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。     

中长期电力负荷的灰色残差修正组合预测

中长期电力负荷走向趋势曲线往往呈S型,直接运用灰色GM(1,1)模型预测会造成较大的偏差。针对负荷曲线固有的发展趋势,根据曲线发展的不同阶段分阶段预测,采用GM(1,1)模型进行第一阶段的预测,采用残差修正模型进行第二阶段的预测。在分阶段预测的基础上,根据每一阶段的预测精度分配权重,进行组合预测。该方法将数据本身发展趋势和模型固有优点相结合,预测结果表明该方法在提高精度上有可行性。     

灰色模型在电力负荷预测中的应用与改进

灰色GM(1,1)模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,当负荷增长曲线不是G型时,其预测误差较大,精度不能满足要求,在实际应用中具有一定的局限性。对灰色GM(1,1)模型进行必要的改进,通过实例分析,利用等维新息递推模型、组合灰色模型进行负荷预测,可大大提高预测精度。     

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.     

基于残差周期修正的灰色电价预测模型

电力市场中的电价曲线具有多周期、跳跃等特性，而呈指数增长的灰色GM(1,1)模型预测误差较大，为此，文章提出了基于残差周期修正的灰色电价预测模型。该模型不仅利用了灰色模型的优点，而且通过原始数据的平滑处理、初值条件的改进以及残差周期修正使预测曲线波动起来，使拟合曲线更加接近原始数据，大大提高了模型的预测精度。算例结果验证了该方法的可行性。     

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。     

改进的GM(1,1)模型在配电网日负荷预测中的应用

灰色预测法常用GM(1,1)模型,当负荷波动较大时,该模型预测精度较低。针对周期性波动较大的日负荷提出了一种基于等维新息的改进灰色预测模型,即"滑动平均—反双曲余弦"模型。该模型对等维更新的数据做预处理,充分利用预测新息降低灰度,提高离散数据的光滑度,从而提高预测精度。通过两个典型的实例介绍了改进灰色预测模型在日负荷预测中的应用。结果表明该模型能够改善预测效果。     

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.     

具有白指数律重合性的改进GM(1,1)负荷预测

针对传统灰色模型的建模机理和存在的局限性,提出了改进方法。首先对原始负荷数据序列应用对数处理的数据预处理方法,减小了序列的级比偏差,然后将具有白指数律重合性的预测方法引进负荷预测,解决了发展系数较大时不能用的禁限,最后对负荷预测差值进行适当阶次的对数处理,建立了局部残差处理模型。通过实例分析表明该方法较普通GM(1,1)模型具有更高的精度。     

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.