基于马尔可夫链筛选组合预测模型的中长期负荷预测方法

在负荷预测的模型组合过程中,主要是根据历史数据的趋势恰当选择模型,再根据模型特点选择权重分配方法。针对灰色关联度满足要求的几种模型预测值分化较大的问题,从负荷数据的增长率无后效性这一特点出发,通过对原始数据增长率的分析,采用马尔可夫链划分区间,从几种满足精度要求的模型中筛选出两种进行组合预测,通过方差—协方差方法分配权重。经过该种方法的筛选,不仅可以更准确地选择组合预测模型的类型,而且具有较高精度。     

电力中长期负荷模糊优选组合预测方法的研究

传统中长期电力负荷组合预测方法在确定权系数时,由于没能充分考虑各单一预测模型拟合值与历史实际值之间的多种误差信息,而使预测结果不够理想.为此,选取多种误差作为评价单一模型优劣的指标,引入多目标系统模糊优选理论,结合熵权法客观分配各种误差指标的权重,在全面考虑多种误差信息的情况下,通过求取各单一模型预测精度对“优”的隶属...     

优选组合预测法在短期负荷预测中的应用

采用优选组合预测法将时间序列法、灰色模型法、人工神经网络法进行有效组合,从而提高了预测精度.     

基于黄金分割法优选的中长期负荷变权组合预测

为了提高中长期负荷预测的精度,避免单一的灰色模型预测和指数平滑法预测精度偏低的缺点,提出了基于黄金分割法优选的自适应变权组合预测方法。该方法首先对灰色预测方法和自适应三次指数平滑法进行了改进,以拟合值与实际值之间的相对误差绝对值之和最小为目标,利用黄金分割法优选出自适应三次指数平滑法的平滑系数,确定最优的三次指数平滑模型,然后以同样的方法确定灰色模型和自适应三次指数平滑法的权重。接着,对原始负荷数据进行新陈代谢,重复利用黄金分割法优选出新的平滑系数和各单一方法的权重,即可得到新的变权组合预测模型。仿真结果表明,所提出的自适应变权组合预测方法切实可行,与单一的灰色模型、三次指数平滑法及等权组合预测方法相比,有效地提高了中长期负荷预测的精度。     

中长期电力负荷组合预测

电力负荷的中长期预测是电力投资决策的关键,但由于其影响因素众多、变化较大等原因,预测精度一直是一个难点,基于神经网络的组合预测可以提高预测精度。     

中长期电力负荷的组合预测法

组合预测法能较大限度地利用各种预测样本信息,有效地减少单个预测模型建立过程中一些环境随机因素的影响,提高预测精度.通过对灰色预测法、等维新息法、回归分析法的研究,先由原始数列建立灰色预测模型,预测出近期数据,再运用等维新息思想,把灰色模型的近期预测值添加到原始数列中,生成组合的数列,由新生成的组合数列建立回归模型,预测...     

基于递归等权组合模型的中长期电力负荷预测

针对电力负荷预测中单一模型不能充分利用数据信息和对其内在规律考虑不完全的问题,文中采用基于递归等权的组合预测模型,通过灰色关联度法对多个单一模型进行筛选,并确定参与组合的模型。再由递归等权法实现了对参与组合的各单一模型的变权重处理,有效地考虑各单一模型的预测好坏的变化。最后,通过对某地区最大负荷进行预测,对比单一模型与递归等权组合预测模型的预测误差。结果表明,递归等权组合预测模型比各单一预测模型的误差都小,从而验证了该模型能有效提高电力系统负荷预测能力,其精度高、结果可靠。     

基于改进的预测有效度的中长期负荷组合预测

变权组合预测是负荷预测研究领域的热点,预测的关键是确定加权系数的原则。引入可信赖域α,改进了预测精度矩阵,推导了单个预测和组合预测的k阶改进预测有效度。通过拟合样本因子β,区分了样本区和预测区的加权系数。给出了基于一阶和二阶改进预测有效度最优级原则的中长期负荷组合预测模型。实际算例说明了预测模型的有效性。     

模糊组合预测在中长期负荷预测中的应用

本文介绍了模糊组合预测对电力系统中长期负荷预测的方法和冗余方法在组合预测中的应用,以实际预测为例,给出预测分析过程和结果.分析表明该方法能综合各种方法的优点,给出一个预测区间,更符合负荷预测的客观实际.     

基于熵权的中长期电力负荷组合预测

运用多个预测效果的评价指标综合比较多种中长期电力负荷预测方法,结合熵权的方法客观地为每种预测方法分配权重,将各方法的预测结果加权求和得到最终的预测结果。实例表明,该方法在提高预测精度的同时减小预测的风险。     

基于灰关联加权组合模型的电力负荷预测研究

针对灰色系统理论中的预测模型(简称GM(1,1)模型)不太适于中长期负荷预测的不足,以及由历史负荷数据的不同时段建模形成预测灰区间的特点,提出了灰关联加权组合修正方法。从历史负荷与其拟合数值的灰关联度挖掘出负荷发展的“远、近”趋势,对灰区间值进行加权组合,大大提高了GM(1,1)模型的预测精度。使用该方法对某一地区未来几年的负荷预测得到了较为理想的结果,说明该方法对中长期负荷预测非常有效,弥补了GM(1,1)模型在该领域内使用的缺陷,具有一定的理论价值和实际应用价值。     

组合预测方法在电力系统负荷预测中的应用研究

组合预测方法是一种性能优越的预测方法。选择了电力负荷预测精度较高的两种单一预测模型——无偏灰色预测模型和时间序列预测模型,通过它们建立了三种不同的组合预测模型,对我国电力负荷进行了预测,验证了组合预测模型的优越性。最后,通过对三种组合预测模型的预测结果进行对比,选择一个最适合电力负荷历史数据的模型,通过该模型对我国社会用电量进行预测,获得了较好的预测效果。     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

基于改进灰色模型与综合气象因素的母线负荷预测

针对母线负荷与系统负荷的差异——母线负荷基数小、易受气象要素变化影响等,为了充分考虑气象要素、日类型、小电源等因素对母线负荷预测的影响,提出了一种利用指数加权法来处理原始数据的改进灰色模型。以预测日的日类型与综合气象要素为依据,将其模糊化为日特征向量,采用灰色关联度来选择最优相似日,作为改进灰色模型的原始序列进行预测,...     

基于灰色和神经网络的最优组合预测分析

针对进出口总额数据的非线性,并为了更充分挖掘时间序列所隐含的数据规律,建立了基于灰色预测模型、神经网络算法以及最小方差准则的最优组合预测模型.仿真分析结果显示,最优组合方法能更有效提高非线性时间序列的预测精度.     

基于相似日和多集成组合的短期负荷预测

针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型.首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空...     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。