电力系统专业英语翻译!!!

来源：百度知道 编辑：UC知道 时间：2024/05/31 15:35:21
Very short-term load forecasting requires a different approach.
Instead of modeling relationships between load, time,
weather conditions and other load affccting factors we are
rather focused on extrapolating the recently observed load
pattern to thc nearest future. Methods for very short-term load
forecasting are not so numerous. Some reported techniques
include first or sccond ordcr polynomial extrapolation, autoregressive
(AR) and autoregressive moving average (ARMA)
models, and artificial neural nctworks [I 11, 1121.
This paper presents a novel approach to very short-term load
forecasting by the application of artificial neural nctworks to
model load dynamics. This shifts neural networks' task from
forecasting actual loads to forecasting relative increments in
load and leads to a better accuracy. Time of day and relative
increments in load from the recent past are used as input variables.
The proposed al

试试看咯－－

超短期负荷预测要用一个不同方法。我们把注意力放在利用近期观测到的负载模式来推测下一步，而不是围绕负载、时间、天气条件以及其他影响负载的因素来建立一个关系模型。超短期负荷预测的解决方法并不多。一些已经发表过的有：一阶或二阶多项式外推法，自回归（AR）与自回归滑动平均模型(ARMA)和人工神经网络。本文介绍了一种解决超短期负荷预测的革命性的新思路，即利用人工神经网络来对负载动态建模。这种方法将神经网络的任务由预测实际负载，变为预测负载的相对增量，从而得到更高的精确度。天数和前一个负载的相对增量作为输入变量。当预测出的实际负载作为输入变量时，提算法比（刚提到的）这个方法更强大。当用训练数据代表整串可能的负载和当前天气状况是，表现为低灵敏度。当当前天气状况与应用于数据挖掘的天气状况不同时，本方法的优越性尤为明显。（因为）这种情况下，基于传统的数据网络的预测可能产生错误预报。在第十一节，将对本方法作详细讲解。此法已经在美国一家电力企业的在线负载预报上应用，并取得成功。第111节将具体讲解这次次应用，并提供一些由此得出的关于精确度的资料。

极短期负荷预测的，需要一种不同的做法。
而不是造型之间的关系负荷，时间，
气象条件以及其他负荷affccting因素，我们正
而不是侧重于推断，近期观察负荷
模式，以货柜码头处理费，最近的将来。方法很短期负荷
预测是没有那么多的。一些报道技巧
包括第一或sccond ordcr多项式外推法，自回归
（ AR ）的，并回归移动平均（ ARMA新）
模型，人工神经nctworks [我11 ， 1121 。
本文提出了一种新方法，以非常短期负荷
预测中的应用人工神经nctworks至
模型负荷动态。这轮班神经网络的'政治任务
预测实际负荷预测相对递增，在
负荷，并导致更好的准确度。一天中的时间和相对
递增负荷，从最近的过去是用来作为输入变量。
所提出的算法是更强有力相比，要
做法时，实际负荷预测，并作为输入
许多变数。这是较不敏感的要求，具有
训练数据代表整个频谱的可能
负荷及weathe