基于灰色GMDH网络组合模型的风速预测

风电场风速具有较大的间歇性和波动性,其预测精度有待提高。针对这一问题,文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。     

基于改进灰色模型的江苏省发电量预测研究

针对传统灰色预测GM(1,1)模型在实际应用中存在预测精度不高或精度通不过检验的问题,基于2000～2009年江苏省发电量数据,采用改进的灰色预测GM(1,1)模型预测了江苏省2000～2009年发电量,并与传统灰色预测GM(1,1)模型的预测结果进行比较。结果表明,改进的灰色预测GM(1,1)模型显著提高了原始数据序列的光滑度,预测误差远低于传统灰色预测GM(1,1)模型,进而预测了江苏省2015、2020年的发电量,对江苏省制定电力发展规划具有重要的参考意义。     

改进的GM(1,1)模型在西安市用水量预测中的应用

针对近年来西安市用水量变化的特点,采用改进的GM(1,1)模型用于用水量预测,并与传统的GM(1,1)预测模型进行了比较.结果表明,改进的GM(1,1)模型可取得较好的预测结果.     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网，由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度，首先建立了ARMA模型，利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应，从而建立ARMA-ARCH模型；其次建立BP神经网络预测模型；最后分别以固定权和时变权方差-协方差（MV）法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性，分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明：组合预测模型的预测结果更优，且时变权组合预测精度更高；对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型，而ARMA模型的预测精度最低。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

改进的灰色线性回归组合模型在大坝变形监测中的应用

针对传统的灰色线性回归组合模型要求原始数据序列为单调递增的缺陷,以小湾拱坝某测点的径向位移为例,分别采用两种改进的原始数据二次累加生成法和绝对值法建模进行拟合和预测,并与实测值进行比较。结果表明,绝对值法模型精度较高,更接近于实测值。     

改进灰色模型在电力负荷预测中的应用

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，导致对某些变化规律的负荷预测误差较大，精度不能满足要求，在实际应用中具有一定的局限陛。对灰色GM（1，1）模型进行必要的改进，利用等维新信息递推模型进行负荷预测，通过实例分析表明，可提高预测的精度。     

过热汽温多模型灰色自适应预测控制

针对单一模型的控制算法往往存在鲁棒性差的问题.提出一种应用多模型的自适应模糊控制器.利用过程灰色预测模型,建立以预测误差和预测误差变化率为输入的二维预测模糊控制器.并根据状态引入灰色预测模型步长的模糊决策机制,改善控制性能.     

基于IFOA-GNN的土石坝施工期位移预测模型

有效预测土石坝施工期的位移对大坝安全运行具有重要意义。针对基于智能学习的大坝位移预测模型存在的不足,提出了一种基于改进果蝇算法(IFOA)与灰色神经网络(GNN)相结合的土石坝位移预测模型,即通过改进的果蝇算法迭代调整灰色神经网络的权值和阈值,得到全局最佳的初始化参数,将其结果输入灰色神经网络,并将其应用于某土石坝施工期位移预测。结果表明,该预测模型预测精度高、预测结果稳定,且精度及稳定性均优于灰色神经网络模型(GNN)和果蝇算法与灰色神经网络(FOA-GNN)预测模型。     

基于灰色组合模型的浙江省需水量预测

针对传统需水量预测模型存在的不足,将GM(1,1)模型和灰色Verhulst模型相结合,构建了灰色组合模型,并对模型采用残差和权重分配相结合的二次修正方式进行修正,在分析浙江省1998~2012年用水现状的基础上,利用二次修正后的灰色组合模型预测了2013~2020年浙江省的用水情况。结果表明,在未来的一段时间内,浙江省的需水量增长会逐步加快,尤其体现在居民生活用水和工业用水上。因此,做好工业生产节水工作,加快产业结构调整是今后工作的重点。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性，改善预测结果，提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中，采用Levenberg-Marquardt算法对参数迭代过程进行优化；在灰色预测模型中，采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势；在回归预测模型中，采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证，并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内，具有一定的工程实用价值。     

基于最小二乘法及信息熵的短期水文预报组合模型的比较

为探讨组合预报中平均加权法的实用性,以三峡流域宜昌站为例,建立了基于最小二乘法和信息熵理论的两种径流组合预报模型,并将组合预报结果与原单一模型的预报结果做了对比,选取具有代表性的预报精度评定指标检验预报精度。结果表明,两种组合预报模型均显著改善了预报精度评定指标,提高了短期水文预报精度,突破了传统单一水文预报模型的局限性,实际应用时可根据预报精度评定的侧重点选择合适的组合预报模型。     

基于改进经验小波变换和最小二乘支持向量机的短期风速预测

针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。     

改进的灰色理论在短期负荷预测中的应用

针对短期负荷预测问题，以减少预测模型复杂度和提高预测精度为目的，提出了一种改进的灰色理论预测方法，并与传统GM（1,1）方法进行了对比。仿真算例结果表明，该方法预测精度较优，具有较好鲁棒性，适用于短期负荷在线预测。     

城市用水量组合预测模型及其应用

针对城市用水量时间序列包含逐步增长趋势、季节性趋势及不确定性的非线性波动特点,单一预测模型往往很难充分反映原始数据中全部的有效信息,结合季节性时间序列模型(SARIMA)和BP神经网络二者优点,构建了一种新型的组合预测模型,对上海市用水量进行不同时间尺度的预测。结果表明,在不同时间尺度上组合预测模型均比单一预测模型精度高、预测质量稳定。     

基于功率预测的风力机健康状态监测

随着风力发电的广泛应用,对风力机健康状态进行准确监测的重要性日益凸显,为此提出了一种基于风力机功率预测的健康状态监测方法,即结合多项式模型和自回归模型特点,考虑风速与风力机输出功率之间的相关性和滞后性,利用改进非线性自回归模型对某风场风力机输出功率进行预测,并将预测结果与传统灰色模型、BP神经网络模型预测结果进行对比,计算与实测数据之间的误差。最后,选取功率预测系数中变化较为稳定的系数项作为观测系数,通过标准残差法确定异常观测系数反推风力机健康状态。分析结果表明,改进非线性自回归模型预测值与实测数据较为接近,趋势较为吻合。相比于传统灰色模型、BP神经网络模型,改进非线性自回归模型预测误差较小,精度较高。可见通过分析功率预测系数变化能够及时发现风力机健康状态变化,为故障发现提供参考。     

A trigonometric grey prediction approach to forecasting electricity demand

Electricity demand forecasting plays an important role in electricity systems expansion planning. In this paper, we present a trigonometric grey prediction approach by combining the traditional grey model GM(1,1) with the trigonometric residual modification technique for forecasting electricity demand. Our approach helps to improve the forecasting accuracy of the GM(1,1) and allows a reasonable grey prediction interval to be obtained. Two case studies using the data of China are presented to demonstrate the effectiveness of our approach.     

唐家山滑坡坝溃坝洪水数值模型研究

以唐家山滑坡坝为例,通过分析唐家山滑坡坝及堰塞湖的基本特征,获取溃坝洪水数值模型的输入参数,并根据唐家山滑坡坝的物质组成及地质结构特征对选定的BREACH模型中的竖向冲蚀公式和线型参数Br进行改进。同时应用原模型及改进模型预测唐家山滑坡坝溃坝洪水的峰值流量、峰值段持续时间、总泄洪量等水力学参数,并将两模型的预测值与实际观测值进行对比,结果表明改进模型的预测精度明显提高。对改进模型的主要参数进行敏感性分析,发现坝体物质的孔隙率为最敏感参数。这为类似滑坡坝溃决的水力学参数预测提供了参考。     

熵权法并联组合建模在径流预测中的应用

针对径流预报的具体特征和相关问题,建立了多元时变灰色预测模型,并基于信息熵原理,用熵权法将多元时变灰色预测模型、非时变的免疫神经网络模型、最小二乘支持向量机模型三者进行并联组合集成建模,以充分发挥多种模型各自优点且相互补充,并将此组合模型应用于新疆伊犁河雅马渡水文站的年径流预测。结果表明,与三个单项模型的预测结果相比,并联组合预测模型更合理、普适和可靠。