电力系统英语论文翻译!The proposed approach allows us to achieve two major improvcmentsas compared to thc traditional ANN-based forecaster.It ensures a better accuracy and is more reliable. Oneof the major impediments in building reliable AN

电力系统英语论文翻译!The proposed approach allows us to achieve two major improvcmentsas compared to thc traditional ANN-based forecaster.It ensures a better accuracy and is more reliable. Oneof the major impediments in building reliable AN
电力系统英语论文翻译!
The proposed approach allows us to achieve two major improvcments
as compared to thc traditional ANN-based forecaster.
It ensures a better accuracy and is more reliable. One
of the major impediments in building reliable ANN-based forecasters
lies in their limited ability to extrapolate modeled relationships
beyond the training data domain. There is a good chance that some values of input variables out of this domain will produce very erroneous forecasts. The severity of this phenomenon depends greatly on the neural network design. Networks with too many input variables or ton many hidden neurons,providing a good accuracy for typical conditions, are more prone to such behavior than the parsimoniously designed networks.
The proposed algorithm alleviates this problem because
the daily patterns of relative load increments are marc repeatable
than the daily load curves. In other words, two days with
different temperatures will have different load levels, but their
curves of relative load increments will remain quite similar, as
illustrated in Fig. 1. This means that the forecast accuracy will
not deteriorate significantly even in the case of the weather conditions that were not represented in the training data. Ultimately,the proposed method lcads to an improved rcliability as well as to a bctter accuracy. To demonstrate the difference between these two approaches,
the two forecasters, traditional andproposed, were applied to the
load data from Fig. 1. Each forecaster was trained using the data
from dav 1. and then used to forecast the 20-min ahead load for
day 2. The obtained forecasts are presented in Fig. 2 along with
the actual load. The upper chart shows the forecasts produced
by the traditional forecaster. Since the load values of day 2 are
different from those used for training, the forecasts generated
by this forecaster do not make much sense, and are completely
unacceptable. The lower chart depicts the forecasts made by the
proposed forecaster. Thesc forecasts are quite accurate, considering a limited amount of data used for training. This means that the proposed forecaster is more reliable than the traditional one.
取自 Very Short-Term Load Forecasting Using Artificial
Neural Networks

电力系统英语论文翻译!The proposed approach allows us to achieve two major improvcmentsas compared to thc traditional ANN-based forecaster.It ensures a better accuracy and is more reliable. Oneof the major impediments in building reliable AN
与thc传统基于安的预测员比较,提出的方法允许我们达到二主要improvcments. 它保证更好的准确性并且是更加可靠的. 其中一主要障碍在大厦可靠基于安的预测员在他们有限的能力在外推被塑造的关系在训练数据领域之外. 有很可能输入变数的一些价值在这个领域外面将导致非常错误展望. 这种现象严肃很大地取决于神经网络设计. 网络以许多输入变数或吨许多暗藏的神经元,提供好准确性为典型的情况,比节俭被设计的网络是易受这样行为. 提出的算法缓和这个问题,因为相对装载增加的每日样式比每日列车速度-重量曲线是果渣反复性. 换句话说,用不同的温度的二天将有不同的装载水平,但相对装载增加他们的曲线将保持相当相似,如被说明在. 1. 这意味着展望准确性不会恶化显着在训练数据未代表的天气情况情况下. 最后,提出的方法lcads对一被改进的rcliability并且到bctter准确性. 要展示这二种方法之间的区别,二位预测员,传统andproposed,被申请了于装载数据从. 1. 每位预测员使用数据被训练了从dav 1. 然后过去常常展望前面20分钟装载为天2. 获得的展望被提出在. 2与实际装载一起. 上部图显示传统预测员导致的展望. 从装载天2的价值是与用于训练的那些不同,这位预测员引起的展望没有道理,并且是完全地不能接受的. 更低的图描述提出的预测员做的展望. Thesc展望是相当准确的,考虑用于训练的有限的相当数量数据. 这意味着提出的预测员比传统一个可靠.

提出的方法允许我们达到二主要improvcments 与thc传统基于安的预测员比较的。
It保证更好的准确性并且是更加可靠的。 一
of在大厦可靠基于安的预测员的主要障碍 在他们有限的能力的lies外推塑造了关系
beyond训练数据领域。 有很可能输入变数的一些价值在这个领域外面的将导致非常错误展望。 这种现象严肃很大地取决于神经网络设计。 与许多输入变数或吨的网...

全部展开

提出的方法允许我们达到二主要improvcments 与thc传统基于安的预测员比较的。
It保证更好的准确性并且是更加可靠的。 一
of在大厦可靠基于安的预测员的主要障碍 在他们有限的能力的lies外推塑造了关系
beyond训练数据领域。 有很可能输入变数的一些价值在这个领域外面的将导致非常错误展望。 这种现象严肃很大地取决于神经网络设计。 与许多输入变数或吨的网络许多暗藏的神经元，提供好准确性为典型的情况，比节俭被设计的网络是有倾向对这样行为。
The提议算法缓和这个问题，因为 相对装载增加的the每日样式是反复性的果渣
than每日列车速度-重量曲线。 换句话说，二天与
different温度将有不同的装载水平，但是他们 相对装载增加curves将保持相当相似， 在图1.的illustrated。 这意味着展望准确性将
not恶化显着甚而在训练数据未代表的天气情况情况下。 最终，对一被改进的rcliability的提出的方法lcads并且对bctter准确性。 要展示这两个之间的区别接近，
the二预测员，传统andproposed，被应用了于 从图1.的load数据。 使用数据，每位预测员被训练了
from dav 1.然后过去常常展望前面20分钟装载为
day 2。 获得的展望在图2被提出与一起
the实际装载。 上部图显示导致的展望
by传统预测员。 从装载天2的价值是 从用于训练的那些的different，展望引起了
by这位预测员没有道理，并且完全地是
unacceptable. 更低的图描述做的展望
proposed预测员。 Thesc展望是相当准确的，考虑有限的数据使用为训练。 这意味着提出的预测员比传统一个可靠。 使用人为的取自非常短期装载预测
Neural网络

收起

建议的方法，使我们能够实现这两大
相比THC的传统基于人工神经网络的预报。
而且保证了更好的准确度和更可靠。一
的主要障碍在建立可靠的基于人工神经网络预报
就在于他们的能力有限，无法推断仿照关系
以后的训练数据域。有一个很好的机会，一些价值观念的输入变量出这个领域将产生非常错误的预测。的严重性，这种现象在很大程度上取决于神经网络的设计。网络中有太多的输入变...

全部展开

建议的方法，使我们能够实现这两大
相比THC的传统基于人工神经网络的预报。
而且保证了更好的准确度和更可靠。一
的主要障碍在建立可靠的基于人工神经网络预报
就在于他们的能力有限，无法推断仿照关系
以后的训练数据域。有一个很好的机会，一些价值观念的输入变量出这个领域将产生非常错误的预测。的严重性，这种现象在很大程度上取决于神经网络的设计。网络中有太多的输入变量或每吨隐患大量存在神经细胞，提供了一个很好的准确性，为典型的情况下，较容易出现这种行为比设计网络。
所提出的算法缓解了这个问题，因为
每日格局相对负荷增量都机读目录重复性
比日负荷曲线。或者换句话说，两天
不同温度下有不同的负荷水平，但其
曲线相对负荷增量仍将颇为相似，因为
说明图。 这意味着，预报准确率会
没有明显恶化，甚至在案件的天气条件，没有派代表出席会议，在训练数据。最终，所提出的方法以改善，而且要准确。以展示区别这两种做法，
两名预报员，传统被应用到
负荷数据，从图。 1 。每个预报员训练用的数据
从DAV的1 。然后用于预测的20分钟提前负荷
第2天。得到的预测是在图。二，随着
实际负荷。上图显示的预测
由传统的气象预报。由于负载值一天2顷
不同于那些用于训练中，所产生的预测
本预报员没有多大意义，是完全
不可接受的。下图描绘所作的经济预测，由
建议预报。 预测是相当准确的，考虑到数量有限的数据用于训练。这意味着，拟议预报员是较可靠的，比传统之一。

收起