短期风速-风电功率预测方法

传统灰色风速预测模型累加处理时不能预测突变风速,使风电功率预测误差过大.采用数值逼近算法对传统灰色GM(1,1)预测模型进行优化改进,以优化的灰色GM(1,1)预测模型对未来时段风速进行预测,突变风速预测误差降低了34.3％.再将优化风速预测模型和时间序列动态神经网络相结合,构建出风电功率预测模型.应用该模型对酒泉地区某风电场现场数据进行仿真测试,预测效果可信度大于93％.     

用改进GM(1,m)多变量模型预测变压器故障

针对传统GM(1,m)预测模型进行了改进,将原始数据序列进行变换,改变其数据生成方式,使变换之后的数据序列具有更加近似指数的变化性质,满足了灰色模型对序列光滑性的要求,能够进行波动序列的预测。用改进的GM(1,7)预测模型对变压器多种特征气体体积分数进行预测,同传统GM(1,1)和GM(1,7)的预测结果相比其对原始数据序列有良好的逼近效果,表明了模型的有效性。     

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。     

基于改进灰色马尔可夫模型的设备故障率预测

电力设备故障率具有时变性、随机性、回退等特点,预测难度大,因此在灰色GM(1,1)模型的基础上,采用模糊C均值聚类方法对GM(1,1)模型拟合值的误差序列进行状态划分;通过计算误差序列的状态转移概率矩阵,建立了电力设备故障率的灰色马尔可夫预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又计及了通过状态转移概率矩阵的变换提取数据随机波动响应的特点,避免了最大概率状态不为实际状态而出现最差的预测结果现象。通过实例证明,基于模糊C均值聚类的灰色马尔可夫模型预测结果优于传统的GM(1,1)模型和基于K均值聚类的灰色马尔可夫预测模型,具有较高的预测精度。     

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.     

基于改进灰色GM(1,1)模型的轨道电路故障预测

ZPW-2000A轨道电路在保障列车安全运行过程中发挥着重要作用，一旦出现故障将造成不可预估的后果。因此，对轨道电路进行故障预测具有重要意义。本文提出改进的灰色GM(1,1)预测模型对轨道电路红光带现象进行预测分析，解决了传统灰色GM(1,1)预测模型预测精度低、存在一定误差等问题。通过引入弱化因子降低原始数据波动带来的预测误差，并应用矩形法对传统模型的背景权值进行优化，基于遗传算法求得约束条件下的最佳背景参数，得到改进的GM(1,1)预测模型。结合铁路局信号车间采集到的轨出电压数据验证改进预测模型的性能，结果表明，相比于传统灰色GM(1,1)模型，改进后的模型平均相对误差降低了28.3%，具有更高的预测精度和实用价值。     

基于空穴序列的灰色预测模型及其应用

在实际预测中,原始数据往往呈现空穴序列,无法直接应用传统的基于等间距序列数据的灰色模型对其进行预测.提出直接利用有限的、不连续的观测点数据建立GM(1,1)模型,并利用遗传算法确定模型参数.最后,以某地区的电力系统负荷为算例,分别采用该文直接基于原始空穴序列建模和传统的内插数据后再建模,并将两种模型的预测结果进行了分析比较.结果表明,与传统内插GM(1,1)模型相比较,基于空穴序列的GM(1,1)模型的模型精度和预测精度均较高.     

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。     

基于空穴序列的灰色预测模型及其应用

在实际预测中,原始数据往往呈现空穴序列,无法直接应用传统的基于等间距序列数据的灰色模型对其进行预测。提出直接利用有限的、不连续的观测点数据建立GM(1,1)模型,并利用遗传算法确定模型参数。最后,以某地区的电力系统负荷为算例,分别采用该文直接基于原始空穴序列建模和传统的内插数据后再建模,并将两种模型的预测结果进行了分析比较。结果表明,与传统内插GM(1,1)模型相比较,基于空穴序列的GM(1,1)模型的模型精度和预测精度均较高。     

基于组合函数和遗传算法最优化离散灰色模型的电力负荷预测

鉴于传统DGM(1,1)模型建模过程中假定原始数据序列服从近似指数增长规律,且以数据序列的第1个数据保持不变得出预测结果的缺陷,利用组合函数"对数-幂函数"对原始数据进行处理,使其符合灰色预测模型的建模规律,引入遗传算法寻求离散灰色模型初始迭代值的最优解,建立了基于组合函数和遗传算法改进的离散灰色模型。负荷预测案例得出所建模型的平均相对误差(MAPE)为0.892%,而GM(1,1)预测的MAPE为1.580%,DGM(1,1)预测的MAPE为1.343%,证明该改进模型有效提高了预测精度。     

基于灰色预测和重复控制的两电平单相功率因数校正器的研究

采用GM（1,1）模型设计了一种灰色预测,能准确地预测下一开关周期中所需电量,包括交流输入电压、直流输出电压、升压电感电流、升压电感电流偏差和直流输出电压偏差,实现精确控制。将采用开关周期的电压偏差和电流偏差分别与预测电流偏差和输出直流电压偏差相加,实施重复控制,消弱静差和改善动态特性。制订了基于灰色预测和重复控制的两电平功率因数校正的综合控制策略,并进行了试验研究,试验证明了所提方案的正确性。     

基于改进GM(1,1)模型的智能电能表集抄数据二次出账研判

针对智能电能表集抄数据出账存在的若干问题,融合动态初值与新陈代谢建模思想,提出了基于改进GM(1,1)模型的智能电能表集抄数据二次出账研判方法。依次将原始数据序列中数据作为GM(1,1)模型的初值,推断出残差最小所对应的初值,进而可获得使GM(1,1)模型残差最小所需的数据维数,再利用新陈代谢的建模思想,建立改进GM(1,1)模型,将改进GM(1,1)模型应用于首次出账失败的智能电能表集抄数据二次研判,结果表明,相较最小二乘法与传统GM(1,1)模型,改进GM(1,1)模型具有更好的预测精度,更适合智能电能表集抄数据二次出账研判。     

基于灰色模型的多电平逆变器的预测控制

建立多电平逆变器闭环控制的非线性动态行为模型,使用灰色系统理论的灰色模型GM(1,1)建模方法,对多电平逆变器输出信号测量值在线新陈代谢灰色滤波及单步预测,与逆变器的输入给定信号综合得到控制误差,实现多电平逆变器的PID预测控制。仿真与实验结果表明,基于灰色系统模型的多电平逆变器预测控制具有算法容易实现,鲁棒性好等特点,提高了系统的控制品质。     

改进型灰色模型在铅蓄电池失效预测中的应用

铅酸蓄电池作为装甲车辆的启动和辅助电源,其性能状况直接影响着供电系统的安全稳定运行.在对现有铅酸蓄电池灰色预测模型深入分析的基础上,针对GM(1,1)模型要求原始数据序列等时距的局限性,提出了基于拉格朗日插值法等时距优化处理的数据序列的GM(1,1)预测模型,为判断蓄电池是否失效提供依据,避免了传统的容量试验带来的弊端...     

基于灰色预测的静止同步补偿器控制

针对模型参数变化和噪声干扰的静止同步补偿器(STATCOM)单机无穷大系统,提出了一种基于灰色预测的无功电流控制。运用GM(1,1)模型预测下一时刻的无功电流,并根据STATCOM非线性数学模型建立了系统无功补偿电流的控制模型。从而将无功电流灰色预测控制补偿到PID控制中,利用来色系统理论进行预报,具有不必完全知道被控对象结构、参数和特性的优点,这对于像STATCOM这样大型非线性系统的预测控制实现非常有利。仿真结果表明,该方法比传统的PID控制具有更强的跟踪能力和鲁棒性。     

基于改进灰色关联分析单步差拍控制法的APF应用与分析

有源滤波器(APF)的现有控制方法中,传统的差拍控制法虽然具有较好的预测谐波分量的优点,但存在计算量大、灰色预测误差有风险等问题,传统灰色预测方法存在参数选取过于主观的不足。提出一种改进灰色关联分析方法,即采用灰色面积关联分析法确定评价模型的分辨系数,实现关联的整体性,计算出单步灰色预测的谐波电流值;根据APF上一时刻的输出电流和当前时刻开关状态的特点,采用经典电路理论建立差分方程,计算出APF的预测输出电流。通过建立含预测输出电流与预测谐波电流关系的目标函数,得到下一时刻的开关控制模式。仿真结果表明,采用改进灰色关联分析单步差拍控制法的电源电流畸变率下降到2.34%,谐波总含量降低至1.212 3 A,较传统方法降低约0.6%,谐波含量少于其他2种控制方法,预测精度得到提高。     

基于灰关联分段优选组合模型的短期电力负荷预测研究

针对已有GM(1,1)灰色预测模型在数据波动、突变和转折等不确定情况下预测精度较低的问题,提出一种基于灰关联分段优选组合模型的短期电力负荷预测模型。基于GM(1,1)模型在平滑上升和下降区段预测效果好、而一天的用电负荷可划分为几个峰谷区段的特点,对预测日进行灰关联分段和优选组合,避免出现由于初始条件选择不当而将误差引入模型并被逐步放大的风险;同时,通过组合不同角度GM(1,1)模型,解决负荷的多因素影响。经广西贵港市实际工程验证,本模型预测平均误差在3%左右,预测精度有明显提高,完全可满足该地区短期电力负荷预测的实际要求。     

基于改进灰色模型的蓄电池剩余容量预测

蓄电池作为直流系统交流停电时的后备电源,其剩余容量直接影响了直流系统的安全运行。在对现有灰色预测模型进行深入研究的基础上,将遗传算法引入到GM(1,1)模型中,对此加以改进,提出了一种新的基于遗传算法的蓄电池剩余容量灰色预测模型。预测实例表明,基于遗传算法的蓄电池剩余容量改进灰色预测模型比传统的GM(1,1)预测模型具有更高的模型精度,能够满足工程需要。该方法可减少传统的电池容量放电实验次数,从而延长了蓄电池的使用寿命。     

基于离散灰色模型的变压器油中溶解气体浓度预测

油中溶解气体浓度分析被广泛用于监测油浸电力设备的早期故障。将改进灰色模型引入变压器油中溶解气体浓度预测。分析了灰色预测模型GM(1,1)和离散灰色预测模型DGM(1,1)两者之间的关系,讨论了模型预测的准确性和稳定性。分别用GM(1,1)模型和DGM(1,1)模型对变压器油中溶解气体浓度进行建模预测。对比分析结果表明:GM(1,1)模型从离散形式到连续形式的跳跃使得模型不够稳定,随着发展系数的增加,预测精度下降。DGM(1,1)模型是GM(1,1)模型的精确形式,具有更高的预测精度和较好的稳定性,被推荐替代GM(1,1)模型预测变压器油中溶解气体浓度。