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GM(1,1)的短期负荷预测方法简介

电力负荷系统是典型的灰色系统,电力负荷特性指标的预测具有直接的经济意义.灰色GM(1,1)模型在电力系统负荷预测领域中得到了广泛的应用.通过时GM(1,1)模型做一些改进形成等维新息模型和基于边值条件修正的GM(1,1).实例证明,改进的模型大大降低了预测误差,预测精确度满足了用户的要求.     

基于灰色理论的中长期负荷预测

对负荷预测中的灰色预测方法进行了深入的研究,找出了灰色建模的局限性并提出了改进方法.通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息.经过改进之后的模型,扩展了普通GM(1,1)模型的适应范围,提高了预测精度.利用实例将改进模型与普通GM(1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点.     

改进无偏GM(1,1)模型及其在中长期电力负荷预测中的应用

通过对原始数据序列作开次方运算生成新数据序列的方法,建立了改进无偏GM(1,1)模型.用数值实验研究的方法证明了改进无偏GM(1,1)模型特性优于无偏GM(1,1)模型.将改进无偏GM(1,1)模型用于对太原地区电力负荷进行预测,实际应用的结果也显示改进模型提高了中长期电力负荷预测精度.     

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.     

考虑站网协调的500 kV终端变电站可靠性评估

针对500 kV终端变电站的特点提出一套工程化的可靠性评估方法,将500 kV终端变电站分为500 kV联络线、站内主接线、220 kV电网3个环节进行可靠性评估.基于马尔科夫模型,建立了500 kV终端变电站的全环节可靠性分析模型、方法和指标体系;采用根源分析方法,对500 kV终端变电站的可靠性影响因素进行了分析.最后,以广东电网某500 kV变电站的终端变电站改造方案作为算例进行了可靠性计算分析,验证了算法的实用性;结合算例进一步计算分析了500 kV联络线、主接线型式、220 kV电网网架结构、220 kV电源和负荷分布等因素对500 kV终端变电站可靠性的具体影响.研究表明:500 kV枢纽站改造为终端变电站后,其可靠性水平有所下降;但合理的终端变电站方案仍能够使可靠性满足工程应用要求;500 kV联络线和站内主接线是影响500 kV终端变电站可靠性的主要因素.     

基于改进灰色理论的中长期负荷预测方法研究

中长期负荷预测是配电网规划的必要前提,对于电力系统经济效益和社会效益的提升具有重要意义。针对传统灰色预测模型预测精度低,适用性不强的缺陷,提出了一种基于改进灰色理论的电力系统中长期负荷预测方法。该方法在经典灰色预测GM(1,1)模型的基础上,首先利用三点平滑法对历史数据进行预处理,然后再构建基于等维新息矩阵的GM(1,1)模型,最后利用残差处理方法对预测结果进行修正。基于四川某地区售电量负荷预测的实际算例的仿真结果表明,相比于传统灰色预测模型,本文提出的改进灰色预测方法在预测精度和适用性方面都具有显著优势。     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

基于改进灰色模型的中长期电力负荷预测

针对电力系统负荷预测中灰色建模的局限性,通过对灰色预测方法的大量研究,提出了一种能改进灰色预测的方法。对负荷原始数据序列,再利用滑动平均法进行预处理及优化,从而增强灰色预测对波动负荷数据序列的抗干扰能力。利用改进的GM(1,1)模型对电力系统中长期负荷进行预测,并采用后验差检验法对GM(1,1)模型进行检验。理论分析和实例结果表明,改进后的模型提高了普通GM(1,1)模型的预测精度,扩展了该模型的适用范围。     

基于空穴序列的灰色预测模型及其应用

在实际预测中,原始数据往往呈现空穴序列,无法直接应用传统的基于等间距序列数据的灰色模型对其进行预测.提出直接利用有限的、不连续的观测点数据建立GM(1,1)模型,并利用遗传算法确定模型参数.最后,以某地区的电力系统负荷为算例,分别采用该文直接基于原始空穴序列建模和传统的内插数据后再建模,并将两种模型的预测结果进行了分析比较.结果表明,与传统内插GM(1,1)模型相比较,基于空穴序列的GM(1,1)模型的模型精度和预测精度均较高.     

改进残差GM(1,1)模型在中长期负荷预测中的应用

GM(1,1)模型是中长期负荷预测的一种常用方法。为了解决残差GM(1,1)模型在残差预测值符号判断中存在的问题,提出一种基于朴素贝叶斯法的改进残差GM(1,1)模型。该模型根据历史负荷增长率区间,对负荷增长状态进行划分,统计各个状态下残差正负号出现的个数和各状态前一年份残差正负号个数,然后利用朴素贝叶斯法建立分类器,判断残差预测值符号。将改进模型应用于某县用电量预测中,算例结果表明改进模型能够有效地提高中长期负荷预测的精度,具有一定的实用价值。     

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。     

配电系统不良数据修正方法的研究

对GM(1,1)基本模型中第一个数据不起作用的结论作了全新的简洁的推导,提出了计及第一个数的零加数GM(1,1)模型,提高了原始数据的利用率.在此基础上,结合电力负荷呈连续性和日周期性变化的特性,提出了用于负荷数据修正的零加数GM(1,1)组合预测方法.该方法通过从两个角度选取原始序列进行零加数建模,采用关联度的分析方法,将预测值进行线性组合.实验证明,零加数模型的预测精度优于原始模型的预测精度,且组合预测比单一序列预测在计算精度上有明显的提高.     

基于灰关联加权组合模型的电力负荷预测研究

针对灰色系统理论中的预测模型(简称GM(1,1)模型)不太适于中长期负荷预测的不足,以及由历史负荷数据的不同时段建模形成预测灰区间的特点,提出了灰关联加权组合修正方法。从历史负荷与其拟合数值的灰关联度挖掘出负荷发展的“远、近”趋势,对灰区间值进行加权组合,大大提高了GM(1,1)模型的预测精度。使用该方法对某一地区未来几年的负荷预测得到了较为理想的结果,说明该方法对中长期负荷预测非常有效,弥补了GM(1,1)模型在该领域内使用的缺陷,具有一定的理论价值和实际应用价值。     

基于灰关联分段优选组合模型的短期电力负荷预测研究

针对已有GM(1,1)灰色预测模型在数据波动、突变和转折等不确定情况下预测精度较低的问题,提出一种基于灰关联分段优选组合模型的短期电力负荷预测模型。基于GM(1,1)模型在平滑上升和下降区段预测效果好、而一天的用电负荷可划分为几个峰谷区段的特点,对预测日进行灰关联分段和优选组合,避免出现由于初始条件选择不当而将误差引入模型并被逐步放大的风险;同时,通过组合不同角度GM(1,1)模型,解决负荷的多因素影响。经广西贵港市实际工程验证,本模型预测平均误差在3%左右,预测精度有明显提高,完全可满足该地区短期电力负荷预测的实际要求。     

电力系统中长期负荷预测的新方法

在分析灰色GM(1,1)模型缺陷的基础上,将遗传算法引入GM(1,1)模型中,对其加以改进,提出一种新的灰色预测方法,用以对电力系统的中长期负荷进行预测。通过仿真计算结果验证了该方法的正确性和有效性。     

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。     

基于灰色理论负荷预测的应用研究

灰色预测系统GM(1,1)模型用于负荷按指数增长态势变化时,预测精度较高,但当影响负荷的因素较多、模型灰度较大时,精确度就不够理想。在分析灰色负荷预测模型GM(1,1)的基础上,对模型中的α参数和负荷预测差值建立了修正模型,进而修正负荷预测值,使预测精度得以提高。通过算例进行验证,说明了灰色GM(1,1)模型在某些情况下精度不高的原因,通过修正使预测精度得到较大的提高。     

基于空穴序列的灰色预测模型及其应用

在实际预测中,原始数据往往呈现空穴序列,无法直接应用传统的基于等间距序列数据的灰色模型对其进行预测。提出直接利用有限的、不连续的观测点数据建立GM(1,1)模型,并利用遗传算法确定模型参数。最后,以某地区的电力系统负荷为算例,分别采用该文直接基于原始空穴序列建模和传统的内插数据后再建模,并将两种模型的预测结果进行了分析比较。结果表明,与传统内插GM(1,1)模型相比较,基于空穴序列的GM(1,1)模型的模型精度和预测精度均较高。