自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比标准粒子群优化算法效率更高的自适应粒子群优化算法,并与GM(1,1)模型相结合,利用自适应粒子群算法求解GM(1,1)模型中的参数a和u,提出一种自适应粒子群优化灰色模型.通过对四个地区的用电量进行实例仿真,证明该模型具有较广的适用范围和较高的预测精度.     

灰色BP神经网络模型的优化及负荷预测

为了提高样本数据较少情况下中长期负荷预测的预测精度,分析了传统GM（1,1）预测模型的缺点,提出了一种适用于中长期负荷预测的GM（1,1）优化建模方法。用一个与GM（1,1）模型的时间响应式具有相同形式的连续函数,拟合灰色系统的原始离散数据,将连续函数映射到神经网络,构建了GM（1,1）模型的灰参数与BP网络权值的对应关系。用已知负荷作为训练样本,利用BP算法对网络进行优化,当网络收敛时,提取优化的灰参数,实现了应用GM（1,1）模型对中长期负荷预测的优化建模。算例分析结果表明该方法是可行且有效的。     

地区供电公司日前购售电计划的联动优化模型

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。     

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。     

灰参数GM(1,1)模型及其在电力负荷预测中的应用

传统的GM(1,1)模型在参数a的绝对值较小的情况下近期负荷预测精度较高,远期负荷预测往往误差较大,这一定程度上是由于参数a在整个预测过程中保持不变而造成的。本文将参数a看作是具有灰色特性的灰参数,提出了灰参数GM(1,1)模型,并将该模型运用于中长期电力负荷预测的实例中,取得了较好的结果。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

基于双向差分建模的优化GM(1,1)模型及其在中长期电力负荷预测中的应用

针对电力负荷预测,论述了一种基于双向差分计算的GM（1,1）建模方法,采用向前差分与向后差分建模的拟合误差平方和最小的原则进行参数估计。为了进一步提高GM（1,1）模型的拟合及预测精度,利用拟合值和原始值误差平方和最小的原则对预测模型的初始值进行了优化,摆脱了原有模型的初始值必经过历史数据中的某一点的束缚。以太原地区电力负荷和重庆地区的农村用电量为例,采用了几种典型GM（1,1）模型进行了拟合和预测对比分析,结果表明所提出的优化GM（1,1）模型的拟合、预测精度更高,适应性更强。     

灰色遗传算法模型在短期电力负荷预测中的应用

针对灰色GM（1,1）模型用于电力负荷短期预测不能有效反映负荷周期性变化及精度不高的问题,将GM（1,1）模型推广为GM（1,1,λ）模型,并用遗传算法求解λ的最佳值,同时将该模型应用于河南某电网未来24h负荷实际预测。结果表明,基于遗传算法的GM（1,1,λ）模型具有较高的预测精度,预测效果显著。     

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。     

重庆地区中长期负荷特性和预测方法研究

对于存在多个影响因素的中长期电力负荷,采用常规灰色模型GM（1,1）进行中长期预测不能获得较好的预测精度。提取了中长期负荷主要影响因素之一的生产总值和年总用电量建立了多变量灰色预测模型MGM（1,2）。为进行比较分析,同时还建立了常规灰色GM（1,1）模型。预测结果显示,多变量灰色模型MGM（1,2）的预测精度优于常规灰色模型GM（1,1）。     

粒子群优化的灰色模型在中长期负荷预测中的应用

针对GM(1,1)模型的局限性及在负荷预测中存在的问题,提出了一种基于粒子群优化的灰色模型.粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化灰色模型的背景值及初始值修正值,能较好地提高电力系统中长期负荷预测的精度.在虚拟仪器LabVIEW平台上进行仿真,验证了所提方法的有效性.     

基于SCGM(1,1)的三种负荷预测模型及其组合

振动法故障诊断是近年来兴起的变压器故障诊断新方法,正成为常规法故障诊断的有力补充,在大型变压器故障诊断中发挥着越来越重要的作用。对振动法故障诊断的原理、作用、技术要求等方面进行了分析,结合相关电力规范提出了振动法故障诊断的要点,并阐述了振动法故障诊断在今后一段时期内发展趋势及值得关注的若干问题。     

基于灰色理论的航空铅酸蓄电池剩余容量预测

分析了蓄电池剩余容量预测技术的难点,针对蓄电池剩余容量存在随温度、电解液浓度等外部条件而产生周期性变化的特点,提出了新陈代谢GM(1,1)预测模型。通过将新信息GM(1,1)模型和新陈代谢GM(1,1)模型对比,分析误差,并通过计算机实际模拟证明,新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测可靠程度,从而实现蓄电池剩余容量的精确预测。     

基于改进GM(1,1)模型的智能电能表集抄数据二次出账研判

针对智能电能表集抄数据出账存在的若干问题,融合动态初值与新陈代谢建模思想,提出了基于改进GM(1,1)模型的智能电能表集抄数据二次出账研判方法。依次将原始数据序列中数据作为GM(1,1)模型的初值,推断出残差最小所对应的初值,进而可获得使GM(1,1)模型残差最小所需的数据维数,再利用新陈代谢的建模思想,建立改进GM(1,1)模型,将改进GM(1,1)模型应用于首次出账失败的智能电能表集抄数据二次研判,结果表明,相较最小二乘法与传统GM(1,1)模型,改进GM(1,1)模型具有更好的预测精度,更适合智能电能表集抄数据二次出账研判。     

基于最小一乘法的GM（1,1）模型及在负荷预测中的应用

为克服传统GM（1,1）模型中利用最小二乘法估计参数存在的不足,改善GM（1,1）模型在有突变情况下的中长期负荷预测中的精度,提出了利用最小一乘法估计GM（1,1）模型参数的方法。在GM（1,1）建模过程中,以误差绝对值之和最小为优化目标,针对目标函数不可导的特点,利用线性规划对模型的参数进行估计。对某中长期负荷进行预测,并与传统的GM（1,1）模型进行对比分析。结果表明,所提方法预测精度更高。该方法发挥了最小一乘法受奇异值影响小,稳健性好的优点,避免了利用最小二乘法估计GM（1,1）模型参数存在的不足,是有突变情况下的中长期负荷预测的有效方法。     

基于灰色模型的多电平逆变器的预测控制

建立多电平逆变器闭环控制的非线性动态行为模型,使用灰色系统理论的灰色模型GM(1,1)建模方法,对多电平逆变器输出信号测量值在线新陈代谢灰色滤波及单步预测,与逆变器的输入给定信号综合得到控制误差,实现多电平逆变器的PID预测控制。仿真与实验结果表明,基于灰色系统模型的多电平逆变器预测控制具有算法容易实现,鲁棒性好等特点,提高了系统的控制品质。     

基于GM(1，1)与BP神经网络的综合负荷预测

针对电力负荷预测中的单一预测模型存在的局限性,提出基于BP神经网络和GM(1,1)的残差修正组合模型。通过算法组合的方式进行系统建模,从而提高负荷预测模型的精度。首先通过GM(1,1)模型进行预测,得到灰色残差序列,利用灰色残差序列建立BP残差修正模型,利用该模型进行残差预测,最后将残差修正值和GM(1,1)模型预测值进行叠加得到最终所需的负荷预测值。利用该模型对某地区进行仿真实验,结果表明该修正模型具有较高的预测精度和实用性。     

改进型灰色模型在铅蓄电池失效预测中的应用

铅酸蓄电池作为装甲车辆的启动和辅助电源,其性能状况直接影响着供电系统的安全稳定运行.在对现有铅酸蓄电池灰色预测模型深入分析的基础上,针对GM(1,1)模型要求原始数据序列等时距的局限性,提出了基于拉格朗日插值法等时距优化处理的数据序列的GM(1,1)预测模型,为判断蓄电池是否失效提供依据,避免了传统的容量试验带来的弊端...     

灰色神经网络模型GNNM(1,1)在城市年用电量预测中的应用

针对城市电力系统年用电量增长的特点，将灰色神经网络模型GNNM(1，1)引入城市年用电量预测。GNNM(1，1)模型是把灰色方法与神经网络有机结合起来，对复杂的不确定性问题进行求解所建立的模型。该模型通过建立一个BP网络，来映射GM(1，1)模型的灰色微分方程的解。GNNM(1，1)模型采用BP学习算法，网络经训练收敛后就可进行城市年用电量预测。算例计算表明，与灰色预测方法相比，GNNM(1，1)模型具有更强的适应性和更高的预测精度，适用于城市年用电量预测。