灰色GM(1,1)模型在电力系统负荷预测中的应用

研究了灰色GM（1，1）模型及其在电力系统负荷预测中的应用，以实际算例为基础，对预测结果作了分析，得出结论：灰色GM（1，1）模型精度较高，但也存在一定的局限性．     

基于灰色改进模型的电价预测

针对电力市场中的电价预测问题进行了研究。在阐述了灰色模型在电价预测方面的应用后,提出了一种改进灰色模型用于电价预测的方法。通过对原始数据序列的一系列处理和对微分方程求解条件的变化达到预测精度的提高。最后用算例验证了该方法的可行性。     

混凝土结构剩余寿命的预测

基于不同的信息，提出现有混凝土结构剩余寿命预测的四种模型：回归预测模型、灰色预测模型、灰色改进模型和神经网络模型，决策者可根据自己的知识水平、所掌握的信息种类和数量等主客观条件来选用不同的模型进行预测分析和决策制定，为了说明模型的应用，最后分别针对各种模型给出了范例。     

改进的灰色马尔可夫模型在股票分析中的应用

针对经典马尔可夫方法进行预测需要掌握大量数据和原始的灰色GM（1，1）的指数形特征的问题，采用带波动的多项式代替灰色GM（1，1）模型中的指数形曲线，改进了现有的灰色GM（1，1）马尔呵夫模型．利用改进后的灰色马尔可夫模型对股票价格、上证综合指数进行预测，并与经典的灰色GM（1，1）模型和原始的马尔可夫链模型和灰色GM（1，1）马尔可夫链模型3种方法的预测值进行了比较，得到的股票价格与上证指数的预测值精度优于其他3种方法．     

灰色GM(1，1)模型在电力系统负荷预测中的应用

研究了灰色 GM(1,1)模型及其在电力系统负荷预测中的应用,以实际算例为基础,对预测结果作了分析,得出结论：灰色 GM(1,1)模型精度较高,但也存在一定的局限性．     

人工神经网络和灰色预测客运量方法的比较

根据灰色理论、数据序列作累加运算后得到的新数据序列的规律性好于前者，数据曲线变得比以前光滑。因此将以往客流量数据先作累加，然后根据新生成的数据序列，利用人工神经网络方法对未来的客运量进行预测。算例表明，将人工神经网络与灰色模型的运算结果进行比较，可知尽管人工神经网络所需训练数据比灰色模型多，但是其对数据的适应能力和精确性强于灰色模型。最后通过比较几种神经网络模型和传递函数，可知使用BP神经网络和双曲型正切函数，可以较好地用于客运量的短期预测。     

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。     

基于改进GM(1,1)模型的Vb程序实现及其应用

针对传统GM(1,1)模型中权值的取法,提出了自动寻优定权的改进措施。本文介绍了非等时数据的等时内插理论,原灰色模型改进方法及预测精度的评定。利用Vb工具编写灰色模型自动寻优定权程序,得到最优的预测值,并通过与传统模型的预测值相比较,表明滑坡监测数据的预测预报得到了显著提高。算例结果表明利用此种预测方法是有效、可行的,更适合实际环境需要。     

基于改进灰色模型的电力负荷中长期预测

基于电力系统中长期负荷预测的特点,针对常规灰色预测模型存在的不足,提出一种基于数据平滑处理,以及线性回归残差修正的改进灰色预测方法。对某地区算例比较和分析表明,本方法可明显提高中长期负荷预测精度。     

灰色DEA模型及其白化方法

在文献［１］，［２］的基础上进一步研究了灰色ＤＥＡ模型的化问题，给出了几种简便易行的求解方法及算例。     

路面使用性能灰色理论建模方法

对沈阳至大连高速公路路面使用性能灰色模型进行了改进。结果表明 :新建模型的精度明显提高 ,预测效果得到改善。     

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．     

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.     

基于关联分析的多因素电力负荷预测灰色模型群研究

针对目前电力负荷预测受到多种因素的影响,在灰色关联分析的基础上对灰色模型群进行了研究。以河北南网用电量为研究对象,将全社会用电量分为若干子系统,使用灰色关联分析的方法确定主因素变量,利用灰色模型群建模法,从不同方面建立多种预测模型,综合协调各个结果得到更为合理的预测值。     

基于改进的模态分解和组合预测模型的短期负荷预测

短期负荷预测是电网调度计划重要的支撑依据,同时短期负荷预测的预测精度也是电网系统安全稳定运行的基础和前提。文中提出了基于改进的模态分解和组合预测模型(EEMD-组合模型)的预测思想,实现对短期电力负荷的精准预测。首先利用改进的模态分解实现对历史序列分解,挖掘不同频段序列的负荷特性以及与影响因素的关联关系,然后针对不同频段的序列使用不同的预测方法,最终集成整体预测结果,并使用均方根误差和平均相对误差进行测后评价,同时与其他预测模型进行对比。结果表明EEMD-组合模型可以很精准地预测未来负荷变化情况。     

基于缓冲算子和指数修正的优化灰色预测模型的中长期负荷预测

本文对传统的灰色预测模型进行了改进,一方面,为了强化原始数列的大致趋势,减弱异常值的影响,采用了弱化缓冲算子进行了处理;另一方面,也对指数a模型加以优化修正;数值试验表明,改进的灰色预测模型有效地改善了模型预测精度,并扩大模型适用范围,最后对某市2001-2010年间的电力负荷进行了预测.     

倒数累加生成灰色GRM（1，1）模型的改进

GRM(1,1)是适用于非负递减数列的一种灰色预测模型.它通过对原始数据列的倒数累加生成变换及对离散点处灰导数背景值的加权处理,改善了GM(1,1)的模型精度.尝试通过对离散点处灰导数的加权处理,来改进倒数累加灰色模型GRM(1,1)的精度.实例表明,改进的倒数累加灰色模型在模型精度和预测精度上都较原模型有了很大的提高.     

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.     

基于预测模型库关联优化的电力负荷组合预测模型

针对中长期电力负荷同时具有增长性和波动性的二重趋势,基于预测模型库关联优化的电力负荷组合预测模型理论,首先对GM(1,1)模型进行改进,引入修正系数,使得原始序列与新预测值的误差在最小二乘意义下达到最小。然后建立模型库,通过灰色关联分析选取两个关联度最大的预测模型,再对这两个预测模型进行优化组合,得到最优模型。通过实例验证,基于预测模型库关联优化的电力负荷组合预测模型达到了满意的预测结果。