基于改进的分形理论的短期电力负荷预测

为提高负荷预测结果的精度,设计了一种基于改进的分形理论的短期负荷预测模型。选取与实测日气象数据相似的日期作为基准日,对其进行重标极差法分析,从而确定其具有分形的特征,根据分形插值区间计算迭代压缩因子和确定迭代函数系统(IFS:Iterative Function System)建立实测日的分形插值函数,通过移动平均函数对数据进行处理,利用最小二乘法(OLS:Ordinary Least Square)建立数据拟合方程,将时间数据带入拟合方程中计算预测数据。经过仿真对比实验,改进后的比改进前的预测模型预测的负荷数据平均绝对百分比误差(MAPE:Mean Absolute Percentage Error)下降了0.26,证明了改进分形理论的短期电力负荷预测模型可以有效提高负荷预测结果的准确性。     

基于模糊多项式拟合的乙肝发病率预测

本文主要探讨了模糊多项式拟合技术在乙肝发病率预测的应用.利用模糊多项式拟合技术对我国内地法定报告乙肝发病率进行拟合并预测,乙肝发病率模糊多项式拟合的平均相对误差为1.83%,小于中长期预测精度要求的20%,模型可用于后推预测.最后发现模糊多项式拟合模型用于乙肝发病率预测效果较好.     

燃气年度负荷预测的偏最小二乘回归分析法

城市燃气的年度负荷受到多种因素的影响,如能源政策、人口和国内生产总值等,各因素之间相互制约和影响,存在着严重的多重相关性,若采用普通的回归分析会使结果产生较大的偏差,而偏最小二乘回归方法能很好地解决这一问题．采用偏最小二乘回归分析法对燃气年度负荷进行拟合和预测,实例表明,该方法具有建模简单、计算结果可靠的特点,所得到的回归方程能综合分析各因素对于负荷的影响权重,具有较强的实用性．     

灰色改进等维新息GM（1，1）模型在电力系统长期负荷预测中的应用

本文分析了灰色系统预测ＧＭ（１，１）模型用于长期负荷预测时的局限性，针对电力系统需求增长的特点，提出了灰色改进等维新息ＧＭ（１，１）模型，对江苏电网的用电量进行测算的结果表明，采用改进等维新息ＧＭ（１，１）模型进行长期负荷预测的精度高于一般灰色ＧＭ（１，１）模型的预测精度，给出了程序框图与测算结果。     

基于灰色系统预测的老龄化预测模型

在6次全国人口普查数据的基础上,利用灰色系统的GM(1,1)理论,构建了我国超过65岁人口的预测模型,得到了老龄人口比例的拟合函数,经检验残差小于0.1,并得到了未来老龄化程度的拟合函数,预测2050年我国老年人口比例将达到14.4%。利用此模型对未来人口增长率进行预测。     

基于免疫粒子群神经网络的短期预负荷测

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,提出了基于径向基（RBF）神经网络的短期电力负荷预测模型．采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值．综合考虑气象、天气等影响负荷因素进行短期负荷预测．仿真试验表明,该方法同传统RBF神经网络相比,具有较高的预测精度,同时具有较强的实用性．     

配电网短期负荷小波组合预测研究

分析不同规模的配电网负荷,验证了配电网短期负荷变化复杂的特征,采用单一预测方法进行配电网短期负荷的预测仿真.考虑到配电网短期负荷变化规律性不明显的特点,利用db4小波函数对配电网的历史负荷数据序列进行最大尺度分解重构,将历史数据划分成不同频段的分量,根据不同频段负荷分量特点分别采用GM(1,1)模型、时间序列法及二次指数平滑法对低、中、高频分量进行预测,再将各分量预测值叠加得到总的预测结果.结果表明,该组合预测法可有效提高预测精度,获得较为满意的预测结果.     

地区电网负荷预测的灰色Verhulst与系统动力学组合模型

为解决传统地区电网负荷预测中单一模型预测误差较大的风险和无法充分利用历史数据的缺陷,提出一种地区电网负荷预测的线性组合模型——灰色Verhulst与系统动力学组合模型。以社会用电量历史数据为原始数据,先后建立灰微分方程和白化微分方程并进行求解,得到基于灰色Verhulst模型的负荷预测时间序列,该模型适用于负荷按照S形曲线增长或负荷增长处于饱和阶段的预测;综合考虑经济、人口、能源替代和再电气化等对社会用电量的影响,建立负荷预测的经济子系统、人口子系统、能源替代和再电气化子系统、电力消费子系统,得到基于系统动力学的负荷预测模型,该模型适用于结构复杂、原始信息丰富、子系统之间联系紧密的负荷预测。在不增加复杂性的基础上,通过最小方差准则对单一模型进行线性组合,建立地区电网负荷预测的组合模型。采用枣庄市所有地块进行算例分析,结果表明:在充分利用了负荷历史数据后,71%的地块的预测精度较单一模型的有所提高;在采用最小方差准则对单一模型进行线性组合后,29%的地块产生较大预测误差的风险较单一模型的有所降低。     

Logistic模型在高层建筑物沉降监测中的应用

介绍了Logistic增长曲线模型,通过实测数据建立沉降预测模型,拟合出s-t曲线,用平均绝对百分误差(MAPE)来评价预测模型拟合的精度,发现Logistic模型属于高精度拟合.将预测数据与实际观测数据进行对比分析,预测精度较高.结果表明该模型可用于高层建筑物的沉降预测情况.     

3.7AGeV^16O-AgBr作用簇射粒子阶乘矩事例间涨落

本文引用了熵指数μq来描述3.7 A GeV16O-AgBr作用产生簇射粒子的事例间阶乘矩涨落,给出了所有事例的平均阶乘矩、个别事例的阶乘矩、及阶乘矩的分布,最后得出阶乘矩分布的矩和熵指数,结果表明3.7A GeV 16O的事例间的阶乘矩涨落与超高能下有相似的结果,推断可能有同一物理过程。     

基于最优组合预测法的电网用电量预测

西藏林芝电网电源单一,冬、春季拉闸限电局面日趋严重,为科学预测电网用电量,提出基于一元线性回归模型与灰色模型建立最优加权组合预测模型,应用最优模型对林芝电网2000～2007年电网用电量的历史数据进行拟合,对2008～2015年的用电量进行预测,通过实例分析表明最优组合预测结果更为精确,并预测出2015年电网用电量将达到1.68亿kW.h。     

Seasonal Least Squares Support Vector Machine with Fruit Fly Optimization Algorithm in Electricity Consumption Forecasting

Electricity is the guarantee of economic development and daily life. Thus, accurate monthly electricity consumption forecasting can provide reliable guidance for power construction planning. In this paper, a hybrid model in combination of least squares support vector machine(LSSVM) model with fruit fly optimization algorithm(FOA) and the seasonal index adjustment is constructed to predict monthly electricity consumption. The monthly electricity consumption demonstrates a nonlinear characteristic and seasonal tendency. The LSSVM has a good fit for nonlinear data, so it has been widely applied to handling nonlinear time series prediction. However, there is no unified selection method for key parameters and no unified method to deal with the effect of seasonal tendency. Therefore, the FOA was hybridized with the LSSVM and the seasonal index adjustment to solve this problem. In order to evaluate the forecasting performance of hybrid model, two samples of monthly electricity consumption of China and the United States were employed, besides several different models were applied to forecast the two empirical time series. The results of the two samples all show that, for seasonal data, the adjusted model with seasonal indexes has better forecasting performance. The forecasting performance is better than the models without seasonal indexes. The fruit fly optimized LSSVM model outperforms other alternative models. In other words, the proposed hybrid model is a feasible method for the electricity consumption forecasting.     

基于预测误差的用水预测模型选择方法研究

时间序列法是用水量预测的常用方法,其中预测模型的选择是提高预测精度的关键.针对目前以拟合精度作为模型选择标准的方法,提出了以预测值的置信区间最小为标准选择预测模型的方法.以山西省运城市工业用水量资料为例,分析给出了幂函数、S函数、直线、指数函数、二次和三次抛物线等6个模型95%置信水平下5年和10年两种预测期的预测区间,均以幂函数预测精度最高;对该系列近5年的用水量进行了预测,预测误差也以幂函数最小.表明以预测区间最小选择用水预测模型的方法是合理的、可靠的.     

KNN算法及其在月电量预测中的应用

目前对用电量的预测方法很多,本文利用数据间的相关性,应用改进的KNN分类算法,提出了基于KNN分类算法的月用电量模型,并进行试验预测．预测结果表明此方法简单、有效．     

灰色无偏GM(1,1)模型在生活能源电力消费量预测中的应用

利用2000-2005年全国生活能源电力消费量统计数据,建立了一个电力消费量预测的灰色无偏GM(1,1)模型.模拟结果表明:灰色无偏GM(1,1)模型比较合理地反应了生活能源中电力的消费趋势,并且预测精度较高、误差较小,为电力消费量预测提供了一个科学而有效的方法.     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

基于GM(1,1)模型的空气质量变化趋势预测及分析

在掌握区域空气环境质量现状资料的基础上,运用具有适用性广,预测准确率高等优点的灰色系统预测模型对大连市未来五年空气中SO2的浓度变化趋势进行预测,对其模型的精度和可行性进行了分折和检验,并与目前常用的指数平滑法的预测结果进行了对比。研究结果表明:建立基于GM(1,1)模型的大气质量变化趋势预测模型是可行的,其模型的平均相对误差比指数平滑法减少了44％,因此预测精度高,能够满足预测要求。     

特征空间闭操作驱动的短期电力负荷预测

为了获得更高的短期负荷预测精度,有必要充分考虑负荷变化趋势与区域整体用电行为模式之间的关联,提出一种特征空间闭操作驱动的短期电力负荷预测方法。在综合模型的基础上,首先利用特征提取模型将历史用电负荷分解成多个分量作为刻画区域用电行为的特征;然后使用特征选择模型对用电行为特征进行选择,减少冗余或无效特征的干扰,优化预测模型;最后将选择的特征子集作为预测模型的输入特征从而进一步估计出各时段负荷的分布。结果表明采用本方法预测精度更高。     

中长期电量预测的傅里叶-马尔科夫修正模型

灰色模型在中长期电量预测中只对电量呈近似指数规律单调增长的序列才有较高的预测精度.随着电量变化随机波动性的增强,建立新的修正预测模型是十分必要的.针对灰色模型抗干扰能力差的问题,提出了灰色预测的傅里叶-马尔科夫修正模型,先利用傅里叶级数法,提取周期信息,优化电量变化的指数率,再采用马尔科夫链法,将电量波动随机性嵌入模型之中,从而对灰色预测的原始残差进行二重修正,提高预测模型的适应性和灵活性.通过实例分析以及对比验证表明,该模型有效地提高了预测精度.     

灰色系统理论在电力需求滚动预测中的应用

针对揭阳市全社会用电量的历史数据较少的特点,引入灰色系统理论,采用在同一模型下分行业建模的方法,得出更为合理的全社会用电量的预测值。并对揭阳市1993～1997年的全社会用电量进行计算分析,得到的结果与实际相符。