SEA：一种用于热负荷预测的组合模型
机器学习
2018-08-02 v1 机器学习
摘要
热负荷预测是智能能源网络领域的重要研究课题。人们已充分认识到周期性是热负荷的重要特征之一。基于 LOESS 的季节性-趋势分解（STL）算法可分析热负荷序列的周期性，并将序列分解为季节分量和趋势分量。随后分别预测季节与趋势分量，并将其预测组合作为热负荷预测，是一种可能的热负荷预测途径。本文提出了 STL-ENN-ARIMA（SEA）这一组合模型，其基于常应用于热负荷预测的 Elman 神经网络（ENN）与自回归积分滑动平均（ARIMA）模型的组合。ENN 与 ARIMA 分别用于预测季节与趋势分量。实验结果表明所提出的 SEA 模型具有良好性能。
引用
@article{arxiv.1808.00331,
title = {SEA: A Combined Model for Heat Demand Prediction},
author = {Jiyang Xie and Jiaxin Guo and Zhanyu Ma and Jing-Hao Xue and Qie Sun and Hailong Li and Jun Guo},
journal= {arXiv preprint arXiv:1808.00331},
year = {2018}
}