Resumen

La electricidad es una energía especial que es difícil de almacenar, por lo que el pronóstico de la demanda de electricidad sigue siendo un problema importante. El pronóstico preciso de la carga a corto plazo (STLF) juega un papel vital en los sistemas de energía porque es parte esencial de la planificación y operación del sistema eléctrico, y también es fundamental en muchas aplicaciones. Teniendo en cuenta que un modelo de pronóstico individual generalmente no puede funcionar muy bien para STLF, en este documento se presenta un modelo híbrido basado en el modelo ARIMA estacional y la red neuronal BP para mejorar la precisión del pronóstico. En primer lugar, se adopta el modelo ARIMA estacional para pronosticar la demanda de carga eléctrica del día siguiente; luego, utilizando la serie de demanda de carga residual obtenida en este proceso de pronóstico como serie original, la serie residual de seguimiento se pronostica mediante la red neuronal BP; finalmente, sumando la serie residual pronosticada y la serie de demanda de carga pronosticada obtenida por el modelo ARIMA estacional, se obt

• Materias:Ecuaciones diferenciales Dinámica de fragmentación Medios porosos Circuito abierto
• Subjects:Differential equations Fragmentation dynamics Porous media Open circuit
• Palabras claves:Electricidad; Pronóstico de demanda; Pronóstico de carga a corto plazo; Sistemas de energía; Modelo híbrido; Modelo ARIMA
• Keywords:Electricity; Demand forecasting; Short-term load forecasting; Power systems; Hybrid model; ARIMA model