توضیحات
Accurate forecasting performance in the energy sector is a primary factor in the modern restructured power market, accomplished by any novel advanced hybrid techniques. Particularly in the Big Data era, forecasting models are always based on a complex function combination, and energy data are always complicated by factors such as seasonality, cyclicity, fluctuation, dynamic nonlinearity, and so on. To comprehensively address this issue, it is insufficient to concentrate only on simply hybridizing evolutionary algorithms with each other, or on hybridizing evolutionary algorithms with chaotic mapping, quantum computing, recurrent and seasonal mechanisms, and fuzzy inference theory in order to determine suitable parameters for an existing model. It is necessary to also consider hybridizing or combining two or more existing models (e.g., neuro-fuzzy model, BPNN-fuzzy model, seasonal support vector regression-chaotic quantum particle swarm optimization (SSVR-CQPSO), etc.). These advanced novel hybrid techniques can provide more satisfactory energy forecasting performances.
This book aimed to attract researchers with an interest in the research areas described above. Specifically, we were interested in contributions towards recent developments, i.e., hybridizing or combining any advanced techniques in energy forecasting, with the superior capabilities over the traditional forecasting approaches, with the ability to overcome some embedded drawbacks, and with the very superiority to achieve significant improved forecasting accuracy.
————————————————————–
ترجمه ماشینی :
پیشبینی دقیق عملکرد در بخش انرژی یک عامل اصلی در بازار برق بازسازیشده مدرن است که با هر تکنیک هیبریدی پیشرفته جدید انجام میشود. بهویژه در عصر کلان داده، مدلهای پیشبینی همیشه بر اساس یک ترکیب تابع پیچیده است و دادههای انرژی همیشه با عواملی مانند فصلی، چرخهای، نوسان، غیرخطی پویا و غیره پیچیده میشوند. برای پرداختن به این موضوع به طور جامع، تمرکز فقط بر ترکیب الگوریتمهای تکاملی با یکدیگر، یا ترکیب کردن الگوریتمهای تکاملی با نقشههای آشفته، محاسبات کوانتومی، مکانیسمهای دورهای و فصلی و نظریه استنتاج فازی برای تعیین پارامترهای مناسب کافی نیست. مدل موجود همچنین لازم است ترکیب یا ترکیب دو یا چند مدل موجود (به عنوان مثال، مدل عصبی-فازی، مدل فازی BPNN، رگرسیون بردار پشتیبان فصلی-بهینه سازی ازدحام ذرات کوانتومی آشوبناک (SSVR-CQPSO) و غیره) را در نظر بگیریم. این تکنیکهای ترکیبی جدید پیشرفته میتوانند عملکردهای پیشبینی انرژی رضایتبخشتری را ارائه دهند.
هدف این کتاب جذب محققانی است که علاقهمند به حوزههای تحقیقاتی شرح داده شده در بالا هستند. به طور خاص، ما علاقه مند به مشارکت در پیشرفت های اخیر بودیم، یعنی ترکیب یا ترکیب هر گونه تکنیک پیشرفته در پیش بینی انرژی، با قابلیت های برتر نسبت به رویکردهای پیش بینی سنتی، با توانایی غلبه بر برخی اشکالات تعبیه شده، و با برتری بسیار برای دستیابی به قابل توجه. دقت پیشبینی بهبود یافته است.
tag : دانلود کتاب تکنیک های پیشرفته ترکیبی برای پیش بینی در بخش انرژی , Download تکنیک های پیشرفته ترکیبی برای پیش بینی در بخش انرژی , دانلود تکنیک های پیشرفته ترکیبی برای پیش بینی در بخش انرژی , Download Hybrid Advanced Techniques for Forecasting in Energy Sector Book , تکنیک های پیشرفته ترکیبی برای پیش بینی در بخش انرژی دانلود , buy تکنیک های پیشرفته ترکیبی برای پیش بینی در بخش انرژی , خرید کتاب تکنیک های پیشرفته ترکیبی برای پیش بینی در بخش انرژی , دانلود کتاب Hybrid Advanced Techniques for Forecasting in Energy Sector , کتاب Hybrid Advanced Techniques for Forecasting in Energy Sector , دانلود Hybrid Advanced Techniques for Forecasting in Energy Sector , خرید Hybrid Advanced Techniques for Forecasting in Energy Sector , خرید کتاب Hybrid Advanced Techniques for Forecasting in Energy Sector ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.