XiaoMi-AI文件搜索系统
World File Search Systemforecasting
多层感知器和参数模型的混合集成用于智能电网的可靠性预测
摘要 电力系统的可靠运行是电力公司的一个主要目标，这需要准确的可靠性预测以最大限度地减少电力中断的持续时间。由于天气状况通常是智能电网（尤其是其配电网）电力中断的主要原因，本文全面研究了各种天气参数对配电网可靠性性能的综合影响。特别地，提出了一种基于多层感知器 (MLP) 的框架，使用常见天气数据的时间序列来预测一个配电管理区域中每日持续和瞬时电力中断的次数。首先，实施参数回归模型来分析每日电力中断次数与各种常见天气参数（如温度、降水量、气压、风速和闪电）之间的关系。然后将选定的天气参数和相应的参数模型作为输入，以建立 MLP 神经网络模型来预测每日电力中断次数。引入了一种改进的基于极限学习机 (ELM) 的分层学习算法，使用来自佛罗里达州电力公司的实时可靠性数据和来自国家气候数据中心 (NCDC) 的常见天气数据来训练制定的模型。此外，还实施了敏感性分析以确定各种影响
在预测美国从中国的进口时考虑季节性波动，使用人工神经网络平衡时间序列
摘要。本文的目的是提出一种特殊的方法，用于在使用人工神经网络平衡时间序列时考虑季节性波动，该方法以中华人民共和国 (PRC) 向美国 (US) 进口为例。预测外贸量的困难通常是由许多传统预测模型的局限性造成的。为了改进预测，有必要提出一种将计量经济模型和人工智能模型相结合的方法。进行分析的数据可在世界银行网站等处找到。将使用有关美国从中国进口的信息。每个预测都有一定的概率来实现。尽管在实验之前似乎没有理由纳入分类变量来反映美国从中国进口的季节性波动，但这种假设并不正确。以月度价值测量形式出现的附加变量为平衡时间序列带来了更大的秩序和准确性。关键词：预测模型、人工神经网络、时间序列、发展
宏观经济预测的综合评估...
手稿版本：作者接受的手稿 WRAP 中呈现的版本是作者接受的手稿，可能与已发布的版本或记录版本不同。 永久 WRAP URL：http://wrap.warwick.ac.uk/116722 如何引用：请参阅已发布的版本以获取最新的书目引用信息。 如果已知已发布的版本，则上面链接的存储库项目页面将包含有关访问它的详细信息。 版权和再利用：华威研究档案门户 (WRAP) 在以下条件下使华威大学研究人员的这项工作开放获取。 © 2019 Elsevier。 根据 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International 许可 http://creativecommons.org/licenses/by-nc-nd/4.0/。
日立能源利用新的人工智能解决方案提高能源投资预测的可预测性 • Nostradamus AI 为负荷、市场提供精确、易于解释、现成的预测
日立能源推出全新 Nostradamus AI 解决方案推进能源预测 苏黎世，2024 年 11 月 12 日——日立能源推出了一款全新人工智能 (AI) 能源预测解决方案 Nostradamus AI。Nostradamus AI 利用日立能源深厚的能源行业专业知识开发而成，利用公司 30 年来最广泛的能源市场数据，为公用事业、电力系统运营商、能源生产商和贸易商提供针对常见能源特定用例的高精度预测。Nostradamus AI 是首批专为能源行业打造的 AI 预测解决方案之一，它是一款现代 AI 引擎，可以生成比某些行业目标准确率高 20% 以上的预测。该解决方案优化了能源投资、交易策略和收入机会，简化了运营效率和资源规划，并确保了法规遵从的透明度。随着电网的发展，数据量呈爆炸式增长。例如，根据国际能源署的数据，全球风力涡轮机每年记录超过 4000 亿个独立数据点，智能电表生成的数据点比它们所取代的模拟电表多几千倍。此外，由于可再生能源发电的变化，当今的能源市场和电网越来越不稳定。与此同时，电力需求有增无减，企业面临着实现能源安全和脱碳目标的压力。总的来说，这些市场力量正在推动企业走向人工智能，人工智能可以处理大量不同的数据集，从而显著提高预测的准确性，这一举措对于在能源转型中管理能源市场和电网至关重要。日立能源电网自动化业务部董事总经理 Massimo Danieli 表示：“高级预测对于有效管理公司的能源组合战略至关重要，它可以让运营商和分析师快速做出明智的业务决策。” “我们利用我们在能源领域的丰富专业知识和数据科学背景创建了一个人工智能引擎，它可以显著提高用户利用能源数据做出有影响力决策的能力，提高整个企业的盈利能力，并随着业务规模的扩大而扩大。
洪水预报和预警
3.1 简介 13 3.2 洪水预报模型及其选择 14 3.2.1 降水驱动的集水区模型 15 3.2.2 路径模型 15 3.2.3 集水区和路径组合模型 16 3.2.4 特殊情况模型 16 3.2.5 模型可用性 16 3.3 选择适当的洪水预报模型 17 3.3.1 选择适当的模型 17 3.3.2 了解洪水水文学 18 3.3.3 分析性洪水研究的要求 19 3.3.4 模型校准和数据要求 20 3.3.5 模型验证/确认 21 3.3.6 数据同化 22 3.3.7 将气象预报与水文模型耦合 22 3.4 业务水文气象网络 23 3.4.1 现有监测网络类型 23 3.5 水文气象观测网络设计要求 24 3.5.1 风险区域识别 24
洪水预报和预警
3.1 简介 13 3.2 洪水预报模型及其选择 14 3.2.1 降水驱动的集水区模型 15 3.2.2 路径模型 15 3.2.3 集水区和路径组合模型 16 3.2.4 特殊情况模型 16 3.2.5 模型可用性 16 3.3 选择适当的洪水预报模型 17 3.3.1 选择适当的模型 17 3.3.2 了解洪水水文学 18 3.3.3 分析性洪水研究的要求 19 3.3.4 模型校准和数据要求 20 3.3.5 模型验证/确认 21 3.3.6 数据同化 22 3.3.7 将气象预报与水文模型耦合 22 3.4 业务水文气象网络 23 3.4.1 现有监测网络类型 23 3.5 水文气象观测网络设计要求 24 3.5.1 风险区域识别 24
洪水预报和预警
3.1 简介 13 3.2 洪水预报模型及其选择 14 3.2.1 降水驱动的集水区模型 15 3.2.2 路径模型 15 3.2.3 集水区和路径组合模型 16 3.2.4 特殊情况模型 16 3.2.5 模型可用性 16 3.3 选择适当的洪水预报模型 17 3.3.1 选择适当的模型 17 3.3.2 了解洪水水文学 18 3.3.3 分析性洪水研究的要求 19 3.3.4 模型校准和数据要求 20 3.3.5 模型验证/确认 21 3.3.6 数据同化 22 3.3.7 将气象预报与水文模型耦合 22 3.4 业务水文气象网络 23 3.4.1 现有监测网络类型 23 3.5 水文气象观测网络设计要求 24 3.5.1 风险区域识别 24
洪水预报和预警
3.1 简介 13 3.2 洪水预报模型及其选择 14 3.2.1 降水驱动的集水区模型 15 3.2.2 路径模型 15 3.2.3 集水区和路径组合模型 16 3.2.4 特殊情况模型 16 3.2.5 模型可用性 16 3.3 选择适当的洪水预报模型 17 3.3.1 选择适当的模型 17 3.3.2 了解洪水水文学 18 3.3.3 分析性洪水研究的要求 19 3.3.4 模型校准和数据要求 20 3.3.5 模型验证/确认 21 3.3.6 数据同化 22 3.3.7 将气象预报与水文模型耦合 22 3.4 业务水文气象网络 23 3.4.1 现有监测网络类型 23 3.5 水文气象观测网络设计要求 24 3.5.1 风险区域识别 24
欧洲央行宏观经济学模型用于预测和政策分析
本文通过专注于预测和政策建模部门中使用的模型和应用来列出欧洲央行的宏观经济模型策略。我们专注于主要宏观经济模型当前投资组合的指导原则，并说明如何将它们原则上用于经济预测，场景和风险分析。我们还讨论了目前正在开发的建模议程，特别关注异质性，机器学习，期望形成和气候变化。本文清楚地表明，通常在中央银行中开发的大型宏观经济学模型仍然是对我们现代经济的风格化描述，并且可能无法预测或评估经济事件的性质（尤其是在出现大危机时）。，但即使在高度不确定的经济状况下，它们仍然可以为政策准备提供有意义的贡献。我们以路线图结束了论文，该论文将使欧洲央行和欧洲系统能够利用整个机构的技术进步和合作，以确保建模框架不仅有弹性，而且还具有创新性。