广西电网短期负荷预测及其数学模型

介绍一种适合广西电网短期负荷预测的数学模型,对广西电网普通日负荷预测采用时间序列分析预测模型（每日24个点,整点采集）进行预测,对于非周期性变化,或周期性变化趋势不明显的年,月,日的最大负荷,最小负荷,周末,节假日整点负荷,采用灰色理论中的GM（1,1）模型和GM（1,1）改进模型来进行预测。在广西电网电力负荷预测应用中取得了较好的结果。     

灰色遗传算法模型在短期电力负荷预测中的应用

针对灰色GM（1,1）模型用于电力负荷短期预测不能有效反映负荷周期性变化及精度不高的问题,将GM（1,1）模型推广为GM（1,1,λ）模型,并用遗传算法求解λ的最佳值,同时将该模型应用于河南某电网未来24h负荷实际预测。结果表明,基于遗传算法的GM（1,1,λ）模型具有较高的预测精度,预测效果显著。     

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。     

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.     

GM(1,1)改进模型在广西短期电力负荷预测中的应用

采用GM (1 ,1 )改进模型与ARIMA(p ,d ,q)模型对广西自治区电网特殊日电力负荷进行组合预测 ,阐述了GM (1 ,1 )改进模型的建立方法 ,提出了适用于广西自治区电网特殊日电力负荷预测的预测数据处理方法 ,提高预测的精确度 ,全年日精确度优于 95% .解决了在日采样点为 2 4点 (正点采样 )情况下预测确度较低的问题 .     

灰色预测理论及其在电网最大负荷预测中的应用

介绍了灰色预测模型的建模机理,详细论述了GM(1,N)、GM(1,1)模型的建模及求解.以宁夏固原电网2000～2006年的最大负荷数据为建模依据,应用灰色预测模型GM(1,1)对固原电网2007年、2008年最大负荷进行预测,模型预测的年平均绝对误差(MAE)为2.14MW,平均绝对百分误差(MAPE)为1.46%,预测精度为98.54%.结果表明,在少数据背景下,应用灰色预测模型对电网最大负荷进行预测,其预测的可靠性和准确性都比较高,可以广泛应用.     

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。     

基于灰色GM(1,1)及其改进型模型的短期电力负荷预报

运用ARIMA(p,d,q)模型和灰色理论中的GM(1,1)改进模型组合预测负荷。同时,对气候温度急变日负荷预测值进行特殊处理,提高了负荷预报精度。经对某地区电网的实际编程及运行检验,该模型的预报准确度满足了用户要求。     

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。     

基于灰色理论的航空铅酸蓄电池剩余容量预测

分析了蓄电池剩余容量预测技术的难点,针对蓄电池剩余容量存在随温度、电解液浓度等外部条件而产生周期性变化的特点,提出了新陈代谢GM(1,1)预测模型。通过将新信息GM(1,1)模型和新陈代谢GM(1,1)模型对比,分析误差,并通过计算机实际模拟证明,新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测可靠程度,从而实现蓄电池剩余容量的精确预测。