基于最优组合预测模型的电力负荷预测研究

电力负荷预测是电力规划及安全运行的基础,提高预测精度是电力负荷预测研究的重点,由于负荷预测的变化性和不确定性,单一的预测模型很难满足所有的预测情况;组合预测是将各个单项预测所得的结果选取适当的权系数进行加权平均的一种预测方法;采用灰色和时间序列作为单项预测模型,然后进行最优组合建立组合预测模型进行电力系统短期负荷预测;仿真实例表明:最优组合预测模型比单项预测模型具有更高的预测精度,具有一定的优越性。     

基于灰色模型的节水灌溉面积非线性组合预测

对数据进行建模预测分析时,较多采用单个模型,而单个模型难以全面反映数据的变化规律.为发挥单个模型自身优势,利用组合原理将单模型组合形成组合预测模型,以提高预测精度.组合模型中常采用线性组合方法,然而被组合模型拟合值与原始数据不具有线性关系时采用该方法效果较差.利用神经网络的高度非线性拟合能力,构建BP神经网络的非线性组合模型,并应用到我国节水灌溉面积年度数据预测上.实证表明,非线性组合预测模型精度优于单模型及基于最优加权的线性组合预测模型.     

一种基于专家理性预期的组合预测方法及应用

将多个单预测模型进行组合,是提高预测精度的有效途径.由专家理性预期对待选用的单预测模型从模型拟合、方法应用复杂性、适应性和时效性方面进行多指标综合评价,在此基础上,构建组合权重系数,给出了具有主客观信息集成特征的组合预测方法,将组合预测模型与单预测模型进行分析对比,对我国民用汽车的保有量进行了预测并给出了预测效果分析.模型预测效果分析显示,具有主客观信息集成特征的组合预测模型比单预测模型具有更强的适应性,预测精度大幅提高.     

预测模型组合开关

不同预测模型在同一时刻都存在不同的预测误差,最优组合预测的预测精度要比其他模型高,但并不是所有时刻误差都最小,有的时刻可能比单项预测误差还大,因此,在预测时就存在较大的风险.再组合预测可以降低预测风险,但方法比较复杂难以推广.针对这些问题,我们设计一种预测模型组合开关,根据数据的变化,不同时刻采用不同预测模型,使预测误差每一期都最小,或不是最大.实证结果表明,预测模型开关能够根据数据特征有效控制模型输出.     

基于Theil不等系数的调和平均组合预测模型在大坝安全监控中的应用

引进相关性指标Theil不等系数,采用调和平均组合预测方法,建立了基于Theil不等系数的调和平均大坝安全监控组合预测模型.结合某拱坝实测资料分析表明,该组合预测模型的预报精度高于传统的加权算术平均组合预测模型和各种单一预测模型,在大坝安全监测预报中具有较强的实用性.     

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.     

改进的灰色马尔可夫组合预测模型应用研究

根据灰色预测模型和马尔可夫预测思想,将灰色预测模型结合马尔可夫预测模型,并对组合模型进行了改进,采用递进转移概率矩阵,并结合1998-2007年安徽入境游客人数来预测2008、2009年的入境游客人数;结果表明：采用该改进后灰色马尔可夫的组合模型,可以得到比传统灰色马尔可夫组合预测模型更为准确的数据。     

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.     

CPFR组合预测方法研究

供应链整合解决方案-CPFR(联合计划、预测、补货)已逐渐被全球许多著名企业采纳并实施,成为供应链减少成本与开拓利润的主要工具.而其最核心部分-联合预测流程的研究还处于探索研究阶段,在简单介绍CPFR的原理和应用现状的基础上,主要讨论CPFR的联合预测流程.从联合预测流程分析着手,创新地引入组合预测方法,提出了基于组合预测模型的联合预测流程,讨论了不同形式的组合预测模型,通过对各预测模型的挑选和组合,减少联合预测流程中因模型的差异而产生的预测异常,为预测异常的处理提供了科学决策的模型.并结合具有良好收缩性能的斯坦规则对组合预测的模型进行校正,建立组合校正预测模型,提高了CPFR联合预测的精度和预测稳定性.     

合作对策方法在确定组合预测权系数中的应用

从对策论的观点出发，将组合预测中各单项预测模型视为合作对策的局中人、组合观测的误差平方和视为合作的结果，再按Shapley值法在各单项预测模型中进行分配，从而获得组合预测权系数确定的一种方法。该方法具有概念清楚、涵义明确的特点，结果令人满意。     

指数平滑法及其在负荷预测中的应用

指数平滑法是电力系统负荷预测的主要方法之一,该方法的准确性取决于平滑系数α.对采用厚近薄远原则与远近相同原则优选α进行对比研究,结果表明采用厚近薄远原则优选α有更好的结果.在此基础上,结合相关分析,给出了厚近薄远的具体方案,并给出了负荷预测的具体实例.     

基于等时距处理和IOWHA算子的路基沉降预测

为避免随机因素对单一预测模型影响,建立更符合软土路基沉降规律的模型和方法以提高预测模型的精度和可靠性,分别以原始沉降数据、经三次样条插值和经分段三次Hermite插值处理的数据为样本值建立Gompertz模型、Logistic模型和灰色Verhulst模型3种预测模型,将每种模型的3种情况的预测值同实测值进行对比分析,选出每种模型对样本处理的优势方法。以每种模型的优势方法为单一模型,建立基于IOWHA算子的组合模型,该组合模型按照每个时刻单一模型的预测精度的高低对最优权系数进行求解。研究结果表明:在沉降速率发生明显变化时刻的数据作为最后一组样本值进行预测时,Gompertz模型和Logistic模型以分段三次Hermite插值等时距处理的数据为样本值预测效果更好,灰色Verhulst模型以原始沉降数据为样本值预测结果精度更高。求解基于IOWHA算子的组合预测模型的赋权系数时,GA比使用MATLAB的非线性优化的工具箱的求解方法更为可靠,得到的组合模型预测精度更高。     

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ARIMA、BP神经网络与GM的组合模型

为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.     

一类组合预测模型的权系数确定的Shapley值方法

在提出预测有效度概念的基础上,将各单项预测模型看作组合预测合作对策的局中人,以组合预测有效度的平方和作为合作的准则,再按合作对策的Shapley值在各单项预测模型中进行分配,从而确定各单项预测模型在组合预测中的权重系数.实例分析结果表明该方法能够有效提高组合预测有效度.     

基于向量夹角余弦的几何平均组合预测研究

加权几何平均组合预测为一种非线性的组合预测方法．提出基于向量夹角余弦的加权几何平均的组合预测模型,针对该模型定义了优性组合预测、预测方法优超和组合预测冗余度等新的概念;探讨了非劣性组合预测和优性组合预测存在的充分条件;给出了一个冗余预测方法出现的判定定理．     

全距在确定组合预测最优权系数中的应用

从统计学的角度考虑 ,建立以组合预测误差的全距为目标函数组合预测模型 ,在各单项模型预测误差服从正态分布的情况下 ,该模型和误差平方和为准则的组合预测模型相比 ,它们的解近似相等。且具有计算简单的特点。最后也探讨了变权系数的组合预测模型     

基于小波分析和RBF神经网络的铜价预测

提出一种非线性时间序列预测方法,即把小波分析结合RBF神经网络预测方法对非线性时间序列进行预测。对铜价的预测结果表明,该方法比单纯的小波预测或单纯的RBF网络预测精度高,可以很好的应用于某些非线性时间序列的预测中。     

马尔柯夫链-线性回归组合预测专门人才方法

根据最小二乘法原理,确定马尔柯夫链和线性回归两种预测方法的组合加权系数;在建立数学模型时,既考虑了影响专门人才数量的各种因素,又考虑了专门人才的动态分布,避免了以往单一预测方法仅限于利用部分信息资料的缺陷;在预测专门人才结构时,根据两种方法组合预测值来修正马尔柯夫模型中的补充量,使预测结构更合理．     

基于Logistic回归、Markov过程和改进灰自助法的导弹备件需求预测

 为了提高预测间断性需求导弹备件的精度,提出一种基于Logistic回归、Markov过程和改进灰自助法的组合预测模型。将样本序列划分为解释变量序列和自相关序列,对解释变量采用Logistic回归模型预测提前期非零需求发生概率,对自相关序列采用Markov过程估计提前期非零需求发生概率,把这两方面组合得到提前期非零需求发生概率,再运用改进灰自助法进行需求分布确定,得到最终的提前期需求。改进灰自助法先进行Bootstrap抽样,进行GM(1,1)二次数据拟合,既克服了Bootstrap法在小子样下的重复抽样问题,又克服,Bootstrap法在小子样下仿真结果不可信的问题。实例表明,提出的组合预测方法降低了预测误差,说明了该方法的有效性、可行性和实用性。