共查询到16条相似文献,搜索用时 93 毫秒
1.
灰色GM(1,1)模型及其在电力负荷预测中的应用 总被引:6,自引:0,他引:6
讨论了灰色模型GM(1,1)及其改进模型在电力负荷预测中的应用.从灰色理论建模特点出发,提出使用加权均值生成原始数据序列的数据生成方法,在进行平滑的非负电力负荷数据序列的预测中取得了较好的效果.通过后验差检验,对传统的灰色系统GM(1,1)模型和加权均值的GM(1,1)模型进行了比较分析.实例证明,加权均值生成数据的方法进行建模具有较好的精度,在实际电力预测系统中有很好的应用价值. 相似文献
2.
针对灰色GM(1,1)模型不适合中长期电力负荷预测的特点,对其进行了改进,提出一种新的模型:具有参数修正的灰色关联度加权组合预测模型。在此模型中采用数据分段预测,同时,为了防止预测数据增长过快,误差过大,对每个分段模型进行了参数修正,然后对修正后模型的预测数据进行加权组合,这样,不仅使影响负荷的某些因素能够相互抵消或削弱,同时又能阻止预测数据过快增长,使预测更准确。通过对某个地区的负荷进行预测,验证了此模型的有效性,取得了很好的预测结果,具有一定的理论和应用价值。 相似文献
3.
4.
5.
灰色预测技术是灰色系统理论的重要分支之一。 分别从灰生成技术、边值条件的改进、背景值的改进、模型参数估计方法改进、残差序列的优化、综合优化6个方面对近年来灰色预测模型中的GM(1,1)模型优化研究现状进行了比较全面的介绍,同时也对灰色GM(1,1)预测模型未来的发展方向提出了一些建议。 相似文献
6.
通过对已知信息对未知信息进行分析预测,构造矩阵模型,并对矩阵建立数学模型,分析预算结果,并改进数据模型,通过对改进前后模型的研究对比发现。改进的模型在精度级别、均方差有效的提高,通过实验数据分析,灰度理论在企业未来的生产和决策过程中有重要的依据。 相似文献
7.
8.
分数阶离散灰色GM(1,1) 幂模型及其应用 总被引:1,自引:0,他引:1
针对GM(1,1)幂模型时间响应式由离散估计到连续预测所存在的固有误差,建立离散灰色GM(1,1)幂模型,并将该模型扩展为分数阶离散灰色GM(1,1)幂模型;以最小化平均相对误差为目标、参数之间的关系为约束条件,构建关于序列累加阶数和幂指数的优化模型,并运用量子遗传算法确定模型的最优累加阶数和幂指数。通过对高速公路地基沉降和中国高新技术产业R&D发展两个实例的预测结果表明,分数阶离散灰色GM(1,1)幂模型具有良好的建模精度。 相似文献
9.
针对传统GM(1,1) 幂模型不具备幂指数律重合性的问题, 分别从灰导数和背景值两个方面改进GM(1,1) 幂 模型的灰色微分方程, 提出了两种具有幂指数律重合性的GM(1,1) 幂模型并从理论上加以证明. 通过变换将两个具 有幂指数律的灰色微分方程转化成完全一致的形式, 在此基础上进行参数估计. 数值模拟和应用实例表明, 具有幂指 数律重合性的GM(1,1) 幂模型能够有效地提高模型的模拟和预测精度.
相似文献10.
为了对巡航导弹的距离进行预测,建立了GM(1,1)模型,详细介绍了建模和计算预测值的过程.采用等维灰数递补动态预测的预测方法,对预测模型的可行性进行了分析,提出了对巡航导弹预测建模的原则,并进行了示例分析,用预测值和实际值进行了误差检验,并对模型精度进行了分析.建模和计算结果表明,该模型和方法对巡航导弹的距离进行预测,计算精度高且运算速度快. 相似文献
11.
为了进一步增强灰色预测模型对原始数据的适应能力,提出一种时变参数GM(1,1)幂模型,通过引入多项式函数描述GM(1,1)幂模型的结构参数随时间的动态变化规律。根据建模样本量的不同,分3种情形给出了模型的参数辨识算式,同时给出了时变参数GM(1,1)幂模型白化方程的解析解,利用积分复合梯形公式将其转化为可用于预测的离散时间响应式,并提出了参数优化方法。应用实例表明,时变参数GM(1,1)幂模型比固定参数GM(1,1)幂模型具有更高的模拟和预测精度。 相似文献
12.
基于新息GM(1,1)的故障诊断预测 总被引:3,自引:0,他引:3
故障诊断预测随着设备结构的复杂性、运行环境的独特性和诱发故障的多源性而变得愈发困难,因此,利用新的科学理论对故障诊断预测方法进行了探索.基于灰理论建立的新息GM(1,1)模型能够及时更新数据,用最新数据替换老数据建立的等维新息模型,能够保证原始数据对模型的作用,使模型更能反映实际.实例计算分析表明:模型样本需求量小、计算简单,能动态地反映出系统的时变特性,有效提高预测精度.该方法应用于故障诊断预测,能够及早判明故障的发展趋势及其危害程度,避免灾难性事故发生,维护设备安全长周期运行. 相似文献
13.
14.
15.
为改善模型预测性能,提出一种GM(1,2)预测新模型.根据模型定义式直接推导获得模型预测值递推表达式,应用粒子群算法对递推表达式参数进行辨识.典型算例表明,新模型收敛速度快,较普通及文献中改进GM(1,2)模型具有更高的预测精度. 相似文献