基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于预测模型库关联优化的电力负荷组合预测模型

针对中长期电力负荷同时具有增长性和波动性的二重趋势,基于预测模型库关联优化的电力负荷组合预测模型理论,首先对GM(1,1)模型进行改进,引入修正系数,使得原始序列与新预测值的误差在最小二乘意义下达到最小。然后建立模型库,通过灰色关联分析选取两个关联度最大的预测模型,再对这两个预测模型进行优化组合,得到最优模型。通过实例验证,基于预测模型库关联优化的电力负荷组合预测模型达到了满意的预测结果。     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

灰色GM(1.1)模型及其在电力负荷预测中的优化应用

针对传统灰色模型的建模机理和存在的局限性,提出了改进方法,建立了新的电力负荷预测模型.通过实例计算表明,该模型具有良好的适用性和预性精度.     

基于GMDH的中长期电力负荷组合预测模型

组合负荷预测模型能够充分利用数据信息,有效降低预测风险、改善预测效果,在中长期负荷预测中获得了广泛应用。而目前的组合预测模型实质大都为单一预测模型的加权平均,没有能够充分发挥综合预测的优势.应用数据分组处理方法（GMDH）进行组合预测,在充分考虑各单一模型特点和预测效果的基础上,形成多元非线性组合预测模型,自动从数据中挖掘出重要信息,克服了传统组合预测模型建模中的主观因素影响,可以改善预测精度。并将该预测模型应用于实际电网,计算结果表明该模型有效提高了预测精度,适用于中长期负荷预测.     

基于社会经济指标影响的电力系统月度负荷组合预测模型

电力负荷受到多种因素影响,用负荷历史数据进行负荷预测结果往往不准确.考虑社会经济指标的影响,采用无偏灰色预测模型与偏最小二乘模型相结合的方法对月度电力负荷进行预测.首先通过无偏灰色理论的方法预测各社会经济指标,然后针对社会经济指标与电力月度负荷的变化特点进行偏最小二乘建模.最后拟合出负荷与各指标之间的线性关系式.实例证明,该组合预测模型具有较高精度.     

灰色计量经济学模型在中长期电力需求预测中的应用研究

提出了一种基于灰色计量经济学模型的中长期电力系统负荷预测方法。通过在传统计量经济学模型中融入灰色系统模型,改善了传统模型的拟合效果,提高了预测精度。在华北地区某市"十一五"电力需求预测工作中,分别用传统计量经济学模型和灰色计量经济学模型对电力负荷进行了预测,结果表明灰色计量经济学模型具有显著的优越性,是一种实用而有效的电力需求预测方法。     

基于缓冲算子和指数修正的优化灰色预测模型的中长期负荷预测

本文对传统的灰色预测模型进行了改进,一方面,为了强化原始数列的大致趋势,减弱异常值的影响,采用了弱化缓冲算子进行了处理;另一方面,也对指数a模型加以优化修正;数值试验表明,改进的灰色预测模型有效地改善了模型预测精度,并扩大模型适用范围,最后对某市2001-2010年间的电力负荷进行了预测.     

改进灰色模型在中长期电力负荷预测中的应用

针对中长期电力系统负荷预测,在前人已有成果的基础之上,对普通灰色模型进行了改进.一方面对历史数据进行二次平滑处理,大大消除了干扰因素;另一方面利用带有马尔可夫链符号估计的残差修正技术对未来残差的符号进行预测以修正灰色模型的预测结果.以某地区多年以来的历史数据为基础,建立了数学模型,通过实际数据计算表明:改进后的灰色负荷预测方法可以应用于电力系统中长期负荷预测,而且较普通灰色预测模型在预测精度上有着明显的提高,尤其是对于较远时间的负荷预测有着较为理想的预测精度,表明了该种方法的有效性和实用性.     

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。     

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.     

基于SVM-GA模型的城市天然气长期负荷预测

天然气长期负荷预测能够解决城市燃气供需不平衡的问题,为城市燃气公司的管理运行提供帮助。为了提高天然气长期负荷的预测精度,提出了基于SVM-GA(SupportVectorMachines-GeneticAlgorithm)的天然气长期负荷预测模型。分析确定影响天然气用气量的相关因素,应用遗传算法和交叉验证方法分别对支持向量机模型的惩罚因子c 及核函数参数g 进行优化,以期提高支持向量机模型的预测精度,将优化后的参数输入支持向量机模型中,进行天然气长期负荷预测。以某省实际的样本数据为例,将SVM-GA模型的预测结果与SVM 和交叉验证法结合模型及BP(BackPropagation)神经网络模型的预测结果进行比较分析。结果表明,SVM-GA 预测模型分别比SVM 和交叉验证法结合预测模型和BP神经网络模型在衡量预测精度的相对均方误差、归一化均方误差、归一化绝对平方误差、归一化均方根误差、最大绝对误差五个指标分别高0.58%、3.98%、2.99%、4.58%、8.64%和6.13%、26.28%、19.71%、21.09%、31.48%。因此支持向量机与遗传算法相结合的模型能够较准确地预测天然气长期负荷。     

视觉测量数据的灰色挖掘方法及其精度评定

在视觉测量的过程中,将由工程样机得到的有限数据进行灰色挖掘并且与曲线拟合相结合,充分地发挥2种不同方法各自的优势,以寻找位置精度与测量距离之间的关系.首先,利用少量的实验数据建立灰色预测模型,通过该模型对有限的测量数据进行挖掘以增加样本量.然后,利用灰色关联方法分析世界坐标系3个坐标轴上的位置精度与测量数据之间的关联性.最后,对灰色预测模型得到的数据进行多元、多阶的多项式拟合.实验结果表明:该方法预测数据的精度可以达到1级,并且位置精度与测量距离之间拟合的准确度优于99%.     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

Hybrid grey model to forecast monitoring series with seasonality

The grey forecasting model has been successfully applied to many fields. However, the precision of GM（1,1） model is not high. In order to remove the seasonal fluctuations in monitoring series before building GM （1,1） model, the forecasting series of GM（1,1） was built, and an inverse process was used to resume the seasonal fluctuations. Two deseasonalization methods were presented , i. e. , seasonal index-based deseasonalization and standard normal distribution-based deseasonalization. They were combined with the GM（1,1） model to form hybrid grey models. A simple but practical method to further improve the forecasting results was also suggested. For comparison, a conventional periodic function model was investigated. The concept and algorithms were tested with four years monthly monitoring data. The results show that on the whole the seasonal index-GM（1,1） model outperform the conventional periodic function model and the conventional periodic function model outperform the SND-GM（1,1） model. The mean absolute error and mean square error of seasonal index-GM（1,1） are 30.69 % and 54.53 % smaller than that of conventional periodic function model, respectively. The high accuracy, straightforward and easy implementation natures of the proposed hybrid seasonal index-grey model make it a powerful analysis technique for seasonal monitoring series.     

改进的离散灰色模型在中长期负荷预测中的应用

将离散灰色模型（DGM）引入到负荷预测中来解决负荷增长速度过快时预测精度变差的问题．通过研究灰色预测中存在的初值敏感性问题以及原始数据的预处理问题,对离散灰色预测模型进行改进．通过典型的实例研究离散灰色模型及其改进模型在中长期负荷预测中的应用．结果表明,离散灰色模型在中长期负荷预测中是适用的,且它的改进模型在实际预测中具有更高的预测精度．     

基于熵权法的PHC管桩承载力组合预测

为克服单项预测方法产生的误差,利用灰色模型GM（1,N）、多元线性回归、BP神经网络等3种单项预测方法建立组合预测模型,并采用熵值法确定加权系数。通过对PHC管桩承载力进行比较预测,结果显示GM（1,N）法平均绝对百分比误差（MAPE）值为5.4%,多元线性回归法的MAPE为3.0%,BP神经网络法的MAPE为2.8%,组合预测法的MAPE为2.3%。因此组合预测法精度较高,实用性更强。     

高速铁路软土路基沉降预测

通过实测资料分析了高速铁路堆载预压软土路基沉降规律,其沉降发展过程可分为填筑阶段—恒载阶段—堆载预压阶段—卸载阶段,沉降曲线与S形成长曲线类似.利用最小二乘法,以组合模型的误差平方和最小为目标函数来确定最优加权系数,建立了加权组合预测模型.采用Origin软件分别拟合Gompertz曲线和Logistic曲线,基于组合模型思想求得加权系数,进而求得组合模型预测值.研究结果表明,加权组合模型能吸收不同单一预测模型的优点,其预测精度比单一模型更高.