基于初值修正的灰色预测模型的改进及其应用

对CM（1，1）建模的预测精度进行了分析，表明初值的选取对模型的预测精度有着重要影响，进而提出了可以提高预测精度的修正初值的方法．实证分析结果表明通过初值修正能够提高预测模型的预测精度．     

一种改进的弹道预测方法

为了提高弹道预测方法的预测精度,研究了弹道预测方法.通过坐标变换克服地球自转的影响,将弹道导弹无摄运动的轨道参数作为初值,考虑主要摄动力对轨道参数的影响,对轨道参数进行修正;并将再入段看成自由段的延伸,建立了整个被动段弹道预测模型.仿真结果表明,该方法提高了弹道预测精度.     

GM(1,1)模型的改进及其在变形预测中的应用

为了提高GM(1,1)模型预测精度,采用积分优化、二次拟合优化以及残差改化方法,分步对GM(1,1)模型进行改进,建立灰色多重修正模型。具体改进步骤为:首先,利用积分优化方法对背景值进行纠正,减小模型误差并提高预测精度; 接着,对模型参数(发展系数和灰作用量)进行二次拟合优化,使参数更加接近理论真值; 然后,根据预测结果进行适当的残差改化,提高模型整体的预测精度; 最后,建立根据GM(1,1)模型改进的灰色多重修正模型。以重庆南川地区甄子岩崩塌为例,建立灰色多重修正模型对危岩裂缝累计位移值进行模拟和预测,并与GM(1,1)模型进行对比。精度检验结果表明:灰色多重修正模型后验差比值(0.082 39)明显好于GM(1,1)模型(0.192 67),平均相对残差比(0.073 9)更远好于GM(1,1)模型(0.259 6),表明灰色多重修正模型在预测精度上有较大提高,可靠性更好。     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

预测酸雨频率的双残差GM(1,1)模型及其应用实例

目前预测酸雨频率多采用传统的残差GM(1,1)模型 .本文结合最新修正的GM(1,1)模型及二级残差的概念 ,提出一种新的酸雨频率预测模型———双残差GM(1,1)模型 ,并利用该模型对青岛市酸雨频率进行模拟和预测 ,结果表明所建模型较之于传统模型有更高的模拟和预测精度 .     

基于马尔科夫链改进灰色神经网络的水质预测模型

根据汾河运城段的实际情况,应用改进灰色神经网络对水质进行预测.在数据处理以及关联度分析的基础上,选取关联度较高的氨氮、挥发酚、水温、BOD5及COD作为灰色神经网络的输入节点.应用灰色神经网络对水质进行预测,再用马尔科夫修正误差残值,可使修正值更加接近实测值.灰色神经网络的相对误差为68.44%～4.69%,改进灰色神经网络将相对误差为41.96%～2.23%,可见改进神经网络的预测精度更高.改进灰色神经网络模型,结合了灰色神经网络和马尔科夫的优点,提高了预测的精度,并以汾河河津大桥监测断面的水质预测为例,验证了该方法的可行性.     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。     

粗粒度网络流量的灰色模型预测

在实际网络流量上研究了新陈代谢灰色模型(MGM)预测流量. 预测结果表明,灰色模型建模长度远小于流量序列主周期长度时,预测精度较高. 灰色模型预测流量宜采用小量数据建模,此时残差修正对提高预测精度影响很小,预测不需采用残差灰色模型(RGM). 对比了灰色模型与自回归综合滑动平均模型（ARIMA）和Elman神经网络（ENN）模型的预测结果,灰色模型远优于ARIMA,与ENN相当. 灰色模型的优点是能自适应网络流量的变化.     

灰色模型GM(1,1)及其改进模型在短期特殊日电力负荷预测中的应用

讨论了灰色模型GM (1 ,1 )及其改进模型在短期电力负荷预测中的应用 ,采用ARI MA(p ,d ,q)模型与GM(1 ,1 )改进模型对特殊日电力负荷进行组合预测 ,提出了适合电网特殊日电力负荷预测的数据处理方法 ,提高了预测的精度 .准确度可达 95 %以上 ,解决了每日2 4点正点采样情况下预测精度较低的问题 .     

基于残差周期修正的大气环境发展趋势的灰色新陈代谢预测分析

在传统灰色模型的基础上,遵循数据“重近轻远”的原则,运用了灰色新陈代谢GM（1,1）预测模型对我国大气环境发展趋势进行了预测,及时考虑了系统发展过程中的扰动因素,在补充新信息的同时去掉因时间推移使信息意义降低的老信息,比常规的GM（1,1）模型更好的反映出了系统当前的特征。通过预测可以得出,实行节能减排后,二氧化硫、烟尘和工业粉尘排放量分别降低了34．48％、28．61％和38．71％,大气环境质量有明显好转;其次,对残差序列进行分析,并利用残差周期修正对残差序列进行了修正补偿,通过残差检验、关联度检验和后验差检验,得出基于残差周期修正的新陈代谢GM（1,1）模型精度较高,适合于大气环境发展趋势的预测。最后,进行了滚动检验,也称为事后检验,得出滚动精度较高,可信度较大。     

基于模拟退火的Gauss-Newton算法神经网络在短期负荷预测中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Gauss-Newton算法的神经网络预测电力系统短期负荷,并编制了通用程序.在相同的初始条件下,用基于模拟退火的Gauss-Newton算法的神经网络和自适应学习率附加动量法神经网络进行了比较,得出前者的特点和优点:一次性求解权值和偏差,收敛快,精度高,收敛于全局最优解.在算例中,基于人工神经网络的非线性特点进行了负荷预测,通过和真实值的比较说明本方法预测结果精度很高,从而更进一步验证了该方法应用于短期负荷预测的可靠性和优势.     

灰色马尔柯夫预测模型

概要地介绍了灰色系统理论的研究对象，引入了ＧＭ（１，１）灰色预测模型，并将灰色预测与马尔柯夫预测方法相结合建立了一种对ＧＭ（１，１）模型进行了预测物新方法，克服两种预测法的不足，提高了预测精度。最后用一例子说明灰色马尔柯夫预测方法的应用。     

灰色预测模型在电力负荷预测中的应用

方法的选择对电力负荷预测结果至关重要,本文通过对x（1）（1）增加干扰因素β,实现对初始值的优化,较已有研究文献使用x（1）（n）＋β方法更加便于理解,保持运算前后一致,同时,改进背景值的设置。通过实例验证,此方法可以在负荷预测上得到很好的应用,提高预测精度。     

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.     

聚类电价预测方法研究

针对电价变化模式的复杂性,提出了一种基于聚类分析的电价预测模型。该模型将复杂的电价预测问题分解为更简单的子问题求解,首先通过聚类技术将输入空间划分为若干特征更明显的子空间,然后在子空间内分别使用支持向量机进行建模和预测。聚类分析中先应用减聚类算法自动确定聚类数并获取较优的初始聚类中心,然后采用K-均值算法进一步优化。采用美国PJM电力市场历史边际电价数据进行的仿真研究表明,电价预测模型能有效、稳定地提高电价预测精度。     

用遗传算法优化神经网络初始权重的方法

基于遗传算法的全局搜索和BP网络局部精确搜索的特性,通过采用遗传算法优化网络初始权重的方法,将遗传算法和BP算法有机结合,做到了优势互补,并在提高洪水智能预报精度,特别是提高洪峰预报精度的研究中得到了很好的应用。在珠江流域西江洪水预报系统中,以历史水文资料进行检验的结果表明,洪峰时段的预报精度明显高于平水期的预报精度,证明了这种方法的有效性和可靠性。     

基于多尺度小波分解和时间序列法的风电场风速预测

针对目前风电场风速预测精度较低的问题,提出一种基于多尺度小波分解和时间序列法的混合风速预测模型,通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列,然后把分解后的各层序列重构回原尺度,再应用自回归滑动平均模型对平稳时间序列进行预测,最后通过叠加合成得出原始风速序列的预测值。同时在验证时间序列模型有效性与模型选优过程中,采用基于贝叶斯理论的SBC定阶准则,改善了以往模型定阶准则的收敛特性。在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析,结果表明,本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。     

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．