuroniniame tinkle naudojamas IPSO. Galutinę prognozavimo apkrovą galima gauti apibendrinant visų posekių prognozavimo rezultatus. Paaiškėjo, kad siūlomas modelis yra pranašesnis už kitus šešis palyginimo metodus, su mažiausiais MAE, RMSE, MAPE ir Teilo nelygybės koeficientu (angl. TIC) bei didžiausiu R2.

REIKŠMINIAI ŽODŽIAI: trumpalaikis apkrovos prognozavimas, pilnas empirinio režimo skilimas su prisitaikančiu triukšmu, permutacijos entropija, patobulintas dalelių spiečiaus algoritmas, trumpalaikės atminties neuroninis tinklas.