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.     

基于改进灰色理论的中长期负荷预测方法研究

中长期负荷预测是配电网规划的必要前提,对于电力系统经济效益和社会效益的提升具有重要意义。针对传统灰色预测模型预测精度低,适用性不强的缺陷,提出了一种基于改进灰色理论的电力系统中长期负荷预测方法。该方法在经典灰色预测GM(1,1)模型的基础上,首先利用三点平滑法对历史数据进行预处理,然后再构建基于等维新息矩阵的GM(1,1)模型,最后利用残差处理方法对预测结果进行修正。基于四川某地区售电量负荷预测的实际算例的仿真结果表明,相比于传统灰色预测模型,本文提出的改进灰色预测方法在预测精度和适用性方面都具有显著优势。     

基于灰色模型GM(1,1)的短期负荷预测方法简介

电力负荷系统是典型的灰色系统,电力负荷特性指标的预测具有直接的经济意义.灰色GM(1,1)模型在电力系统负荷预测领域中得到了广泛的应用.通过时GM(1,1)模型做一些改进形成等维新息模型和基于边值条件修正的GM(1,1).实例证明,改进的模型大大降低了预测误差,预测精确度满足了用户的要求.     

基于空穴序列的灰色预测模型及其应用

在实际预测中,原始数据往往呈现空穴序列,无法直接应用传统的基于等间距序列数据的灰色模型对其进行预测。提出直接利用有限的、不连续的观测点数据建立GM(1,1)模型,并利用遗传算法确定模型参数。最后,以某地区的电力系统负荷为算例,分别采用该文直接基于原始空穴序列建模和传统的内插数据后再建模,并将两种模型的预测结果进行了分析比较。结果表明,与传统内插GM(1,1)模型相比较,基于空穴序列的GM(1,1)模型的模型精度和预测精度均较高。     

基于空穴序列的灰色预测模型及其应用

在实际预测中,原始数据往往呈现空穴序列,无法直接应用传统的基于等间距序列数据的灰色模型对其进行预测.提出直接利用有限的、不连续的观测点数据建立GM(1,1)模型,并利用遗传算法确定模型参数.最后,以某地区的电力系统负荷为算例,分别采用该文直接基于原始空穴序列建模和传统的内插数据后再建模,并将两种模型的预测结果进行了分析比较.结果表明,与传统内插GM(1,1)模型相比较,基于空穴序列的GM(1,1)模型的模型精度和预测精度均较高.     

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。     

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.     

电力系统中长期负荷预测的新方法

在分析灰色GM(1,1)模型缺陷的基础上,将遗传算法引入GM(1,1)模型中,对其加以改进,提出一种新的灰色预测方法,用以对电力系统的中长期负荷进行预测。通过仿真计算结果验证了该方法的正确性和有效性。     

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。     

灰色模型在电力负荷预测中的应用与改进

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,当负荷增长曲线不是G型时,其预测误差较大,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,通过实例分析,利用等维新息递推模型、组合灰色模型进行负荷预测,可大大提高预测精度。     

应用GM(1,1)模型预测电力系统负荷

以秦皇岛地区历年负荷数据为依据,将电力系统负荷预测作为灰色系统进行预测,研究指数加权GM(1,1)模型在电力系统负荷预测中的实际应用情况,结果表明,利用该模型能得到较好的预测结果.     

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。     

基于灰色等维递补模型的电力系统负荷预测

针对传统电力负荷预测方法在实际应用中的局限性,提出利用灰色等维递补模型预测电力系统用电负荷,分析预测模型的建立过程,介绍灰色模型的应用情况,对比说明灰色等维递补模型比传统GM(1,1)模型预测的精度更高。     

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 2 4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     

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。     

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。     

应用GM（1，1）模型预测电力系统负荷

以秦皇岛地区历年负荷数据为依据,将电力系统负荷预测作为灰色系统进行预测,研究指数加权GM（1,1）模型在电力系统负荷预测中的实际应用情况,结果表明,利用该模型能得到较好的预测结果。     

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。     

基于改进型灰色理论的中长期电力负荷预测模型

对电力负荷的中长期预测为电网规划提供必不可少的数据,有助于优化电力系统的规划工作.针对中长期电力负荷预测"小样本"、"贫信息"、"不确定"、"非线性"等特点,可利用灰色系统理论中两种常用的GM (1,1)和verhulst模型进行预测.然而考虑到原始序列的采样差异和其变化程度的差异,并不能精确地预测.通过对原始序列的等...     

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。