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.     

缓冲算子改进灰色模型在中长期负荷预测中的应用

通过对原始数据的定性分析,提出了利用缓冲算子对历史负荷序列进行作用,有效地控制灰色模型的发展系数,较好地解决了负荷预测偏差较大的问题。实例表明了运用序列算子作用后生成的缓冲序列建模,预测的精度和适应性都大大提高了,该方法在负荷预测中有较强的实用性和推广性。     

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。     

遗传算法在中长期电量最优组合预测中的应用

为综合考虑多种电量影响因素,以提高中长期电量预测的精度,引入了最优组合模型,在多种预测模型组合中,以各预测模型的组合权重作为优化变量,由于优化组合模型约束条件所构成的解的空间具有非凸的特点,导致常规线性优化算法无法直接求解最优的组合权重,为此,采用了遗传算法计算各预测模型的组合权重,预测了某地区2010年各月的负荷电量。     

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。     

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。     

并行自适应混沌优化方法在中长期电量预测中的应用

根据不同地区电量特点将电量、电量增量发展规律进行了分类,给出了相应的电量和电量增量预测模型.基于混沌运动的初值敏感性和对混沌优化搜索过程的分析,提出了并行自适应混沌优化方法.在此基础上,应用并行自适应混沌优化方法确定电量预测模型参数,给出了具体实现步骤和主要措施.实际电网电量预测结果表明:并行自适应混沌优化方法能够更为快速、准确地确定预测模型参数,电量增量预测的精度高于电量预测精度,同时也进一步证实了文中提出的各种预测模型的有效性.     

灰色Verhulst模型在中长期负荷预测中的应用

灰色系统预测模型用于中长期负荷预测是一种有效的方法。但是，当负荷按照“S”型曲线增长或增长处于饱和阶段时，采用灰色模型进行负荷预测的误差较大，预测精度不能满足实际要求。将灰色Verhulst模型引入到负荷预测中，可以很好地解决这个问题。作者通过典型的实例介绍了灰色Verhulst模型在中长期负荷预测中的应用。结果表明，此模型在负荷预测中是适用的，尤其对于负荷按“S”型曲线增长的情况，不但具有较高的预测精度，同时保留了灰色预测方法的优势和特点。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。     

电力远期价格预测的灰色动态模型研究

电力远期价格受实时电价、利率、负荷需求等多种因素影响,变化趋势复杂,很难建立一个准确的数学模型进行全面描述。针对这一特点,用灰色动态预测模型对电力远期价格进行了预测,并对不同模型的预测结果进行了研究。     

灰色季节变动指数模型GSVI(1,1)在农村用电量预测中的应用

季度用电量同时具有增长性和季节波动性的二重趋势,这使得季度用电量的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的时间序列,直接应用GM(1,1)灰色模型往往精度不高。GM(1,1)灰色模型只能反映时间序列的总体变化趋势,不能很好地反映其季节性波动变化的具体特征。为了提高短期用电量的预测精度,提出了用电量预测的灰色季节变动指数模型——GSVI(1,1)模型。GSVI(1,1)模型是将灰色预测方法与季节变动指数有机结合起来,对复杂的不确定性问题进行求解所建立的模型。算例计算表明,与灰色预测方法相比,GSVI(1,1)模型具有更强的适应性和更高的预测精度,适用于农村用电量预测。     

基于弹性网络模型的月度用电量预测方法

由于现有月度用电量预测所选影响因素较少,无法较为全面地反映与用电量强关联的因素,同时针对高维数据变量筛选和高精度预测等突出难题,文中提出了一种弹性网络用电量预测模型。为了考虑更为全面的影响因素,建立了用电量、气象、经济、交通4类,共340个变量的数据集。首先对8年96个点的高维变量数据进行弹性网络因子筛选,然后使用Granger因果关系分析找出了用电量数据与其它数据的关联关系,对一年范围内的全社会月度用电量使用弹性网络进行预测,预测结果的平均绝对百分误差为3.07%。为验证该模型的有效性,对比向量自回归(VAR)模型,反向传播(BP)模型和最小绝对值收缩和选择算子(Lasso)预测的效果,验证了文中所提方法预测精度较高。     

基于量子和声优化的改进DMSFE组合模型及 在中长期电量预测中的应用

为了最大限度利用单项模型预测信息,减少模型选择的风险,给出了一种基于量子和声搜索算法(QHS)的改进DMSFE组合预测方法(QHS-IDMSFE)。考虑时点差异和模型差异,将DMSFE模型中的折现因子β扩展为矩阵形式。并采用量子编码和声库,利用态叠加增加和声库中每个和声携带的信息量,提高算法的寻优能力,以达到在保证MAPE目标函数最小前提下通过QHS算法寻优确定出最优β矩阵形式,进而确定单项模型的组合权重。采用两个地区年用电量数据对提出的模型进行验证,结果显示该组合方法能有效提高预测精度且适用于中长期电量预测。同时能够实现矩阵β的智能寻优,并保证预测误差最小。     

基于多指数平滑预测模型的中长期需电量预测

在电力市场运营模式下,对电力负荷的科学、准确预测,对电力系统安全、经济运行,具有十分重要的意义。提出了一种基于多指数平滑模型的中长期需电量预测方法,并应用prony法对历史数据进行分析和处理,得到多指数平滑预测模型中的各个参数,从而预测其后几年的需电量。最后利用该模型,对某个地区的1996～1999年的年需电量进行预测,算例表明,该方法具有较高的预测准确度,是一种行之有效的中长期需电量预测方法。     

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。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于功率或电量预测的智能配电网统计线损同期化方法

智能配电网中电量采集数据缺失、遗漏导致按月线损统计不是严格意义上的自然月。为解决线损统计不同期问题,提出基于功率或电量预测的方法来改善配网线损统计。通过挖掘售电量数据,提出了一种基于年度售电量的灰色预测结果。再根据季度、月度层级占比得到月售电量的预测方法,与实际值的平均相对误差仅为1.94%,证明此方法简单有效适合电力各部门的广泛应用。将月售电量预测结果应用于线损统计,结合供电比例系数法,改善表计供、售电量不对应的问题,使得同期化,对按月实时分析网损有实际意义。     

基于缓冲算子和时间响应函数优化灰色模型的中长期负荷预测

针对中长期电力负荷预测,对传统灰色预测模型进行改进。一方面,对原始数据序列进行平均弱化缓冲算子作用,有效地消除了冲击扰动系统的干扰;另一方面,提出了时间响应函数的优化方法,即利用原始序列与其模拟值的欧氏距离最小为约束条件,来确定常数C,使原始信息得到更好的利用。将改进的模型应用于某地区年负荷预测中,算例结果表明,改进的模型与传统模型相比具有较高的预测精度,更适用于长期负荷预测。