Intelligent Optimization Modelling in Energy Forecasting
Des prévisions énergétiques précises sont importantes pour faciliter le processus de prise de décision afin d'améliorer l'efficacité et la fiabilité de l'exploitation et de la sécurité du système électrique, de l'utilisation économique de l'énergie, de la programmation des imprévus, de la planification et de la maintenance des systèmes d'approvisionnement en énergie, etc.
Au cours des dernières décennies, de nombreux modèles de prévision énergétique ont été proposés pour améliorer la précision des prévisions, notamment des modèles statistiques traditionnels (par exemple, ARIMA, SARIMA, ARMAX, régression multi-variable, modèles de lissage exponentiel, filtrage de Kalman, modèles d'estimation bayésienne, etc. ) et les modèles d'intelligence artificielle (par exemple, les réseaux neuronaux artificiels (RNA), les systèmes experts basés sur la connaissance, les modèles de calcul évolutionnaire, la régression par vecteur de support, etc. ). Récemment, en raison du développement important des méthodes de modélisation de l'optimisation (par exemple, la méthode de programmation quadratique, la méthode du mode empirique différentiel, les algorithmes évolutionnaires, les algorithmes méta-heuristiques, etc. ) et des mécanismes informatiques intelligents (informatique quantique, cartographie chaotique, cartographie des nuages, mécanisme saisonnier, etc. ), de nombreux nouveaux modèles hybrides ou combinés avec les modèles basés sur l'optimisation intelligente mentionnés ci-dessus ont également été proposés pour atteindre des niveaux de précision de prévision satisfaisants.
Il est important d'explorer la tendance et le développement des méthodologies de modélisation basées sur l'optimisation intelligente et d'enrichir leurs performances pratiques, en particulier pour la prévision des énergies marines renouvelables.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)