城市燃气小时负荷预测模型的研究

城市燃气小时负荷的预测对于保证管网用气量，进行管网的优化调度，设备维修具有极其重要的意义。应用人工神经网络理论和灰色预测理论中的等维新息建模思想，建立了既反映燃气负荷周期性增长趋势，又包括天气，气温等非线性影响因素在内的燃气小时负荷预测模型。通过改进BP算法，对哈尔滨市燃气管网系统的小时用气量进行了预测，所建立的模型收敛速度快，精度高。     

考虑修正因素的多重相关短期负荷预测

考虑修正因素的多重相关短期负荷预测艾欣，李秀卿（东北电力学院电力工程系，吉林１３２０１２）为了保证电力系统的安全、经济运行，须掌握负荷变化规律和未来的变化趋势，以１小时为间隔的２４小时负荷预报是电力系统调度管理部门制定开停机计划及在线安全分析的基础，...     

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.     

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.     

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.     

无偏灰色模型在电力负荷预测中的应用

为了提高电力负荷预测的准确度，应用无偏灰色预测模型对电网用电量进行了预测，在对无偏灰色模型特性进行了分析的基础上，与传统灰色预测模型进行了对比．理论分析和实例计算均表明，在指数趋势时间序列条件下无偏灰色预测模型较传统灰色预测模型性能优越，相对误差可降低到1％以内，适合在电力负荷预报中推广应用．     

电力系统负荷预测的周期性可调灰色模型

本文针对电力系统负荷变化的不可控性和周期性,通过采用Census Ⅱ分解方法分析季节因子,与历史负荷相比较,得到一系列长期趋势项,然后用可调灰色模型对分离出的长期趋势项进行预测,并用二分法调整u,v的取值,使得误差最小.将预测出的季节因子与长期趋势项重新组合,就得到日用电量的预测结果,实例表明,本系统对于呈周期性变化的电力负荷具有较好的预测效果.     

改进的离散灰色模型在中长期负荷预测中的应用

将离散灰色模型（DGM）引入到负荷预测中来解决负荷增长速度过快时预测精度变差的问题．通过研究灰色预测中存在的初值敏感性问题以及原始数据的预处理问题,对离散灰色预测模型进行改进．通过典型的实例研究离散灰色模型及其改进模型在中长期负荷预测中的应用．结果表明,离散灰色模型在中长期负荷预测中是适用的,且它的改进模型在实际预测中具有更高的预测精度．     

基于灰色理论的城市燃气负荷预测

城市燃气负荷与城市工业发展,城市人口等因素密切相关,由于传统的城市燃气负荷GM(1,1)预测模型仅与历史数据有关,预测结果并不能真实反映燃气负荷在未来的变化趋势.应用灰色GM(1,N)模型,将工业产值和城市人口两个因子引入燃气负荷预测模型,建立一个一阶3个变量的灰色GM(1,3)模型,进行预测.实例预测计算结果表明该模型能够准确预测城市燃气负荷,而且该模型考虑了影响燃气负荷的主要因素,使得预测模型和结果更为合理.     

一种计及横向误差校正的短期负荷预测方法

负荷预报模型由于只能对负荷规律性进行有限描述而在建模域中存在建模误差,在预报域中,与建模误差具有相同统计特性的误差分量就会延续到预报误差中。将频谱分析预测方法与基于灰色理论横向误差校正方法相结合,由频谱分析预测方法进行纵向预测,利用预测时刻之前的整点时刻负荷预测的误差来建立灰色理论模型进行负荷预测的横向误差校正,并对灰色校正模型分点的判断方法作了改进,所提方案在短期负荷预测中的性能良好。     

基于模糊聚类和灰色关联分析结合的负荷预测

训练样本的合理选择是影响神经网络负荷预测精度的重要因素。为了选择出适量而且典型的样本,采用模糊聚类将历史负荷数据分为若干类,再利用灰色关联分析法确定各类与预测时刻负荷模式的相关度,选择关联度最大的一类,通过L-M算法对24个整点时刻分别建立BP网络预测模型,并与常用方法选择的样本训练网络得到的结果进行了对比,测试结果证明了本文所提方法的有效性。     

Novel grey forecast model and its application

The advancement of grey system theory provides an effective analytic tool for power system load forecast. All kinds of presently available grey forecast models can be well used to deal with the short-term load forecast. However, they make big errors for medium or long-term load forecasts, and the load that does not satisfy the approximate exponential increasing law in particular. A novel grey forecast model that is capable of distinguishing the increasing law of load is adopted to forecast electric power consumption (EPC) of Shanghai. The results show that this model can be used to greatly improve the forecast precision of EPC for a secondary industry or the whole society.     

电力系统负荷预测的可调灰色模型及其应用

本文对电力系统负荷预测的普通灰色模型进行了可调性改进,成为可调灰色预测模型,减少了建模的限制条件,应用范围更加广泛,可以控制、调整预测结果,使精度提高。文中对江苏省无锡市电力负荷使用四种预测方法比较,从理论和应用两方面证实了可调灰色模型明显的实用性。     

抚宁县电力负荷的中期预测

根据秦皇岛市抚宁县 1992～ 2 0 0 1年 10a的实际用电量数据 ,采用灰色GM(1,1)模型对未来 10a的用电量进行预测 .因未通过关联度校验和后验差检验 ,故提出了灰色指数平滑预测方法 ,先对原始数据序列进行一次指数平滑 ,然后再建立灰色模型 .经检验模型合格 ,同时提高了预测精度     

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。     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

复合地基承载力的灰色预测

将复合地基静载荷试验确定承载力问题作为一个灰色系统,根据灰色系统理论的GM（1,1）及新陈代谢GM（1,1）预测模型,提出了一种利用实测的前几有静载荷－沉降曲线预测其未来变化的方法,为信息化静载荷试验提供了一个计算工具,该方法的准确性是令人满意的。     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。