非线性回归校正模型在突变负荷预测中的研究及应用

非线性回归模型是中长期负荷预测的一种有效的方法,对常规变化趋势的负荷有很好的拟合性,但对有转折点的突变趋势或增长处于饱和阶段的负荷进行预测误差较大.通过对历史数据的最优分段,提出了非线性回归校正模型,可以很好地解决这个问题.实例表明,此模型在中长期负荷预测中是适用的,尤其对于有转折点的突变趋势,具有很高的预测精度.     

基于熵值法的组合预测模型及其在高峰负荷预测中应用

组合预测可以综合利用各单一预测方法所提供的信息,是提高预测精度的有效途径.本文在指数平滑预测法及灰色预测方法的基础上建立组合预测模型,采用熵值法确定组合权系数,并对某电网高峰负荷进行了预测.实例表明,此模型具有很强的实用性和很高的预测精度.     

基于修正的时间序列模型对冲击负荷的预测

电力负荷预测的实质是对电力市场需求的预测,是利用以往的历史数据资料找出电力负荷的变化规律,进而预测负荷在未来时期的变化趋势.由于经济、气候以及工业生产等诸多因素的约束和限制,电力负荷预测精度很难提高.一个好的实用的电力负荷预测模型则要求既能充分利用负荷的历史数据,又能灵活方便地综合考虑其他多种相关因素的影响.提出了回归与自回归模型相结合的时间序列混合回归预测模型,它的待估参数由BP神经网络进行修正,经实例验证,预测效果良好.     

基于Chebyshev多项式的神经网络中长期负荷预测研究

高精度负荷预测在提高电力系统的安全性和经济性方面有着极其重要的意义,而现有的负荷预测方法因参数有限,难以完全反映其内在规律,因而导致预测结果不够准确.为此提出了一种基于Chebyshev多项式神经网络模型的预测方法.该方法使用递推最小二乘法训练神经网络权值系数,以获得高精度的参数估计,从而实现Chebyshev多项式神经网络模型对负荷量的最优拟合,再利用训练好的Chebyshev多项式神经网络模型实现中长期负荷预测.研究结果表明,该方法能较好模拟负荷变化规律,有效提高了负荷预测精度,在电力系统负荷预测中有较大的应用价值.     

基于季节ARIMA模型的电力系统负荷短期预测

电力负荷是影响电网寿命和可靠度的一个重要因素,其月负荷变化具有明显的周期性.介绍了应用季节ARIMA模型进行电力负荷建模预测的理论和方法,将季节ARIMA模型应用于电力系统负荷短期预测,测试结果证明了方法的有效性.     

认知性VDT持续监控作业人因可靠性动态预测方法

结合N-back任务范式和持续操作测试(CPT)任务范式,设计出模拟认知性VDT持续监控作业的实验.根据实验数据:分别对脑力负荷评估指标体系中的6个评估指标在20个作业时间段的均值进行方差分析,差异显著;训练非线性自回归神经网络模型(NAR),对不同作业时间段脑力负荷在评估指标上发生的变化进行动态预测;再结合认知性VDT持续监控作业人因可靠性评估模型对人因可靠性概率进行预测.研究结果表明:该方法可动态预测不同时间段作业者的人因可靠性,实现认知性VDT持续监控作业任务的动态分配,提高系统可靠性.     

基于EEMD的LS-SVM和BP神经网络混合短期负荷预测

提出了基于总体平均经验模态分解(EEMD)、最小二乘支持向量机(LSSVM)和BP神经网络的实用综合短期负荷预测方法,进行电力系统短期负荷预测.首先运用EEMD方法将非平稳的负荷序列分解,然后根据分解后各分量的特点选用最佳的核函数,利用最小二乘支持向量机分别对各分量进行预测,最后对各分量预测结果采用BP神经网络重构得到最终的预测结果.对实测数据的分析表明基于该综合方法的电力系统短期负荷预测具有较高的精度.     

基于回归分析的机场拥挤预测问题研究

及时有效的预测机场拥挤状态并辅助机场管理部门采取相应缓解拥挤的措施,将有助于提高机场的服务质量和运行效率.提出了利用回归分析的方法对机场拥挤问题进行研究.利用已有的历史航班数据挖掘出与机场拥挤最为相关的因素,并将其作为预测变量来预测响应变量.使用到两种回归分析方法即:普通最小二乘回归(OLS)和支持向量回归(SVR).使用历史数据来训练模型,并将这两种训练模型用于真实数据集上做测试,且取得较好的预测效果.实验结果证明该方法在机场拥挤预测问题上的可用性和有效性.     

等维递补灰色校正模型的研究及应用

灰色预测模型是中长期负荷预测的一种有效的方法,对E型规律发展的负荷有很好的拟合性,但对有转折点的S型增长趋势或增长处于饱和阶段的负荷进行预测误差较大。本文通过对历史数据的最优分段,提出了等维递补灰色校正模型,可以很好地解决这个问题。实例表明,此模型在中长期负荷预测中是适用的,尤其对于按S型曲线增长的情况,具有很高的预测精度。     

时变自回归模型系数的估计及预测

本文对一般时变自回归模型(TVAR)的时变系数提出一种估计方法,即建立一个关于时变系数的向量自回归时间序列模型,利用最小二乘方法计算其系数矩阵,在此基础上预测时变系数,从而得到时变自回归序列的点预测,另外给出了点预测和区间预测的方法.     

Electric load forecasting by support vector model

Accurately electric load forecasting has become the most important management goal, however, electric load often presents nonlinear data patterns. Therefore, a rigid forecasting approach with strong general nonlinear mapping capabilities is essential. Support vector regression (SVR) applies the structural risk minimization principle to minimize an upper bound of the generalization errors, rather than minimizing the training errors which are used by ANNs. The purpose of this paper is to present a SVR model with immune algorithm (IA) to forecast the electric loads, IA is applied to the parameter determine of SVR model. The empirical results indicate that the SVR model with IA (SVRIA) results in better forecasting performance than the other methods, namely SVMG, regression model, and ANN model.     

Short-run electricity load forecasting with combinations of stationary wavelet transforms

Short-term forecasting of electricity load is an essential issue for the management of power systems and for energy trading. Specific modeling approaches are needed given the strong seasonality and volatility in load data. In this paper, we investigate the benefit of combining stationary wavelet transforms to produce one day-ahead forecasts of half-hourly electric load in France. First, we assess the advantage of decomposing the aggregate load into several subseries with a wavelet transform. Each component is predicted separately and aggregated to get the final forecast. One innovation of this paper is to propose several approaches to deal with the boundary problem which is particularly detrimental in electricity load forecasting. Second, we examine the benefit of combining forecasts over individual models. An extensive out-of-sample evaluation shows that a careful treatment of the border effect is required in the multiresolution analysis. Combinations including the wavelet predictions provide the most accurate forecasts. This result is valid with several assumptions about the forecast error in temperature and for different types of hours (peak, normal, off-peak), different days of the week and various forecasting periods.     

经济回归预报的优化处理

本文提出了经济活动中一种随机最优化的处理方法，该方法利用回归分析和回归预测的原理，讨论了两个相关的经济变量之积在何时取得最大值或最小值，并以国营第７１４厂“熊猫彩电”在国际市场上销售的经验数据为例，给出了寻找最大值的近似方法和步骤。     

Application of the largest Lyapunov exponent and non-linear fractal extrapolation algorithm to short-term load forecasting

Precise short-term load forecasting (STLF) plays a key role in unit commitment, maintenance and economic dispatch problems. Employing a subjective and arbitrary predictive step size is one of the most important factors causing the low forecasting accuracy. To solve this problem, the largest Lyapunov exponent is adopted to estimate the maximal predictive step size so that the step size in the forecasting is no more than this maximal one. In addition, in this paper a seldom used forecasting model, which is based on the non-linear fractal extrapolation (NLFE) algorithm, is considered to develop the accuracy of predictions. The suitability and superiority of the two solutions are illustrated through an application to real load forecasting using New South Wales electricity load data from the Australian National Electricity Market. Meanwhile, three forecasting models: the gray model, the seasonal autoregressive integrated moving average approach and the support vector machine method, which received high approval in STLF, are selected to compare with the NLFE algorithm. Comparison results also show that the NLFE model is outstanding, effective, practical and feasible.     

基于灾变灰预测的电力峰谷差异常的预测模型研究

电力负荷预测过程中,峰谷值波动是一种正常现象,当高峰期负荷急速攀升时,可能出现峰谷差异常问题(如异常值、随机误差项的异方差等),则会给电力企业带来麻烦和损失.为了对负荷峰谷差异常进行有效的预测,构建了一个基于灾变灰预测的电力峰谷差异常的预测模型,并结合实例说明了此模型的可行性和有效性.     

电力负荷预测的遗传神经网络模型研究

根据电力负荷预测的特点,提出遗传神经网络负荷预测模型,有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷,经实例验证,该方法能有效地提高预测精度和速度。     

压裂效果预测方法研究

预测油井压裂效果对实施增产措施决策意义重大.应用科学的数学统计方法建立了大庆油田采油二厂某区块压裂措施库,采用灰色关联方法分析影响压裂效果的主要因素,应用多元回归方法、逐步回归方法、人工组合回归方法分别建立预测模型,进而建立起适用于不同压前含水和液量级别的预测图版,增油量绝对误差在1.5t以内的井的符合率达到77.4%.方法可操作性强,预测符合率较高,可用于指导优化压裂工艺,提高剩余储量动用程度.