基于BP神经网络的灰色自记忆径流预测模型

提高径流预测精度在于对有限径流序列所包含的信息进行充分挖掘.针对灰色、灰色自记忆建模中存在的缺陷,基于组合预测思想,借助BP神经网络方法处理灰色自记忆模型仍存在的误差,建立了基于BP神经网络的灰色自记忆径漉预测模型,并应用于新疆和田玉龙喀什河同古孜洛克水文站年径流预测中,结果表明改进后的灰色自记忆模型具有更好的拟合与预报精度,是一种有效的征流预测方法.     

基于灰色预测和神经网络的电力系统负荷预测

负荷是电力系统运行和规划的依据,准确的负荷预测有利于提高电力系统运行的经济性和可靠性。章提出了一种基于灰色预测和神经网络组合的电力系统负荷预测方法。在灰色预测中通过对历史数据作不同的取舍并经累加生成后建立不同的模型;对于灰色预测的不同结果再使用人工神经网络进行组合。具体方法是：神经网络的输入为各种灰色模型（GM）的预测,神经网络的输出为组合预测的结果。学习样本选择与预测量量近的n个已知值,学习方法使用改进的BP算法。所提方法综合了GM预测所需原始数据少、方法简单、而神经网络具有非线性的拟合能力的特点,提高了预测精度。算例表明了所提方法是可行的和有效的。     

基于灰色模型和神经网络组合的短期负荷预测方法

提出了一种基于灰色模型和神经网络组合的短期负荷预测方法.首先利用频域分解消除负荷序列的周期性,然后利用灰色模型计算负荷序列的历史拟合值和未来预测值,将其作为神经网络的输入.在历史数据中选择一天作为基准日,以该基准日的量为参照,以负荷的灰色模型拟合值相对基准日的变化量,以及温度变化量为BP神经网络的输入,实际负荷变化量为输出,训练神经网络并预测待预测日负荷的变化量,加上基准日负荷后得到预测负荷.该方法综合了灰色模型方法和神经网络方法的优点,仿真结果验证了方法的有效性.     

基于改进遗传算法的电网投资组合预测方法

提出了一种通过改进遗传算法并综合利用灰色预测GM(1, N)模型、BP神经网络模型、多元回归模型建立的电网投资组合预测模型。基于传统遗传算法对组合预测约束条件进行了优化并改进了遗传算法中交叉算子和变异算子,从而使算法具有更强的全局搜索能力和收敛能力。利用所提出的组合预测模型对某地区电网投资进行预测的结果表明,相比于单一预测模型和其他两种组合预测模型,所提组合预测模型能充分利用原始数据的信息,具有更高的预测精度。     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

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。     

一种基于改进灰色BP神经网络组合的光伏出力预测方法

光伏发电具有典型的间歇性、波动性等特点。准确预测光伏出力对电网调度、电网规划、提升新能源发电竞争力具有重要意义。提出了一种基于改进灰色BP神经网络的多模型组合光伏出力预测方法,采用常规GM(1,1)模型、幂函数变换GM(1,1)模型、基于残差修正的GM(1,1)模型以及等维新息GM(1,1)四种模型,利用BP神经网络对光伏出力的单一灰色预测结果进行优化组合输出,并根据输出值和期望值的偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练BP神经网络来获得较优权系数,避免了数值求解权系数的复杂过程,能够得到更为精确的预测结果。采用湖北某地光伏系统实际出力数据对该预测方法进行了验证。计算结果表明该基于改进灰色BP神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。     

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。     

基于灰色和神经网络的最优组合预测分析

针对进出口总额数据的非线性,并为了更充分挖掘时间序列所隐含的数据规律,建立了基于灰色预测模型、神经网络算法以及最小方差准则的最优组合预测模型.仿真分析结果显示,最优组合方法能更有效提高非线性时间序列的预测精度.     

基于改进灰色神经网络的学生体育成绩预测

学生体育成绩预测是指导体育课程制定和提高训练效果的关键。针对现有学生体育成绩预测模型精度低、收敛速度慢的问题,提出了一种基于灰色神经网络的学生体育成绩预测方法。该方法采用灰色模型和BP神经网络组合的方式,克服了单一模型的缺陷。为解决模型随机初始权值和门限设定对预测精度的影响问题,利用遗传算法对初始权值和门限进行优化,进一步提高了模型的预测精度。测试结果表明,该模型能够有效克服传统预测模型不足,具有较高的预测精度。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

基于小波神经网络的PM2.5浓度预测模型

为改善传统BP神经网络对PM2.5浓度预测存在训练时间长和过度拟合的问题。提出一种基于小波神经网络PM2.5浓度预测的方法,可更好地缩短训练时间,加快收敛速度且能够有效避免陷入局部最小值。对于数据处理,采用灰色关联分析法进行相关因子筛选,以提高数据挖掘质量。研究证明,引入灰色关联分析法与小波神经网络的预测手段能有效提高PM2.5浓度的预测精度,相比BP神经网络的预测模型预测效果更好,具有可行性。     

基于灰色关联指标筛选的BP神经网络中长期电力负荷滚动预测马尔可夫残差修正模型研究

针对中长期电力负荷预测样本量小、多因素影响的特点,利用灰色关联度筛选影响因素,建立基于BP神经网络算法的负荷预测模型,通过多因素变量及历史负荷变量序列进行滚动预测,得到的预测值明显优于单一预测方法,并通过马尔可夫过程对预测残差进行修正,使预测精度得到较大提高,研究实证表明,这种预测方法具有进行推广应用的价值.     

双重BP神经网络组合模型在实时数据预测中的应用

在回归和延时神经网络的基础上，利用非线性组合预测方法的优点，提出一种新的预测模型--双重BP神经网络组合模型模型，选用某660MW机组的主蒸汽流量数据进行学习训练，实例计算结果表明双重BP神经网络组合模型可提高单项预测模型的精度，校核样本的平均相对误差为1.5%，而单独采用回归神经网络和延时神经网络进行预测的平均相对误差分别为2.7%和1.9%，证明双重BP神经网络组合模型具有很高的预测精度，可应用于火电厂实时数据的有效性验证。     

基于GM-GRNN的电力系统长期负荷预测

由于长期负荷历史数据比较少,因此预测难度较大。在分析了灰色预测和神经网络预测的优缺点的基础上,提出了一种新型的预测方法——GM-GRNN预测方法,此方法就是将灰色预测方法和人工神经网络中的广义神经网络相结合的预测方法,新方法发挥了灰色预测方法中的“累加生成”的优点,能够削弱原始数据中随机性并增加规律性,同时避免了灰色预测方法及其预测模型存在的理论误差。最后采用我国某省年用电量的预测的算例表明该方法的预测精度优于单一的灰色预测和单一的神经网络预测方法,为电力系统长期负荷预测提供了一种有用的方法。     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。