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。     

灰色系统在蓄电池失效预测中的应用

依据蓄电池内阻与剩余容量之间的非线性关系,采用灰色预测系统的GM[1,1]模型,实现对铅酸免维护蓄电池失效的预测。这种方法取代了传统的电池容量试验方法,取得了很好的效果。     

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。     

灰色预测技术研究进展综述

灰色预测技术是灰色系统理论的重要分支之一。分析了GM(1,1)模型的性质、GM(1,1)模型的改进与优化、GM(1,1)模型参数估计、GM(1,1)模型初始条件优化、GM(1,1)模型的扩展与应用及幂模型的研究进展;最后对灰色预测模型的未来研究方向提出了建议。     

一种新型直流电源集中监控系统

基于受控性维护的思想,开发研制了基于现场总线的直流电源集中监控系统。着重介绍了系统各功能模块作用。针对蓄电池内阻检测中存在的大电流放电损害蓄电池寿命,提出了交流变频法检测蓄电池内阻的新方法,并用单片机MC68332完成了装置硬件设计,该方法具有设计体积小、对电池无损害、适合在线快速测量、性能价格比高等优点;依据灰色预测理论,提出了一种以蓄电池容量为依据的新陈代谢GM(1,1)灰色预测模型,该方法减少了放电实验次数,为蓄电池故障早期预测提供可靠依据,为判别蓄电池使用寿命期提供理论依据,具有更高的预测精度。     

相关向量机在蓄电池剩余容量预测中的应用

剩余容量是蓄电池管理控制的重要参数,为了准确预测阀控式密封铅酸(VRLA)蓄电池的剩余容量,提高预测精度,引入了相关向量机方法对蓄电池剩余容量进行预测,并与最小二乘支持向量机模型、遗传BP神经网络模型的预测效果进行了比较.仿真结果表明,该方法降低了预测模型的复杂度,预测精度高,学习泛化能力强,具有一定的应用价值.     

改进灰色GM(1,1)模型的EAST快控电源输出电流预测

针对非模型PID控制难以克服参数变化、时滞的固有缺陷,为优化托卡马克装置中应对等离子体垂直不稳定位移的主动反馈控制,通过改进灰色GM(1,1)预测模型对基于级联H桥拓扑的EAST快控电源的输出电流进行准确预测以优化控制参数。灰色GM(1,1)预测模型适用于小样本、贫信息系统,所需建模样本少、计算简易。预测拟合序列的差异导致在对输出电流的上凸序列进行灰色GM(1,1)建模时存在较大预测误差,选用一种将上凸序列轴对称变换为上凹序列并建立非等间距灰色GM(1,1)预测模型的数据变换方法,同时利用样本点给出了非等间距序列的预测时刻的估计式。基于该改进灰色GM(1,1)预测模型,推导了预测模型的建模过程,通过仿真比较两种灰色GM(1,1)预测模型对电源输出电流的预测误差,改进后突变段预测误差率降低至10%以下,并在实例分析中验证改进灰色GM(1,1)预测模型的有效性。     

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。     

基于灰色理论负荷预测的应用研究

灰色预测系统GM(1,1)模型用于负荷按指数增长态势变化时,预测精度较高,但当影响负荷的因素较多、模型灰度较大时,精确度就不够理想。在分析灰色负荷预测模型GM(1,1)的基础上,对模型中的α参数和负荷预测差值建立了修正模型,进而修正负荷预测值,使预测精度得以提高。通过算例进行验证,说明了灰色GM(1,1)模型在某些情况下精度不高的原因,通过修正使预测精度得到较大的提高。     

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。     

马尔科夫理论在中长期负荷预测中的应用

针对灰色预测模型对随机波动性较大的数据序列拟合较差、预测精度较低的情况,提出了一种基于马尔科夫灰色残差修正的预测模型,该模型考虑到马尔科夫理论中转移概率可以反映随机因素的影响、适用于随机波动较大的动态过程的特点,将其与灰色预测模型进行有机结合.文中一方面利用马尔科夫链对电力负荷的未来残差值进行修正;另一方面运用马尔科夫...     

基于最小一乘法的GM（1,1）模型及在负荷预测中的应用

为克服传统GM（1,1）模型中利用最小二乘法估计参数存在的不足,改善GM（1,1）模型在有突变情况下的中长期负荷预测中的精度,提出了利用最小一乘法估计GM（1,1）模型参数的方法。在GM（1,1）建模过程中,以误差绝对值之和最小为优化目标,针对目标函数不可导的特点,利用线性规划对模型的参数进行估计。对某中长期负荷进行预测,并与传统的GM（1,1）模型进行对比分析。结果表明,所提方法预测精度更高。该方法发挥了最小一乘法受奇异值影响小,稳健性好的优点,避免了利用最小二乘法估计GM（1,1）模型参数存在的不足,是有突变情况下的中长期负荷预测的有效方法。     

基于改进灰色GM模型的用电量预测方法研究

季度用电量同时具有增长性和季节波动性二重趋势,而灰色GM(1,1)预测模型只能反映用电量的总体变化趋势,不能很好反映其季节性波动变化的具体特征。提出灰色GM(1．1)用电最预测模型的改进模型——灰色季节变动指数模型GSI(1,1)模型,将灰色预测方法与季节指数有机结合起来。算例表明,与灰色预测方法相比,GSI(1,1)模型具有更强的适应性和更高的预测精度,适用于季节性用电量预测。     

配电系统不良数据修正方法的研究

对GM(1,1)基本模型中第一个数据不起作用的结论作了全新的简洁的推导,提出了计及第一个数的零加数GM(1,1)模型,提高了原始数据的利用率。在此基础上,结合电力负荷呈连续性和日周期性变化的特性,提出了用于负荷数据修正的零加数GM(1,1)组合预测方法。该方法通过从两个角度选取原始序列进行零加数建模,采用关联度的分析方法,将预测值进行线性组合。实验证明,零加数模型的预测精度优于原始模型的预测精度,且组合预测比单一序列预测在计算精度上有明显的提高。     

基于残差周期修正的灰色电价预测模型

电力市场中的电价曲线具有多周期、跳跃等特性,而呈指数增长的灰色GM(1,1)模型预测误差较大,为此,文章提出了基于残差周期修正的灰色电价预测模型。该模型不仅利用了灰色模型的优点,而且通过原始数据的平滑处理、初值条件的改进以及残差周期修正使预测曲线波动起来,使拟合曲线更加接近原始数据,大大提高了模型的预测精度。算例结果验证了该方法的可行性。     

自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比标准粒子群优化算法效率更高的自适应粒子群优化算法,并与GM(1,1)模型相结合,利用自适应粒子群算法求解GM(1,1)模型中的参数a和u,提出一种自适应粒子群优化灰色模型.通过对四个地区的用电量进行实例仿真,证明该模型具有较广的适用范围和较高的预测精度.     

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。