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。     

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。     

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 .     

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。     

基于GM(1,2)的中长期负荷区间预测模型

根据电力负荷预测中重视负荷成因和区间预测的指导思想,结合传统预测方法的优点,以灰色理论为基础,运用灰色GM（1,N）模型,分别将三个产业的GDP与用电量结合进行预测,并修正模型系数。同时结合二产GDP高、中、低三个水平进行区间预测。结果证明结合影响因素的预测效果较好,预测区间范围合理,可作为中长期负荷预测工具之一。     

改进的GM(1,1)模型在配电网日负荷预测中的应用

灰色预测法常用GM(1,1)模型,当负荷波动较大时,该模型预测精度较低。针对周期性波动较大的日负荷提出了一种基于等维新息的改进灰色预测模型,即"滑动平均—反双曲余弦"模型。该模型对等维更新的数据做预处理,充分利用预测新息降低灰度,提高离散数据的光滑度,从而提高预测精度。通过两个典型的实例介绍了改进灰色预测模型在日负荷预测中的应用。结果表明该模型能够改善预测效果。     

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.     

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。     

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。     

灰参数GM(1,1)模型及其在电力负荷预测中的应用

传统的GM(1,1)模型在参数a的绝对值较小的情况下近期负荷预测精度较高,远期负荷预测往往误差较大,这一定程度上是由于参数a在整个预测过程中保持不变而造成的。本文将参数a看作是具有灰色特性的灰参数,提出了灰参数GM(1,1)模型,并将该模型运用于中长期电力负荷预测的实例中,取得了较好的结果。     

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。     

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。     

基于耦合GPR-PSO的北京地区中长期电力需求预测

建立科学合理的中长期电力需求预测方法,是电力产业科学规划建设的前提。构建了基于高斯过程(GPR)和粒子群(PSO)的混合电力需求预测模型。采用PSO算法对协方差函数中的参数进行优化,将修正后的参数作为初始值在GPR模型中进行电力需求方面的培训。在贝叶斯框架下,对协方差函数中的参数再次进行优化。用训练好的GPR模型进行电力需求预测,并将结果与自回归积分移动平均模型和指数平滑模型进行比较。验证结果表明,基于高斯过程(GPR)和粒子群(PSO)的混合电力需求预测模型具有很好的稳定性和更高的预测精度。     

灰色神经网络模型GNNM(1,1)在城市年用电量预测中的应用

针对城市电力系统年用电量增长的特点，将灰色神经网络模型GNNM(1，1)引入城市年用电量预测。GNNM(1，1)模型是把灰色方法与神经网络有机结合起来，对复杂的不确定性问题进行求解所建立的模型。该模型通过建立一个BP网络，来映射GM(1，1)模型的灰色微分方程的解。GNNM(1，1)模型采用BP学习算法，网络经训练收敛后就可进行城市年用电量预测。算例计算表明，与灰色预测方法相比，GNNM(1，1)模型具有更强的适应性和更高的预测精度，适用于城市年用电量预测。     

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。