论文阅读:《An Online-Calibrated Time Series Based Model for Day-Ahead Natural Gas Demand Forecasting》

前言

  在以往的研究中,建立预测模型需要大量的历史信息。这个过程将需要相当多的时间、计算能力和内存(存储数据)。如果将GD(天然气数据)与环境温度的相关性直接嵌入到预报过程中,则预报误差可大大降低。在这种情况下,温度的预测可以整合到预测程序中,以获得更高的精度。此外,应该使用最新的历史数据来更新和校准预测模型,以达到更高的精度。

模型

在这里插入图片描述
  一般来说,天然气消耗量与环境温度高度相关,随着供暖系统需求的增加,在较低温度下天然气消耗量会显著增加。实时的温度信息和天然气消耗量信息被输入一个缓存区,然后我们只需要最新的TH小时的数据,然后对这部分数据设置分辨率进一步采样形成待训练数据集。训练时利用某种方法将每个点的数据分为与温度无关的分量和与温度有关的分量

  与温度无关的分量使用周期函数建模:
在这里插入图片描述
  因为它依赖于习惯性重复的因子。

  然后,使用一个基于相关性的函数对依赖于温度的分量进行建模:
在这里插入图片描述
在这里插入图片描述
  该函数表示GD与环境温度的相关性。
在这里插入图片描述
在这里插入图片描述
  采用LES(最小误差平方)技术来估计参数矩阵M:
在这里插入图片描述
在这里插入图片描述
  化简(13):
在这里插入图片描述
  考虑:
在这里插入图片描述
  即等式左边是一个对称矩阵,这很好理解,因为前两项就是第三项的转置。

  (15)代入(14)得:
在这里插入图片描述
在这里插入图片描述
  补充矩阵求导法则:总结机器学习中常用的几个矩阵求导公式

  每次有新数据来临时就利用上面的方法来更新模型即可。

猜你喜欢

转载自blog.csdn.net/Cyril_KI/article/details/121447088

相关文章