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 .     

基于优化初始值的GM（1，1）模型及其在大坝监测中的应用

传统的GM（1,1）模型通常以第1点作为初始值来确定积分常数 C,缺少一定的理论依据。文中就GM（1,1）模型初始值的优化选取进行了深入的探讨,提出建模方差的概念。依据建模方差δ2 最小的原则,对传统GM（1,1）模型的初始值进行改进,提出基于优化初始值的GM（1,1）模型。在大坝变形监测数据分析中应用优化的GM（1,1）模型,采用C++语言编程建立了相应的预测模型。大量的数据分析计算表明,优化的GM（1,1）模型预报精度优于传统的GM（1,1）模型和多项式拟合模型。     

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。     

应用GM（1,1）模型对咸阳地区电力需求中期预测的研究

通过对咸阳地区分行业用电结构的分析，应用GM（1，1）模型预测了未来咸阳地区的电力需求和最大负荷，咸阳地区电力需求是分阶段的，与国民经济发展呈线性关系的，其发展速度具有一定的周期性。     

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。     

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.     

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可获得较高的预测精度。     

改进GM(1,1)模型在电力负荷预测中的应用

灰色预测技术原理简单、样本量小、计算简便,适合用于负荷预测,但其存在很多局限性。从建模原理出发,利用最小二乘法和积分法,改进影响模型精度最重要的两个因素——初始值和背景值。以北京市1999—2005年的电力消费量数据加以计算,证明改进效果较为显著。     

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...     

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。