多元回归模型分析与设计实现

本文研究了多元回归模型及其转化问题,提出了合理的模型解决方案,设计实现了一个具有回归模拟计算能力的多元回归系统,得到回归方程和检验参数,并应用实例验证了系统的可行性和有效性。     

基于复合学习算法的配电网理论线损计算模型

为了提高配电网理论线损计算精度,提出一种基于复合学习算法的配电网理论线损计算模型。该模型将配电网理论线损计算抽象成多元回归问题,将理论线损计算的各类影响因素和理论线损值分别作为多元回归问题的输入向量和输出向量,并构造样本集输入到复合学习算法中加以训练,以得到配电网理论线损计算模型。复合学习算法由广义回归神经网络完成样本集训练,并在训练过程中利用粒子群算法动态地搜索广义回归神经网络最优训练参数,从而降低了理论线损计算模型的误差。实验结果显示,与传统方法相比基于复合学习算法的配电网理论线损计算模型具有更高的计算精度。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于因子和趋势分析反馈的多元回归负荷预测

提出一种基于因子和趋势分析反馈的考虑气象因素的多元回归预测模型,降低预测算法精度验证的计算负担。首先通过因子分析对气象和负荷指标进行相关性计算;其次,通过趋势分析量化历史负荷数据在时间尺度上的变化;然后,通过多元非线性回归模型,将气象指标作为自变量,负荷数据作为因变量进行函数拟合;最后,通过拟合出的历史预测数据与气象指标进行因子分析和趋势分析,并与第一步得到的数据进行动态相对误差计算,将动态误差反馈给多元回归预测模型。以某地区的实际负荷为例进行验证,结果表明该方法得到的预测精度高,且计算时间短。     

融合多种相关性分析方法的行业电量需求预测

随着供给侧改革的深入推进,为满足电网发展的需要,需要对行业电量需求预测模型进行精细化改进。从行业电量增长因素入手,提出基于关联规则挖掘和主成分分析相结合的行业电量相关性分析方法,建立历史用电相关分析数据集,挖掘行业电量增长的主导因素;分别对传统ARIMA模型和多元回归模型进行改进,得到融合多种相关性分析方法的行业电量需求模型。最后利用某地区有色金属行业为例进行实证分析,结果表明改进后的模型较传统预测模型的预测精度有较大的提升。     

用回归分析法建立功率因数调整预测模型

两部制电价存在于我国和许多国家,这意味着用户在缴纳电费时需要进行功率因数考核,并按照功率因数考核的结果增收或减收电费,但由于种种原因,功率因数调整值往往不能事先被精确得到,在用电分析中对这部分电费调整额的确定历来存在着如何选取合适模型的问题,论文针对这一问题,首先指出传统分析方法中预测功率因数调整值的不足,再对功率因数调整值进行回归分析,根据多元回归分析的结果建立合适的预测模型,同时根据所得到的模型进行实例计算,表明回归预测方法的适用性。论文说明了利用回归分析模型在预测功率因数电费调整额中所应注意的问题。     

VMD滤波重构的时间序列自回归建模研究

为了获取反映磁流变减振系统自身特征的分析信号,选取适合系统的时间序列自回归模型,提出了谐波系数搜索最优惩罚因子和分解模数的变分模态分解(VMD)滤波重构方法,通过建立与系统的动力学模型同阶的重构分析信号时间序列ARMA和AR模型,对比基于快速傅里叶变换(FFT)、经验模态分解(EMD)信号滤波重构算法,分析了各模型模拟精度。研究表明,3种滤波重构方法中,未简化的高阶模型均比简化的低阶模型拟合精度高,同阶ARMA模型模拟精度均比AR模型高,采用谐波系数搜索最优惩罚因子和分解模数的VMD滤波重构方法的自回归模型模拟精度最高,其中基于VMD重构信号的ARMA(4,1)模型建模精度最高,最适合用于系统的建模与分析。     

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。     

基于多元自适应回归样条的光伏并网系统日输出功率预测

为了更加准确、灵活地预测光伏发电系统的输出功率,提出了基于多元自适应回归样条(MARS)的光伏系统输出功率预测方法。通过对该算法的原理进行分析,确定了模型分析流程,并介绍了数据来源。其次,以气温、日照时间等因素作为自变量,对MARS模型进行了分析研究,确定了光伏功率预测时的仿真模型。最后,将提出的预测方法与现有的预测方法进行了对比。通过训练数据以及测试数据对比分析各种方法的RMSE、MAD和MAPE,并根据历史数据预测光伏日输出功率。通过对比证实了MARS模型比其他模型更能准确预测光伏系统的输出功率。     

粒子群优化的支持向量回归机计算配电网理论线损方法

针对配电网理论线损精确计算,提出一种基于粒子群优化算法的支持向量回归机(SVR-PSO)的理论线损计算方法。SVR-PSO方法将理论线损计算抽象成多元回归分析,理论线损的若干影响因素作为自变量,理论线损值作为因变量,SVR-PSO通过对已知理论线损线路的数据样本训练学习生成配电网理论线损计算模型,进而利用该模型完成未知线路的理论线损计算。在SVR-PSO训练过程中,利用粒子群算法动态地搜索支持向量回归机的最优训练参数,提高了SVR-PSO的计算精度。最后横向对比实验证实了基于SVR-PSO的配电网理论线损计算方法的有效性,与传统方法相比,SVR-PSO方法在计算精度和运算耗时方面拥有更好的性能。     

应用近红外光谱方法在线测定煤中水分

应用近红外光谱方法进行煤质在线分析工作的研究,主要进行煤中水分的测定。阅读了多个光谱图,采用多元回归方法对数据进行了分析和处理,得出回归模型。模型的预测值和人工化验标准值之间的相关系数在0.97,模型的定标标准差为0.5。     

基于高斯过程回归的电池容量预测模型

为了更好地对电池健康状况和使用寿命进行预测,为装备保养维修提供更为详尽的决策依据,针对电池动态、时变、非线性的系统特点,提出了一种基于高斯过程回归的电池容量预测模型。基于不同的核函数对电池容量进行回归预测,同时对比了灰色模型和神经网络模型的预测效果。仿真结果表明:高斯过程回归模型的预测效果要优于其他模型的预测效果;对于电池容量的预测,平方指数协方差函数和二次有理协方差函数的组合模型可以取得良好的预测结果,预测误差下降了31.157%。     

风力发电系统动态仿真的风速模型

风力发电机组不同于火电等传统发电机组的最大之处在于其原动机功率的本质不可控,这是由风速的易变性和不可控性造成的。风速状况对风力发电系统的性能有着重要的影响,也使得风速模型成为风力发电系统仿真模型的重要部分。该文针对风速随机变化的特性,在风速统计特性研究的基础上,用自回归滑动平均(ARMA)方法建立了具有一定功率谱密度特性的风速模型。对该模型所模拟的风速序列进行了分析和验证,并与现有仿真程序中风速模型的结果进行了对比,结果表明该文提出的ARMA模型能够有效地产生动态分析和仿真所需的风速序列。     

基于多元非线性回归的阻塞管理优化模型

针对电力系统的非线性特性,本文建立了反映系统潮流与各机组出力间非线性关系的多元非线性回归模型.应用变换思想将该非线性回归模型转化为线性回归模型,基于MontoCarlo模拟法产生样本,进而应用最小二乘法求解模型.本文采用同时消除法,即根据非线性回归模型,基于Taylor级数得到所有阻塞线路潮流越限量与各机组出力调整量之间的关系,以此构成等式约束条件,从而建立以调整费用最小为目标的输电阻塞管理模型,并用拉格朗日乘子法进行求解.该方法已应用于IEEE-RTS24节点及其他实际系统,验证了该方法的有效性和正确性.     

基于协整理论的负荷预测新方法

对用电量、GDP变量系统建立了向量自回归模型,使用Johansen-juselius方法分析2个序列之间的协整关系,确定了协整向量,利用误差纠正项将无约束向量自回归模型修正为向量误差纠正模型,用极大似然估计参数完成模型的参数估计。从理论层面分析了2个变量系统的长期均衡关系和短期波动的误差纠正机制。最后运用该模型对江苏省季度数据进行预测分析。基于协整理论的负荷预测方案有效地避免了传统建模中出现的伪回归隐忧,实际算例表明,模型的预测效果是满意的。     

人口预测中的数学模型探析

人口预测对国民经济的发展有着非常重要的作用。如何用操作性强、可信度高的方法来预测人口的变化,是一个值得探讨的问题。本文对Leslie人口模型和人口系统的动态模型进行了改进性探讨,给出了更为简化的形式,并进一步探讨了流动人口的预测模型,以达到针对不同的预测需要,给出不同的简便预测模型的目的。     

基于SPSS湿法烟气脱硫系统的优化

针对目前脱硫系统存在的高消耗、高能耗问题,提出了一种通过SPSS软件对脱硫系统进行优化的方法。以某300 MW机组脱硫系统运行数据为对象,对脱硫系统进行建模,得出了以脱硫效率为因变量、4个影响脱硫效率的关键因子为自变量的指数回归模型,进而建立以脱硫总费用为目标的线性规划模型,从而得出了最优的液气比和pH值。该方法对实际运行具有重要的指导作用。     

一种高铁供电事故气象因素关联模型的分析方法

分析5种常见的气象条件对牵引供电系统状态的影响,提出采用前向逐步回归方法进行选元,利用多元回归分析建立牵引供电系统事故起数与气象因素之间的关联模型,并对牵引供电系统的事故起数进行预测。以某供电段3 a中牵引供电系统事故统计和该地区的气象条件作为样本进行多元回归分析,得到它们之间的回归模型,结果表明事故起数受该地区雷击次数和风速的影响较为显著,验证了所提方法的可行性。     

风电场输出功率的多时段联合概率密度预测

风电场输出功率波动性较强,难以精确预测,掌握其输出功率的分布规律对含有风电场的电力系统的运行决策具有重要意义。文中在分析风电场有功功率输出特性的基础上,提出了风电场输出功率多时段联合概率密度预测,利用风电场输出功率在时段间较强的相关性,估计其波动的幅度与速度特征,为系统运行提供更全面的决策信息。结合多元回归估计常条件相关—多元广义自回归条件异方差(CCC-MGARCH)模型与稀疏贝叶斯学习方法,给出了一种基于数值天气预报信息的风电场输出功率短期多时段联合概率密度预测方法。该方法依据CCC-MGARCH模型思想,将未来多个时段内风电场输出功率的联合概率密度预测问题分解为:风电场在各个时段内独立的输出功率概率密度预测子问题和时段间关联的输出功率预测误差相关系数矩阵估计子问题,利用稀疏贝叶斯学习方法在概率密度预测问题上的优势,形成预测效果好、计算效率高的风电场输出功率多时段联合概率密度预测方法。应用实例与分析说明了该方法的有效性。     

发电系统可靠性随可靠性参数和电气参数变化规律建模

为了快速求取负荷或元件可靠性参数变化后系统的可靠性指标,深入分析了发电系统可靠性指标随负荷变化的曲线,选取合适的函数对可靠性指标和负荷进行坐标变换,使变换后的变量之间近似满足二次函数关系,对经坐标变换后的自变量和因变量建立一元二次回归模型,然后再进行坐标的逆变换,从而得到发电系统可靠性指标关于系统负荷的回归方程.对算例结果进行显著性检验,结果表明各可靠性指标回归方程的F检验值均大于F0.01,说明回归方程具有高度显著性.此外,还建立了发电系统可靠性指标随机组可靠性参数变化的多元非线性回归模型.这2个模型不仅揭示了发电系统可靠性指标与负荷和机组可靠性参数之间的变化规律,还可以用来估计参数变化后系统的可靠性以及预测系统未来某时刻的可靠性.