基于熵权和灰色关联度的电力企业绩效评价

针对常用的绩效评价方法采用专家打分、德尔菲法等来确定指标权重导致绩效评价存在较强的主观性这一问题,本文提出采用熵权法和灰色关联度法相结合来对电力企业的经营绩效进行评价。本文将电力企业的经营绩效评价体系分为四个一级指标和十一个二级指标;采用熵权法确定指标的综合权重的大小,然后根据灰色关联度原理计算评价对象和参考序列的关联度,进而根据评价对象与参考序列关联度的大小来确定电力企业的经营绩效水平。     

灰色模型在电力负荷预测中的应用

应用灰色系统理论分析了某电力系统电力负荷的动态变化趋势。并用灰色预测理论对该系统现有的年用电量时间数据序列进行处理，进而建立了GM（1，1）预测数学模型，最后提供了预测实例。     

基于熵权的灰色关联分析在电力设备评标中的应用

针对电力设备评标中客观存在的不确定性,提出了基于熵权的灰色关联分析方法．运用信息熵的原理,考虑了指标权重对于评价结果的影响,对传统的灰色关联分析方法进行了改进．工程实例表明,将该方法应用到电力设备评标中是合理可行的．     

基于熵权法和灰色关联度的水电上市公司财务绩效评价

本文设计了水力发电上市公司财务绩效评价体系,采用熵权法确定指标的权重,根据灰色关联的相关理论,通过计算灰色关联度来评价水力发电上市公司的财务绩效水平。选取8家水力发电上市公司,将熵权法和灰色关联度相结合进行实例分析,为水力发电上市公司绩效评价提供参考。     

无偏灰色模型在电力负荷预测中的应用

为了提高电力负荷预测的准确度,应用无偏灰色预测模型对电网用电量进行了预测,在对无偏灰色模型特性进行了分析的基础上,与传统灰色预测模型进行了对比．理论分析和实例计算均表明,在指数趋势时间序列条件下无偏灰色预测模型较传统灰色预测模型性能优越,相对误差可降低到1％以内,适合在电力负荷预报中推广应用．     

基于熵权和灰色关联的火电企业社会责任评价

企业社会责任评价是企业经营绩效评价的重要组成部分。本文结合企业社会责任的内涵以及火力发电企业的生产经营特点建立了企业社会责任评价指标体系,为了保证评价结果和评价对象的客观性和可比性,选取熵权法和灰色关联分析法建立评价模型。以国内七家大型上市火力发电企业为例进行实证检验。     

灰色理论在中长期电力负荷预测中的应用研究

提出了基于灰色预测理论的电力系统中长期负荷预测的实用新方法，对于中长期电力负荷预测这样复杂问题，其简捷实用，预测精度高，经实际算例核证明该方法可以做为中长期电力负荷预测的理想工具之一。     

灰色神经网络最优权组合模型预测城市需水量

需水量预测是一个大量数据指标和影响因素共同作用的复杂系统。目前以单一的模型预测为主,而这种预测方法仅能体现该系统的局部。针对这一情况,利用灰色模型和改进BP神经网络,建立最优权组合模型预测城市需水量,使用Matlab进行实例计算,并与其他预测方法比较。结果表明,该模型有较高的预测精度,优于单个模型,预测效果更优于其他方法。     

基于熵权系数与灰色关联分析的供应商评价方法

针对供应商评价中单纯由主观判断确定指标权重的不足,提出一种定性评价和定量分析相结合的新评价方法。该方法先用层次分析法把定性指标定量化,然后用熵权系数法来确定评价指标的权重系数,进而将灰色关联分析与熵权系数综合集成进行合理方案的评价,通过示例表明该方法能有效地进行供应商评价。     

基于改进灰色模型的电力负荷中长期预测

基于电力系统中长期负荷预测的特点,针对常规灰色预测模型存在的不足,提出一种基于数据平滑处理,以及线性回归残差修正的改进灰色预测方法。对某地区算例比较和分析表明,本方法可明显提高中长期负荷预测精度。     

基于ARMA-BP神经网络模型的风电功率预测研究

结合ARMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对风电功率预测问题进行研究。采用构造性神经网络模型得出的类别值对统计时间序列模型的预测值进行修正,提高了风电预测的精度和效率。     

基于BP网络的企业风险预警实证研究

风险管理是企业管理的重要内容。通过建立企业风险预警指标体系，利用神经网络方法对企业风险状况进行综合评估，并引用实例说明该方法的实现过程。预测结果表明，神经网络方法建模简单，精度高，对于企业风险等复杂的非线性问题有着很强的逼近与预测能力。     

快速神经网络无损压缩方法研究

传统的人工神经网络数据编码算法需要离线训练且编码速度慢,因此通常多用于专用有损编码领域如声音、图像编码等,在无损数据编码领域应用较少。针对这种现状,该文详细地研究了最大熵统计模型和神经网络算法各自的特点,提出了一种基于最大熵原理的神经网络概率预测模型并结合自适应算术编码来进行数据压缩,具有精简的网络结构的自适应在线学习算法。试验表明,该算法在压缩率上可以优于目前流行的压缩算法Limpel-Zip (zip,gzip),并且在运行时间和所需空间性能上同PPM和Burrows Wheeler算法相比也是颇具竞争力的。该算法实现为多输入和单输出的两层神经网络,用已编码比特的学习结果作为待编码比特的工作参数,符合数据上下文相关约束的特点,提高了预测精度,并节约了编码时间。     

云模型RBF神经网络的数据中心温度预测

数据中心温度预测在提高能量利用效率、降低机房空调耗电量方面具有重要意义。RBF神经网络广泛用于温度预测领域,考虑到传统RBF神经网络无法对影响温度的众多因子进行确定和选择,本文提出了一种将云模型和RBF神经网络结合的新模型。通过高维云变换确定RBF隐含层神经元,使RBF神经网络充分表达影响温度各因子的不确定性,进一步优化RBF神经网络结构。实验结果表明,该模型能较好地实现对数据中心温度的预测。     

一种基于面向对象技术的配电网GIS系统的数据组织模型

针对传统GIS系统的三层空间数据组织模型在开发电力配网GIS系统时的不足，利用面向对象的思想，提出了一种新的数据组织模型，并给出了在关系数据库中实现该模型及建立空间索引的方法。该数据组织模型能较好地符合配网系统，且对配水网、公路网等系统的开发也有一定的应用价值。     

基于GRU神经网络的燃煤电站NO_x排放预测模型

针对工业过程动力学建模中,输入变量特征集确定困难的问题,提出了一种基于数据驱动的门控循环单元(GRU)神经网络模型。该模型可以通过学习自动提取输入数据与输出数据间的时空特征,简化人工智能模型的输入变量个数,减少了输入的冗余信息,降低了建模过程的难度,并具有较好的精确度和泛化能力。通过使用某燃煤机组实际运行数据中与氮氧化物(NO_x)排放相关的数据作为模型输入,建立了基于GRU神经网络的燃煤锅炉NO_x排放预测模型。并分别与传统循环神经网络(RNN)和长短期记忆(LSTM)神经网络模型比较,验证了GRU神经网络模型在工业过程动力学建模中的优良性能。     

Study of Enterprises Marketing Risk Early Warning System Based on BP Neural Network Model

For effectively early warning the marketing risk caused along with the varied environment, a BP neural network method was introduced on the basis of analyzing the shortcomings of the risk early warning method, and combined with the practical conditions of dairy enterprises, the index system caused by the marketing risk was also studied. The＇principal component method was used for screening the indexes, the grades and critical values of the marketing risk were determined. Through the configuration of BP network, node processing and error analysis, the early warning resuits of the marketing risk were obtained. The results indicate that BP neural network method can be effectively applied through the function approach in the marketing early warning with incomplete information and complex varied conditions.     

基于最小熵的故障诊断算法

针对提升故障诊断的准确度问题,提出一种基于最小熵的故障诊断算法。首先,依据节点故障概率和各种噪声的发生概率计算一个可疑节点门限值;其次,计算各个节点对于探测结果的信息增益,与门限值对比,将高于门限值的节点视为可疑节点,存入可疑节点集合;最后,对可疑节点集合进行排序,将最小熵对应的节点视为故障节点,并经过仿真实验验证了该算法的有效性。     

基于极大熵谱估计准则的动态数据预测方法及应用

在进行动态数据预测时，预测结果往往会受人为因素影响而出现偏差。本文将极大熵谱估计准则应用于动态数据预测，详细介绍了趋势项提取、模型参数确定、阶数选择以及数据预报的过程，基于MATLAB平台编制了相应程序，最后结合实例对该方法的优点和不足之处进行了客观评价。     

基于组合模型的网络流量预测

网络流量预测模型对于网络性能评价和服务质量保证有着重要意义。网络性能评价、网络规划、网络预测都离不开真实的数据和现象的捕获。基于自回归滑动平均模型（ARMA）,利用时间序列建模,提出了利用组合模型对网络流量进行预测的方法。理论分析和实验结果表明,组合模型能达到较高的预测精度。