组合灰色预测模型在电力负荷预测中的应用

基于灰色预测理论,研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性,提出了电力系统中长期负荷预测的实用新方法--组合灰色预测模型.以实际算例为基础,应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测,并进行了分析比较.结果表明,用灰色理论预测电力负荷,理论可靠、方法简单.对于中长期电力负荷预测这样复杂的问题,组合灰色预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期电力负荷预测的工具之一.     

基于灰色聚类的组合预测单项模型选择

建立组合预测模型关键是单项预测方法的筛选,本文将采用灰色聚类分析方法对单项预测模型组进行筛选.首先依据所研究的实际问题,建立多个单项预测模型,然后计算每一个单项预测方法的点拟合相对误差,最后再利用这些数据,借助灰色聚类方法实行对比评估,构建组合预测模型需求的各个单项模型,以增强该模型预测的准确性.应用实例的分析表明该方法是可行的和有效的.     

基于最优加权法的航空货运量组合预测

以1997～2007年我国航空货运量的统计数据为基础,采用灰色GM(1,1)模型和回归分析模型进行组合优化,建立了基于最优加权法的航空货运量组合预测模型,并对组合预测模型进行检验.检验结果表明,组合预测模型是有效的、可靠的,具有较高的预测精度,可应用于实际预测.     

灰多元前移线性回归组合预测模型的构建及其应用

基于灰色系统理论具有时间序列和累加的特性,将灰色理论引入到前移线性回归分析模型中,建立一种新的组合预测模型―灰多元前移线性回归组合预测模型.该模型很好地处理了灰色系统模型中难以体现线性因素的问题,同时也大大弱化了前移线性回归分析模型中异常数据对预测效果的影响,使预测能及时跟踪因变量的动态变化.本文重点将上述组合预测模型应用于湖南省电力需求的预测问题中,结果表明,该模型在实际应用中是十分有效的,预测结果可以作为管理决策的理论依据.     

基于组合模型的电主轴热误差预测

针对数控机床电主轴复杂的热变形机理,建立了基于径向基函数神经网络的组合预测模型预测其变化趋势.根据测量的电主轴热变形数据,分别采用自回归分析模型、灰色系统模型和智能组合预测模型对主轴热误差进行了预测.结果表明:电主轴热误差组合预测模型的预测准确性优于各单项模型,相对预测精度高出较高单项预测模型3％.     

灰色组合预测模型及其在人口预测中的应用

分别以原始数据的一次累加生成序列中的每个数据作为初始条件,建立了多个GM（1,1）预测模型,进一步建立了线№组合预测模型,组合模型的权系数利用蚁群算法确定．最后给出了我国人口数量的组合预测模型,计算结果表明,灰色组合预测模型的拟合和预测精度要优于单个传统预测模型．     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

基于灰色增量的陕西省人口组合预测模型

利用陕西省人口原始数据资料,建立了陕西省人口数量的灰色增量预测模型,并给出了模型的检验。在此基础上,利用单个灰色增量预测模型建立了陕西省人口数量的组合预测模型。预测结果表明未来4年陕西省人口数有逐年缓慢上升的趋势。     

两种工况下电主轴热误差的组合预测模型

为了有效地提高数控机床电主轴热变形模型的预测精度,在2种典型工况下,根据电主轴结构热变形的产生机理,提出了一种基于模糊逻辑的组合预测模型.该模型综合了由自回归分析理论和灰色系统预测理论所建立的热误差模型,采用模糊逻辑选取权值,使各单项预测模型能够扬长避短,从而增强了组合预测模型的泛化能力.通过对电主轴热变形工况下的实验结果与计算结果的比较表明,在单项预测模型中的工况1下,灰色系统预测模型的相对误差较小(6.9%),在工况2下,自回归预测模型的相对误差较小(12.1%),而组合预测模型在2种工况下的相对误差分别为2.2%和8.9%.因此,组合预测模型具有较高的精度和较强的鲁棒性.     

一种组合预测模型及其应用

在分析宏观经济灰色预测模型、BP神经网络预测模型、回归分析预测模型等基础上,结合西安市宏观经济预测模型指标GDP的历史数据,采用最小二乘法求权系数的方法,建立并检验了一种组合预测模型.实验证明该模型的预测精度有显著提高.     

模袋砂堤防沉降量预测的分数阶灰色模型

为获得更优的模袋砂堤防沉降预测结果,基于灰色模型,提出一种分数阶灰色模型。运用MATLAB语言编写了相关程序,实现微分阶次到分数阶的改变,并运用该模型对模袋砂滩涂围垦测试的沉降结果进行实例分析。分数阶灰色模型与灰色Verhulst模型、残差GM模型、GM(1,1)模型对比分析表明:(a)分数阶灰色模型预测结果更精确,其不仅具有GM(1,1)模型前期预测效果好的优点,而且具有灰色Verhulst模型后期预测效果好的优点;(b)分数阶灰色模型的中长期预测结果稳定性比残差GM模型好。     

高速公路交通事故的灰色预测模型

在分析中国交通事故历史数据的基础上,引入灰色预测模型,根据数据特性建立了改进的灰色Verhulst模型,同时对改进的灰色Verhulst模型、灰色Verhulst模型和GM(1,1)模型进行比较。结果表明：改进的灰色Verhulst模型较好地反映了告诉公路交通事故的发展趋势,提高了模型的预测精度,扩大了模型的适用范围。     

灰色关联模型分辨系数p区间的理论分析及在回采面安全性评价实例中的验证

简要论 述了灰 色关联理 论在灰色 系统理 论中的重 要地 位以 及灰 色关 联分 析的 方法、模型和步骤 ．从理论 上对灰色 关联模型 中的分 辩系数 ｐ 取 值的 合 理范 围进 行 较全 面 的分 析,给 出 了合理的取 值区间 ,并以回采 工作面 安全性灰 色评价 实例进行 验证．表 １ ,图 １ ,参 ６ ．     

基于灰色马尔可夫模型的采煤机生产率的预测

生产率是衡量采煤机工作性能的一项重要指标,对煤矿开采的科学决策以及发展规划具有重要的指导意义.通过建立采煤机生产率的指标评价体系,运用灰色GM (1,1)模型以及灰色马尔可夫模型分别进行了预测,经过比较可发现,灰色马尔可夫模型预测的准确率和预测精度都优于GM(1,1)模型,尤其对波动性和随机性大的数据具有很好的拟合和预测效果,为具有多因素影响的采煤机生产性能预测评价提供了一种有效的途径和方法.     

基于灰色自记忆原理的煤矿瓦斯浓度预测

 井下瓦斯浓度预测是预防煤矿瓦斯事故的重要环节和基础工作。以预测煤矿瓦斯浓度为研究目的,采用灰色系统理论与自记忆原理相结合的方法,将灰色系统理论导出的煤矿瓦斯浓度变化微分方程代入由自记忆原理推导的离散形式自记忆方程,利用最小二乘法求得记忆系数,建立了煤矿瓦斯浓度预测的灰色自记忆模型。结合李雅庄煤矿304综采面瓦斯浓度实测值,由试算法确定最优回溯阶p=7,建立瓦斯浓度预测灰色自记忆模型,并与G(1,1)模型进行对比分析。研究表明,灰色自记忆模型综合了灰色系统理论和自记忆原理的优越性,能够准确拟合与预测出井下瓦斯浓度变化的总体趋势与波动细节,有较好的工程适应性和较高的预测精度,为井下瓦斯浓度预测提供新的途径。     

广义区间灰数关联度模型

针对传统灰色关联度模型只能适用于实数序列而不能应用于区间灰数序列的情况,以区间灰数序列中对应区间灰数的距离之和作为两区间灰数序列的关联度,构造了广义区间灰数关联度模型,包括适用于具有相同量纲的系统行为序列的区间灰数绝对关联度、适用于具有不同量纲的系统行为序列的区间灰数相对关联度,以及综合考虑区间灰数绝对关联度和区间灰数相对关联度的区间灰数综合关联度,并对它们的性质进行了初步研究．最后,通过实例说明了广义区间灰数关联度模型的计算过程与可行性．     

矿井瓦斯涌出量灰色GM（1，1）预测模型的分析

灰色预测模型为矿井瓦斯涌出量时间动态数列的预测提供了一条新的途径。本文在对灰色ＧＭ（１，１）预测模型进行有关分析的基础上，提出了矿井瓦斯涌出量预测的ＧＤＭ模型，以进一步拓宽灰色预测的应用范围．利用该预测模型对一些矿井进行瓦斯涌出量的预测研究，均得到了较为满意的结果．     

灰色系统理论在林木生长量预测中的应用

本文试把灰色系统理论应用于林木生长量预测,探索其生长的灰色动态模型。建模时,桉树木生长的生理规律,采用了灰色校正模型。该模型使用呈指数规律变化的校正系数,克服了中长期预测误差较大的缺陷,从而扩大了灰色预测方法的应用范围。最后,利用生成的预测校正模型对未来经理期的生长量作出预测,与实际情况吻合较好。     

工程建筑变形分析的灰色模型探讨

为研究工程建筑的变形规律,合理预测未来的变形趋势,针对工程建筑变形中存在的变形因素复杂、变形大小不确定性、点位间主次关系不明确等情形,采用灰色系统理论建立变形分析灰色模型。通过两个工程实例,分别应用GM(1,1)模型和MGM(1,n)模型进行变形的预测和检验,充分证实了应用灰色模型进行工程建筑变形分析的可行性和可靠性,为工程建筑的变形分析和安全性诊断提供了可靠的理论依据和科学的分析方法。     

心功能曲线的灰建模研究

以信息覆盖为准则，依靠少量信息，建立了心功能曲线的灰色模型和数学回归模型，误差检验灰模型的精度明显高于数学回归模型，在分析了心功能曲线的生理特性和发展变化特点的基础上，提出了心功能曲线的闸门－激活式联合灰模型理论及计算ｋ至ｋ＋１灰区间模型值的映射量化方法．