基于灰色神经网络与灰色关联度的中长期日负荷曲线预测

用电结构变化和经济发展会深刻影响中长期的日负荷特性.采用加权平均法确定归一化之后的预测年基准曲线,利用非常适于少数据、多因素预测问题并具有高度非线性拟合特性的灰色神经网络,对中长期日负荷曲线的日特征参数进行预测,其中考虑了经济发展、用电结构的影响;并利用粒子群算法对灰色神经网络的参数进行初始化,以提高网络的全局搜索性能.引入灰色绝对关联度描述曲线的相似特性,基于日负荷特征参数约束,通过所构建的非线性规划模型进行中长期日负荷曲线预测.选用江西电网2006-2015年各季度日负荷数据进行测试,结果表明本方法具有较高的预测精度.     

基于GMDH的中长期电力负荷组合预测模型

组合负荷预测模型能够充分利用数据信息,有效降低预测风险、改善预测效果,在中长期负荷预测中获得了广泛应用。而目前的组合预测模型实质大都为单一预测模型的加权平均,没有能够充分发挥综合预测的优势.应用数据分组处理方法（GMDH）进行组合预测,在充分考虑各单一模型特点和预测效果的基础上,形成多元非线性组合预测模型,自动从数据中挖掘出重要信息,克服了传统组合预测模型建模中的主观因素影响,可以改善预测精度。并将该预测模型应用于实际电网,计算结果表明该模型有效提高了预测精度,适用于中长期负荷预测.     

优化灰色模型在中长期电力负荷预测中的应用

论述了用优化灰色理论进行电力系统中长期负荷预测的建模过程。通过对原始负荷数据的预处理,把有起伏特性的原始数据序列,变成性强的序列,再利用改进的ＧＭ（１,１）模型进行预测,可以大大提高预测精度和灰色方法的适应范围,而且简捷实用。经实验算例校核证明,该方法可以作为中长期电力经实际算例校核证明,该方法可以作为中长期电力负荷预测的理想工具。     

基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

组合优化灰色模型在中长期电力负荷预测中的应用

鉴于中长期负荷预测受很多不确定因素的影响，各种预测方法都有其局限性的问题，在分析基本灰色模型及其传统改进模型在负荷预测中局限性的基础上，提出了一种电力系统中长期负荷预测的实用新方法——组合优化灰色预测法.该预测法是一种对残差改进灰色模型(GM)和基于等维新息递补预测法的改进灰色模型进行优化的组合方法，能够实现在线预测模型参数，满足动态电力负荷能解决随机干扰影响的要求，最终的预测结果误差可基本控制在3%之内. 经过实例计算，组合优化灰色预测模型用于中长期电力负荷预测，与传统的系统理论方法相比较，该方法计算简捷，预测精度高，具有很好的实用性.     

基于模糊划分聚类的中长期用电量预测

将模糊划分聚类理论应用中长期用电量预测,依据模糊聚类、模糊模式识别、类别变量特征值,与概率统计相关分析等模型,建立类别变量特征值与预测对象之间的相关关系,利用此相关关系进行负荷预测。实践表明,此方法具有较高的预测精度,能较好地适应不同地区的负荷特性。     

基于饱和负荷密度的城市远景空间负荷预测

针对城市中长期发展过程中的电网规划问题,提出一种基于饱和负荷密度的城市远景空间负荷预测方法.基于粗糙集和元胞自动机理论模拟城市不同类型的用地动态变化过程,根据不同用地类型的土地转换规则预测规划区域内未来的土地使用类型及面积变化;基于logistic饱和负荷预测模型预测出不同用地类型的饱和负荷密度曲线;最终根据不同用地类型的饱和负荷密度曲线及面积预测出城市远景空间负荷分布,并通过案例验证所提出方法的有效性,为城市空间负荷预测的研究提供了理论参考.     

改进灰色模型在中长期电力负荷预测中的应用

针对中长期电力系统负荷预测,在前人已有成果的基础之上,对普通灰色模型进行了改进.一方面对历史数据进行二次平滑处理,大大消除了干扰因素;另一方面利用带有马尔可夫链符号估计的残差修正技术对未来残差的符号进行预测以修正灰色模型的预测结果.以某地区多年以来的历史数据为基础,建立了数学模型,通过实际数据计算表明:改进后的灰色负荷预测方法可以应用于电力系统中长期负荷预测,而且较普通灰色预测模型在预测精度上有着明显的提高,尤其是对于较远时间的负荷预测有着较为理想的预测精度,表明了该种方法的有效性和实用性.     

计及季节与趋势因素的综合能源系统负荷预测

针对复杂影响因素下综合能源系统月度负荷预测精度低的问题,提出基于时间序列特征分解的月度负荷预测模型.利用时间序列分解方法将负荷数据分解为季节分量、趋势分量与随机分量,根据各分量随时间变化的特性,分别采用向量自回归模型、最小二乘支持向量回归与平均值法进行预测.各分量预测结果的投影重构值作为月度负荷的预测值,并考虑了季节拐点与区域经济因素对月度负荷的影响.实例分析证明该方法能够有效提高综合能源系统的月度负荷预测精度.     

单位产品成本变动综合分析模型

用增量分析方法推导出单位产品成本变动率分析模型。该模型具有较强的综合性，能用来分析、预测单位产品成本变动趋势等。