改进无偏GM(1,1)模型及其在中长期电力负荷预测中的应用

通过对原始数据序列作开次方运算生成新数据序列的方法,建立了改进无偏GM（1,1）模型。用数值实验研究的方法证明了改进无偏GM（1,1）模型特性优于无偏GM（1,1）模型。将改进无偏GM（1,1）模型用于对太原地区电力负荷进行预测,实际应用的结果也显示改进模型提高了中长期电力负荷预测精度。     

改进灰色模型在电力负荷预测中的应用

灰色GM（1,1）模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,导致对某些变化规律的负荷预测误差较大,精度不能满足要求,在实际应用中具有一定的局限性。对灰色GM（1,1）模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。     

广东电网WAMS增强SCADA状态估计研究

SCGM（1,1）模型是灰色预测理论在传统GM（1,1）上的进一步发展。文中首次将单变量的SCGM（1,1）模型应用于中长期电力负荷预测,分别阐述了简化SCGM（1,1）模型、均值SCGMMV（1,1）模型、拓广SCGMa0（1,1）模型的原理和特点,并应用于实例。同时将精度较高的后两种模型和GM（1,1）模型进行固定权值和变权组合,进一步提高预测结果的精确度和可靠性。计算结果证明该方法预测准确,可靠性高,抗干扰性强,是中长期负荷预测新工具之一。     

非线性动态模型在电力负荷预测中的应用

根据电力系统负荷变化的特点,采用非线性GM（1,1）模型与动态GM（1,1）模型相结合的非线性动态GM（1,1）模型对其进行预测。通过实例分析与检验,证明NLDGM（1,1）模型比传统GM（1,1）模型与NLGM（1,1）模型精度更高、误差更小、预测效果更好。所以,该预测模型具有一定的应用价值。     

灰色BP神经网络模型的优化及负荷预测

为了提高样本数据较少情况下中长期负荷预测的预测精度,分析了传统GM（1,1）预测模型的缺点,提出了一种适用于中长期负荷预测的GM（1,1）优化建模方法。用一个与GM（1,1）模型的时间响应式具有相同形式的连续函数,拟合灰色系统的原始离散数据,将连续函数映射到神经网络,构建了GM（1,1）模型的灰参数与BP网络权值的对应关系。用已知负荷作为训练样本,利用BP算法对网络进行优化,当网络收敛时,提取优化的灰参数,实现了应用GM（1,1）模型对中长期负荷预测的优化建模。算例分析结果表明该方法是可行且有效的。     

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。     

重庆地区中长期负荷特性和预测方法研究

对于存在多个影响因素的中长期电力负荷,采用常规灰色模型GM（1,1）进行中长期预测不能获得较好的预测精度。提取了中长期负荷主要影响因素之一的生产总值和年总用电量建立了多变量灰色预测模型MGM（1,2）。为进行比较分析,同时还建立了常规灰色GM（1,1）模型。预测结果显示,多变量灰色模型MGM（1,2）的预测精度优于常规灰色模型GM（1,1）。     

基于双向差分建模的优化GM(1,1)模型及其在中长期电力负荷预测中的应用

针对电力负荷预测,论述了一种基于双向差分计算的GM（1,1）建模方法,采用向前差分与向后差分建模的拟合误差平方和最小的原则进行参数估计。为了进一步提高GM（1,1）模型的拟合及预测精度,利用拟合值和原始值误差平方和最小的原则对预测模型的初始值进行了优化,摆脱了原有模型的初始值必经过历史数据中的某一点的束缚。以太原地区电力负荷和重庆地区的农村用电量为例,采用了几种典型GM（1,1）模型进行了拟合和预测对比分析,结果表明所提出的优化GM（1,1）模型的拟合、预测精度更高,适应性更强。     

灰色马尔可夫链在高峰负荷预测中的应用

用GM（1,1）模型预测短期负荷虽具有很好的精确性,但对于波动性较大的高峰负荷,它的预测精度比较低,而马尔可夫模型可以克服负荷波动较大的局限性。在此将二者结合起来形成灰色马尔可夫模型,并对山东某地区高峰负荷进行预测。应用表明,该模型切实可行,预测结果的精确度很高。     

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.