基于残差补偿GM的校准间隔动态优化算法

为了实现对测量仪器校准间隔的优化,对其校准数据进行建模,用GM(1,1)灰色预测模型预测参数的总体发展趋势,在此基础上利用BP神经网络对残差序列进行建模,通过训练补偿预测参数在总体趋势下的随机波动,从而得到校准数据的预测值。给出基于残差补偿的GM预测模型,对校准间隔进行动态优化,并通过实验对预测模型进行了验证。结果表明,此模型得到了较好的预测结果,既能预测总体趋势也能适应随机波动,并且简单易行,具有较强的普适性。     

中长期电力负荷的灰色残差修正组合预测

中长期电力负荷走向趋势曲线往往呈S型,直接运用灰色GM(1,1)模型预测会造成较大的偏差。针对负荷曲线固有的发展趋势,根据曲线发展的不同阶段分阶段预测,采用GM(1,1)模型进行第一阶段的预测,采用残差修正模型进行第二阶段的预测。在分阶段预测的基础上,根据每一阶段的预测精度分配权重,进行组合预测。该方法将数据本身发展趋势和模型固有优点相结合,预测结果表明该方法在提高精度上有可行性。     

基于神经网络修正的残差智能灰色模型在负荷预测中的应用

灰色GM(1,1)预测模型,要求样本数据少,具有原理简单、运算方便、短期预测精度高、可检验等优点,在负荷预测中得到了广泛应用,但是也有其局限性.当数据灰度越大,预测精度越差,且不太适合经济长期后推若干年的预测,在一定程度上是由模型中的参数α造成的,为此引入向量θ,建立残差GM(1,1,θ)模型,利用蚁群优化算法对其进行求解,同时应用神经网络对其预测残差进行优化.实证分析表明,与传统的预测方法相比,大大提高了预测精度,该方法具有一定的实用价值.     

基于GM(1,1)模型与灰色Verhulst模型的风速预测

在阐述灰色系统理论的基础上,将GM(1,1)模型与灰色Verhulst模型应用至风力发电预测中,最终利用这两种模型分别对某日10:20至11:00的风速数据进行分析建模,预测11:10与11:20的风速.最后通过残差分析得出Verhulst模型的预测精度更高,更适合应用于风速预测分析.     

基于改进灰色模型的蓄电池剩余容量预测

蓄电池作为直流系统交流停电时的后备电源,其剩余容量直接影响了直流系统的安全运行。在对现有灰色预测模型进行深入研究的基础上,将遗传算法引入到GM(1,1)模型中,对此加以改进,提出了一种新的基于遗传算法的蓄电池剩余容量灰色预测模型。预测实例表明,基于遗传算法的蓄电池剩余容量改进灰色预测模型比传统的GM(1,1)预测模型具有更高的模型精度,能够满足工程需要。该方法可减少传统的电池容量放电实验次数,从而延长了蓄电池的使用寿命。     

灰色预测技术研究进展综述

灰色预测技术是灰色系统理论的重要分支之一。分析了GM(1,1)模型的性质、GM(1,1)模型的改进与优化、GM(1,1)模型参数估计、GM(1,1)模型初始条件优化、GM(1,1)模型的扩展与应用及幂模型的研究进展;最后对灰色预测模型的未来研究方向提出了建议。     

基于灰色-周期外延组合模型的电力负荷预测

提出了灰色–周期外延组合模型,即在一般灰色模型GM(1,1)的基础上建立残差周期外延模型,并提取优势周期以重新构造新的数据序列,再将不同周期同一时刻的值叠加。该模型兼顾了电力负荷的增长性和周期波动性二重趋势,较好地克服了上述二重趋势引起的负荷变化非线性组合特征给精确负荷预测带来的困难。实例计算结果表明该模型明显地提高了电力负荷预测精度。     

基于灰色Verhulst和灰色马尔科夫的电力负荷预测组合模型

本文提出了电力系统中长期负荷预测的线性组合模型,即基于灰色Verhulst和灰色马尔科夫的组合模型。针对中长期负荷日趋饱和的特点,采用具有S型预测曲线的灰色Verhulst模型进行预测;针对灰色模型预测随机波动较大的负荷时拟合性较差的缺点,采用马尔科夫理论对灰色模型进行修正,弥补了灰色模型固有缺陷,提高其预测精度。通过线性组合法将灰色Verhulst模型与灰色马尔科夫模型相结合,规避了单一算法模型产生较大误差的风险,进一步提高了预测准确性。算例表明,该组合模型精度较高,具有实用性与可行性。     

基于改进灰色马尔科夫预测法的中长期负荷预测

提出了一种提高对可能发生较大畸变序列的负荷预测精度的方法。由于电力负荷受天气、节日、经济等较多因素影响,在时间序列上表现为非平稳的随机过程,在某些年份负荷值可能会出现较大畸变,导致模型预测精度下降。分三步对畸变较大的数据样本进行预测以及误差分析,首先建立灰色预测模型,然后利用残差进行模型修正以增加序列波动性,而后用改进的马尔科夫链进行误差修正以提高精度。采用某市1998年至2013年最大负荷作为样本数据验证算法有效性,算例结果表明:与传统灰色系统预测模型相比,此模型有更高的拟合精度和预测精度。此方法的优势在于:在相同样本情况下,拟合程度高并且可以明显修正畸变数据带来的误差。     

基于改进灰色模型的中长期电力负荷预测

针对电力系统负荷预测中灰色建模的局限性,通过对灰色预测方法的大量研究,提出了一种能改进灰色预测的方法。对负荷原始数据序列,再利用滑动平均法进行预处理及优化,从而增强灰色预测对波动负荷数据序列的抗干扰能力。利用改进的GM(1,1)模型对电力系统中长期负荷进行预测,并采用后验差检验法对GM(1,1)模型进行检验。理论分析和实例结果表明,改进后的模型提高了普通GM(1,1)模型的预测精度,扩展了该模型的适用范围。     

基于灰色马尔柯夫模型的电力系统负荷预测

在负荷预测中.对具有随机波动性质的历史数据通常采用指数加权、滑动平均、20%修匀等方法对其进行处理得到较为平滑的数据列.以期在应用数学模型进行预测时得到更为准确的结果.应用这些方法时需要对部分"不合群"数据进行判定并处理.文章采用的灰色马尔柯夫模型结合了GM(1,1)模型和马尔柯夫概率预测模型的优点,可对具有随机波动性质的负荷数据作出相对准确的预测,避免在信息不足时囡对历史数据作出不合理的判定和处理而带来的预测误差.     

基于灰色马尔科夫预测模型的中长期电力负荷预测

中长期负荷预测在电网发展规划编制中占有重要地位,而其关键是数学模型的建立。本文建立了基于马尔科夫修正的灰色负荷预测模型,利用灰色预测模型对未来负荷进行预测,对预测结果采用马尔可夫链预测方法进行改进,提高其预测的准确性。采用灰色马尔科夫模型对某市用电需求负荷建立预测模型,预测了2006至2008年的用电负荷,与实际用电负荷进行对比,结果验证了灰色马尔科夫模型在对电力负荷进行长期预测时具有较高的精度。     

基于灰色神经网络的发射塔架疲劳裂纹扩展预测

基于灰色系统和神经网络理论,建立了预测疲劳裂纹的灰色神经网络模型,并应用此模型预测了某发射塔架钢结构连接件的疲劳裂纹扩展情况,得到了较高精度的预测结果,为疲劳裂纹预测提供了一种简单、可靠和实用的新方法;同时也为大型结构的寿命预测提供了可靠的基础。     

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。     

基于组合模型的我国能源年消费总量的预测研究

以1990年至2007年中国能源年消费总量为基础,建立了ARXMA模型和GM(1,1)模型,并对这两个模型进行了分析.采用最小化方差的方法进行对两个单项预测的结果进行权重分配,建立组合预测模型,并对我国2008年至2012年能源年消费总量进行预测.结果表明组合模型的预测结果比两个单项模型的预测结果理想.     

基于灰色预测的静止同步补偿器控制

针对模型参数变化和噪声干扰的静止同步补偿器(STATCOM)单机无穷大系统,提出了一种基于灰色预测的无功电流控制。运用GM(1,1)模型预测下一时刻的无功电流,并根据STATCOM非线性数学模型建立了系统无功补偿电流的控制模型。从而将无功电流灰色预测控制补偿到PID控制中,利用来色系统理论进行预报,具有不必完全知道被控对象结构、参数和特性的优点,这对于像STATCOM这样大型非线性系统的预测控制实现非常有利。仿真结果表明,该方法比传统的PID控制具有更强的跟踪能力和鲁棒性。     

基于灰色-马尔可夫链的短期风速及风电功率预测

风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。     

一种旋转变压器-RDC测角系统的数字标定及补偿方法

针对旋转型直接驱动伺服电机转轴角位置精密测量，采用了由旋转变压器-RDC构成的高精度测角系统，介绍了测角系统的硬件构成和RDC及其相关参数的选择。为提高测角系统的精度与可靠性，提出了一种数字标定方法，根据对标定曲线的分析得到了RDC的突跳误差和旋转变压器的交轴误差，并提出了采用软件消除和补偿误差的措施。实验结果表明，通过数字标定和误差补偿后的测角系统精度达到3角分。     

基于 GM（2，1）模型的风速预测研究

在灰色系统理论的基础上,介绍了 GM（2,1）模型的建模与求解过程。在短期风速预测中,通过给出不同初始值,比较平均相对误差的大小,最终得到最佳的风速预测 GM（2,1）模型。实例验证表明,GM（2,1）模型预测效果较好。