基于改进的GM(1,1)模型的南京市用水量预测

运用传统的和改进光滑度后的GM(1,1)模型分别对南京市年用水量进行建模预测.改进的GM(1,1)模型先对原始数据进行线性变换,再对变换后的数据应用GM(1,1)模型进行预测,有效提高了模型的拟合精度和预测精度.1998～2006年南京市用水量的建模结果分析表明,改进后的GM(1,1)模型预测用水量时拟合效果更好;2007～2009年用水量资料验证亦表明改进后的模型预测精度更高.     

系统优化的GM(1,1)模型在大坝位移预测中的应用

针对传统灰色GM(1,1)模型的缺陷,以陈村大坝为例,根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,求得新灰色GM(1,1)预测模型的最优初始值,改进了原GM(1,1)模型的背景值及灰度值,并与传统GM(1,1)模型做了比较.数值仿真结果表明,新模型精度较高,预测效...     

基于改进背景值构造方法的GM(1,1)能源消费预测模型

针对传统GM(1,1)模型预测能源消费时存在的问题,改进了传统GM(1,1)模型中背景值的构造方法,提出用Newton差分插值和高阶Newton-Cotes公式构造背景值,并以四川省为例进行能源消费预测.结果表明,改进的GM(1,1)模型预测误差较小,精度较传统GM(1,1)模型有所提高,可用于四川省未来能源消费量的预测.     

基于改进GM(1,1)模型的电力市场期货价格的预测

建立和实现了基于灰色理论的电力市场期货价格的改进GM(1,1)预测模型。从改进θ参数、修正初始条件、等维新息处理等三个方面对原始GM(1,1)模型进行了改进,并利用真实期货价格检验改进GM(1,1)模型的拟合效果。结果表明,改进GM(1,1)模型的预测效果明显好于原始模型,具有较高的预测精度。     

基于改进灰色理论的中长期负荷预测方法研究

摘要： 中长期负荷预测是配电网规划的必要前提,对于电力系统经济效益和社会效益的提升具有重要意义。针对传统灰色预测模型预测精度低,适用性不强的缺陷,提出了一种基于改进灰色理论的电力系统中长期负荷预测方法。该方法在经典灰色预测GM（1,1）模型的基础上,首先利用三点平滑法对历史数据进行预处理,然后再构建基于等维新息矩阵的GM（1,1）模型,最后利用残差处理方法对预测结果进行修正。基于四川某地区售电量负荷预测的实际算例的仿真结果表明,相比于传统灰色预测模型,本文提出的改进灰色预测方法在预测精度和适用性方面都具有显著优势。     

改进的非等间距GM(1,1)大坝位移监控模型

针对传统GM(1,1)监控模型在拟合和预测大坝位移方面的不足,通过采用积分方式重构背景值、引进最佳赋权矩阵体现原始数据的时间影响效应、优化残差等途径,提出了改进的非等间距GM(1,1)大坝位移监控模型。结合工程实例,对比分析表明改进的GM(1,1)监控模型相比于传统GM(1,1)监控模型在对大坝位移原始监测资料分析的基础上,预测精度有较大提高,可作为一种新的预测手段应用于大坝位移预测中。     

负荷预测的变权重灰色模型及其应用

针对传统灰色预测模型GM(1,1)在电力负荷预测中存在的局限性,提出了电力系统中期负荷预测的变权重灰色模型.以河北承德为例进行负荷预测,并与指教平滑法、动平均法、二项式预测模型和GM(1,1)模型四种方法的预测结果及实际用电量进行分析比较.结果表明,该模型预测精度较高、简捷、合理、实用,可作为中期电力负荷预测的工具之一.     

改进的非等间距GM(1,1)模型在大坝位移预测中的应用

针对传统GM(1,1)模型在大坝位移预测中的缺陷,通过引入时间变量构建缓冲算子、重构背景值、优化残差等方式改进传统GM(1,1)模型。以某大坝测点径向位移样本为例,分别采用两种模型对观测值进行拟合预测。结果表明,改进的非等间距GM(1,1)模型预测精度有较大提高,更适用于大坝位移监控。研究成果可为大坝位移预测提供参考。     

改进的GM(1,1)模型在西安市用水量预测中的应用

针对近年来西安市用水量变化的特点,采用改进的GM(1,1)模型用于用水量预测,并与传统的GM(1,1)预测模型进行了比较.结果表明,改进的GM(1,1)模型可取得较好的预测结果.     

改进灰色模型在电力负荷预测中的应用

灰色GM（1,1）模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,导致对某些变化规律的负荷预测误差较大,精度不能满足要求,在实际应用中具有一定的局限陛。对灰色GM（1,1）模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

疲劳裂纹的灰色残差预测

借助灰色理论，建立了预测疲劳裂纹扩展的灰色残差预测模型，并应用此模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展，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易而可靠的新途径。     

风电场风速及风电功率预测方法研究综述

由于风能的随机性以及电力系统的非线性等原因,预测风电功率时需要考虑众多的不确定因素影响。现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报(NWP-numerical weather prediction)的物理预测方法模型复杂、计算量大,较少用于短期预测;统计预测方法模型简单,数据需求量少,较适合于数据获取有一定困难的情况;人工智能预测方法不依赖于对象的精确模型,适合于随机非线性系统;综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述,并在总结前人研究的基础上提出了一些可进一步研究的问题。     

Review on hydrogen fuel cell condition monitoring and prediction methods

A hydrogen fuel cell combines oxygen and hydrogen to generate electricity, which becomes a promising power source. The conditions of the fuel cell, such as health status, and faults, are essential for ensuring the continuous power supplying. There are technologies and algorithms carried out for fuel cell health monitoring, fault diagnosis, and prediction, lifespan prediction. For a comprehensive understanding, this paper proposed a comprehensive overview of the work on fuel cell conditions monitoring technology. It reviewed the works of literature from two different points of view, technology, and scenario. For technology view, there are model-based method, filter-based method, and data motivated method. For scenario views, it proposed a 5 × 5 tables for detail comparison. Based on this review, readers can easily understand the current status of condition monitoring technology for the fuel cell.     

基于非参数核密度估计的风电功率区间预测

由于风电的高度随机性和波动性,且风电功率的预测精度仍较低,因此传统的风电功率点预测不足以描绘风电的不确定性。在风电功率点预测值的基础上,采用非参数核密度估计方法计算风电功率预测误差的概率密度,并采用三次样条插值拟合预测误差的概率分布曲线,继而得出满足一定置信概率的风电功率预测区间。结果表明,采用风电功率区间预测能提供风电功率预测曲线和该曲线的变化范围,更有利于风电的不确定性建模。     

Influence of neural network training parameters on short-term wind forecasting

This paper investigates factors which can affect the accuracy of short-term wind speed prediction when done over long periods spanning different seasons. Two types of neural networks (NNs) are used to forecast power generated via specific horizontal axis wind turbines. Meteorological data used are for a specific Western Australian location. Results reveal that seasonal variations affect the prediction accuracy of the wind resource, but the magnitude of this influence strongly depends on the details of the NN deployed. Factors investigated include the span of the time series needed to initially train the networks, the temporal resolution of these data, the length of training pattern within the overall span which is used to implement the predictions and whether the inclusion of solar irradiance data can appreciably affect wind speed prediction accuracy. There appears to be a relatively complex relationship between these factors and the accuracy of wind speed prediction via NNs. Predicting wind speed based on NNs trained using wind speed and solar irradiance data also increases the prediction accuracy of wind power generated, as can the type of network selected.     

基于LSTM神经网络的中长期光伏电站发电量预测方法研究

准确估算光伏电站的中长期发电量对电网规划改进、调度优化、管理发展具有重要意义。然而,由于中长期发电量预测与短期出力预测存在显著差异,短期出力预测技术无法直接应用于中长期电量预测。文章提出一种基于模糊C均值聚类-随机森林算法FCM-RF和LSTM神经网络的中长期辐照度预测模型,进而提出间接预测分布式光伏电站发电量的方法。针对传统随机森林在数据差异性处理能力不足的问题,引入模糊C均值聚类算法对传统随机森林算法模型进行了改进。设计了LSTM神经网络,解决了"长时间周期依赖"问题。最后经实验验证,该分布式光伏电站中长期发电量预测模型每月预测平均误差百分数MAPE在3.5%上下波动,各电站年预测值在1.1%上下波动,预测效果较好。     

Short term wind speed forecasting for wind turbine applications using linear prediction method

In this paper a new method, based on linear prediction, is proposed for wind speed forecasting. The method utilizes the ‘linear prediction’ method in conjunction with ‘filtering’ of the wind speed waveform. The filtering eliminates the undesired parts of the frequency spectrum (i.e. smoothing) of the measured wind speed which is less effective in an application, for example, in a wind energy conversion system. The linear prediction method is intuitively explained with some easy to follow case studies to clarify the complex underlying mathematics. For verification purposes, the proposed method is compared with real wind speed data based on experimental results. The results show the effectiveness of the linear prediction method.     

利用压降数据预测非均质地层渗透率分布

由予国内外存在大量的非均质油藏,利用试井资料及其他动态资料求取地层参数、描述油藏的非均质性,是国内外石油工业界中的一个热点和难点课题,特别是上世纪80年代以后,国外对直接根据不稳定试井资料对储层非均质性进行大量理论探讨。美国的Stanford大学、Tulsa大学、加拿大Alberta大学和Chevron公司等众多研究单位都在对这一课题进行研究,尤其是在预测地层渗透率分布问题上进行了许多尝试。综合运用油气渗流理论、特殊函数、数值计算方法,研究了利用压降数据预测非均质地层渗透率分布的理论和方法。     

基于LS-SVM—马尔科夫模型的大坝变形预测

针对单一模型在大坝变形预测中精度不高的问题,提出一种基于LS-SVM—马尔科夫模型的预测方法,即基于LS-SVM模型的预测结果,利用马尔科夫模型对其进行误差修正,从而提高了预测精度。通过对某拱坝变形的预测分析,并与LS-SVM模型预测结果进行对比,发现LS-SVM—马尔科夫模型的预测结果较符合实际情况,该模型具有更高的预测精度和优越性。