資源描述：
《基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的日最高負(fù)荷預(yù)測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、維普資訊http://www.cqvip.com第36卷第2期要雜電力Vo1．36No．2EastChinaEIectricPower2008年2月Feb．2008基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的日最高負(fù)荷預(yù)測(cè)盧建昌，韓紅領(lǐng)(華北電力大學(xué)工商管理學(xué)院，河北保定071003)摘要：針對(duì)電力日最高負(fù)荷受多種因素影響，變化趨勢(shì)復(fù)雜，難以通過建立準(zhǔn)確的數(shù)學(xué)模型進(jìn)行預(yù)測(cè)的問題，提出灰色動(dòng)態(tài)模型對(duì)電力日最高負(fù)荷進(jìn)行預(yù)測(cè)，在此基礎(chǔ)上構(gòu)造了灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型。該模型避免了變權(quán)組合預(yù)測(cè)模型的主觀與繁瑣，能有效地將灰色預(yù)測(cè)弱化數(shù)據(jù)序列波動(dòng)性的優(yōu)
2、點(diǎn)和神經(jīng)網(wǎng)絡(luò)較強(qiáng)的非線性適應(yīng)能力相融合。算例結(jié)果表明該方法的可行性和有效性，預(yù)測(cè)精度也得到了改善。關(guān)鍵詞：電力系統(tǒng)；灰色系統(tǒng)；組合預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；日最高負(fù)荷基金項(xiàng)目：華北電力大學(xué)校博科研基金項(xiàng)目資助(200512010)．作者簡介：盧建昌(1969一)，男，副教授，研究方向?yàn)樨?fù)荷預(yù)測(cè)及電力經(jīng)濟(jì)。中圖分類號(hào)：F407文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001—9529(2008)02-0060-04Dailypeakloadforecastbasedoncombinedmodelsofgraysystemsandneuralnetwor
3、ksLUJian—chang，HANHong—ling(SchoolofBusinessAdministration，NorthChinaElectricPowerUniv．，Baoding071003，China)Abstract：Thedailypeakloadissubjecttovariousfactorsanditsehan~ngtrendisdificulttoforecastbytraditionalmathematicmodels．Tosolvetheproblem，thegraydynamicmodelis
4、proposedalldbasedonthatthecombinedfore—castmodelofgraysystemandneuralnetworkwasconstructedwhichavoidsthesubjectivityandcomplexityoftheweight—variationforecastmodelandeffectivelycombinestheadvantagesofthegraysysteminweakeningthedatase—quencefluctuationandthatofthene
5、uralnetworkinnon—linearityadaptability．Examplecalculationprovesthemethodfeasible，effective，andaccurate．Keywords：powersystem；graysystem；combinedforecast；neuralnetwork；dailypeakload電力系統(tǒng)日最高負(fù)荷的預(yù)測(cè)有利于電網(wǎng)的計(jì)絡(luò)模型相結(jié)合對(duì)日最高負(fù)荷進(jìn)行組合預(yù)測(cè)。劃與平衡。由于日最高負(fù)荷受多種因素影響，要1灰色預(yù)測(cè)原理及模型全面考慮所有因素是十分困難的，各種
6、單一的日最高負(fù)荷預(yù)測(cè)方法并不能取得滿意的結(jié)果，將多灰色系統(tǒng)理論和方法的核心是灰色模型，灰種不同的預(yù)測(cè)方法進(jìn)行適當(dāng)組合，綜合利用各種色模型是以灰色生成函數(shù)概念為基礎(chǔ)，以微分?jǐn)M方法提供的信息，便形成組合預(yù)測(cè)方法。組合預(yù)合為核心的建模方法。一切隨機(jī)量都是在一定范測(cè)模型將各種預(yù)測(cè)效果進(jìn)行總體性綜合考慮，比圍內(nèi)、一定時(shí)間段上變化的灰色量和灰過程，對(duì)于單個(gè)預(yù)測(cè)模型更系統(tǒng)、更全面，更有效地提高預(yù)測(cè)灰色量的處理不是尋求它的統(tǒng)計(jì)規(guī)律和概率分精度。文獻(xiàn)[1]將改進(jìn)的灰色模型用于在線的短布，而是將雜亂無章的原始數(shù)據(jù)序列通過一定的期用電量預(yù)測(cè)，文獻(xiàn)
7、[2]則將灰色模型與馬爾科處理方法弱化波動(dòng)性，使之變?yōu)楸容^有規(guī)律的時(shí)夫鏈相結(jié)合進(jìn)行預(yù)測(cè)，文獻(xiàn)[3，4]將組合灰色神間序列數(shù)據(jù)，再建立用微分方程描述的模型。經(jīng)網(wǎng)絡(luò)用于網(wǎng)供電量的季節(jié)性預(yù)測(cè)，取得了比單本文采用GM(1，1)、DGM(2，1)和Verhulst三種一預(yù)測(cè)模型高的預(yù)測(cè)精度。文獻(xiàn)[5，6]提出通過灰色模型分別對(duì)電力日最高負(fù)荷進(jìn)行建模預(yù)2貝0。等維新息的灰色變權(quán)組合預(yù)測(cè)。文獻(xiàn)[7]考慮了1．1灰色GM(1，1)預(yù)測(cè)模型灰色模型的維數(shù)及微偏性，以提高負(fù)荷預(yù)報(bào)的性GM(1，1)是單序列一階線性模型，GM(1，1)能。文獻(xiàn)[8
8、，9]采用相似日和決策樹算法對(duì)日特模型的本質(zhì)是通過對(duì)原始數(shù)據(jù)序列的累加生成，征負(fù)荷進(jìn)行預(yù)測(cè)。本文將灰色GM(1，1)模型、灰弱化隨機(jī)擾動(dòng)因素的影響，發(fā)現(xiàn)其指數(shù)增長規(guī)律，色GM(2，1)模型和灰色Verhulest模型與神經(jīng)網(wǎng)然后用指數(shù)曲線進(jìn)行模擬，用微分方程來逼近擬維普資訊http://w
