多元指数加权电力负荷灰色优化组合预测

由于电力负荷具有增长性和波动性并且受到多个因素影响,使得电力负荷的变化呈现出复杂的多元性及非线性组合特性,对于这种具有复杂的多元性及非线性组合特性的序列,使用传统的模型进行预测,预测精度往往不理想。为了提高预测精度,作者为提出了多元指数加权电力负荷灰色优化组合预测模型。其中灰色优化组合预测模型用于进行非线性增长趋势的电力负荷预测,指数加权法能解决历史负荷的波动性问题。实际算例表明,所提出的方法由于综合考虑了电力负荷的多种特性,能有效地提高负荷预测精度。

模糊多级评价在知识管理水平评估中的应用

21世纪是知识经济时代,知识管理是知识经济时代企业崭新的管理模式。准确地认识企业的现有知识管理水平,才能为改善企业的知识管理状况提供充分的依据。本文针对知识管理水平评价的定量方法不足,引入模糊多级综合评价,并用实例说明了该方法用于企业知识管理水平评价是可行的、实用的,从而为企业知识管理水平的定量评价提供了一种新方法。

地区电力工业可持续发展综合评价系统研究

通过研究某地区历年电力工业的相关数据,对地区电力工业的可持续发展进行综合评价。在探讨可持续发展的发展度的基础上,根据综合评价的有关原理研究开发了电力工业可持续发展评价系统。该系统的评价结果具有一定的精度,可以为电力工业发展规划、电源建设及电力的重大决策提供重要参考依据。

电力企业信贷能力的熵评价研究

随着电力市场改革的推进,更多的电力企业开始关注自身信贷能力的提高以争取信贷支持。将熵权评价方法引入了信贷能力的评价,并对上市电力公司进行了实例评价。结果证明了其实用性与可信度,为上市电力公司信贷能力评估提供了一种新方法。

电力负荷预测的最优分段校正模型研究及应用

中长期电力负荷同时具有增长性和波动转折性的二重趋势,这使得电力负荷的变化呈现出复杂的非线性特征。传统的中长期负荷预测模型仅考虑一种变化趋势,从而预测效果较差,不能符合实际需要。为了提高预测精度,更精确地反映负荷变化规律,通过改变GM(1,1)模型中微分方程的初始条件,且对历史负荷进行最优分段,在此基础上建立了电力负荷预测的最优分段校正模型,使模型具有二重趋势性特点。通过实例验证,较大提高了预测精度。

基于神经网络校正的电力负荷灰色预测

针对电力负荷预测残差序列具有复杂的非线性状态的特点,运用神经网络模型,对电力负荷的灰色预测残差进行校正;同时对神经网络隐含层的神经元个数进行调整,使得网络模型结构优化,模型参数确定更为合理,进一步提高了预测精度。

能源发展趋势的非线性优化组合预测模型研究

通过对我国能源生产历史数据的分析,提出了非线性回归与灰色预测优化组合预测模型,从理论和应用上说明了此方法的优点,并对未来的能源生产发展做出了分析预测。

电力系统铁磁谐振过电压的浑沌振荡研究

运用Melnikov方法首次对电力系统的铁磁谐振过电压现象进行了浑沌振荡研究,证实了谐振过电压就是一种浑沌振荡的表现形式,得出了浑沌发生区域及浑沌阈值,为研究这种现象提供了新的理论方法和计算公式,并为认识它的性质提供了科学依据.

二元函数微分中值定理的推广

本文将一元函数微积分理论中起十分重要作用的四个微分中值定理推广到了二元函数的情形,给出了二元函数费尔玛定理、罗尔定理和柯西中值定理的形式,并进行了严格地证明。为了保持研究的完整性,对于已有结论的二元函数拉格朗日中值定理,给出了一种较简便的证明方法。这些中值定理的推广,为研究多元函数的微积分及实际应用问题,提供了有效的方法和工具。

MATLAB数值计算在高等数学教学中的应用探讨

针对传统高等数学教学的缺点,充分利用MATLAB软件在数值计算上的优势,对高等数学中几种常见的数值计算问题进行分析,并以具体问题为例进行了展示。

MATLAB绘图功能在高等数学教学中的应用探讨

针对传统高等数学教学枯燥、不直观等的缺点,充分利用MATLAB软件在绘图功能上的优势,应用MATLAB对高等数学中几种典型的图型问题进行分析,并附以相关的程序和中间图形进行了演示,教学实践表明MATLAB能有助于课堂的直观、生动,提高学生学习高等数学的兴趣。

基于数据挖掘的SVM短期负荷预测方法研究

支持向量机方法已成功地应用在负荷预测领域,但它在训练数据时存在数据处理量太大、处理速度慢等缺点。为此提出了一种基于数据挖掘预处理的支持向量机预测系统,引用在处理大数据量、消除冗余信息等方面具有独特优势的数据挖掘技术,寻找与预测日同等气象类型的多个历史短期负荷,由此组成具有高度相似气象特征的数据序列,将此数据序列作为支持向量机的训练数据,可减少数据量,从而提高预测的速度和精度,克服支持向量机的上述缺点。将该系统应用于短期负荷预测中,与单纯的SVM方法和BP神经网络法相比,得到了较高的预测精度。

具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型

电力负荷预测是电力系统的一项重要工作 ,季节型电力负荷预测是一个难点 ,缺少相应的数量预测方法。对于具有增长和波动二重趋势性的季节型电力负荷 ,首次提出了季节型负荷预测的组合优化灰色神经网络模型 ,研究了同时考虑两种非线性趋势的复杂季节型负荷预测问题 ,说明了此优基金项目 :国家自然科学基金资助项目 ( 5 0 0 770 0 7) ;国家电力公司重点学科基金资助项目 (A98B0 3)。ProjectSupportedbyNationalNaturalScienceFoundationofChina( 5 0 0 770 0 7) .化模型分别优于两种单一发展趋势负荷预测的模型。给出了电力负荷预测的应用实例 ,通过对河北电网季节最大负荷与销售电量的分析 ,建立了对应的组合优化灰色神经网络模型 ,与其它算法进行了比较 ,计算结果表明 ,该方法较大提高了季节型负荷预测的精度 ,为季节型电力负荷预测提供了一种新的、有效的方法 ,编制了季节型负荷预测的软件 。

短期电力负荷预测的小波神经元网络模型的研究

根据短期电力负荷预测的特点，提出一种负荷预测新算法——小波神经元网络负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，从而达到全局最优的逼近效果，同时有效地克服了人工神经元网络学习速度慢、难以合理确定网络结构、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。

基于GARCH误差校正的遗传支持向量机日前电价预测

针对时间序列预测和智能算法预测各自的侧重点不同,结合两者优点对日前市场电价进行预测。首先建立支持向量机(SVM)模型对单一时点电价进行预测,将遗传算法(GA)嵌入SVM模型中来保证SVM参数选择最优。针对SVM-GA模型训练误差和测试误差存在一定的相关性和条件异方差性,采用广义自回归条件异方差(GARCH)模型对误差序列进行拟合。然后利用拟合好的GARCH模型对SVM-GA模型预测误差进行预测,最后根据GARCH预测结果对SVM-GA模型预测进行校正。用该方法对美国PJM电力市场2005年8月份日前电价进行连续预测,总体平均误差仅8.19%,比普通方法误差减少了将近4个百分点。

遗传神经网络优化预测方法研究及其应用

根据短期电力负荷预测的特点，将遗传算法和人工神经网络相结合，提出一种负荷预测新算法─—遗传神经网络优化预测方法。该方法明显地提高了模型的优化能力，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。

基于自组织映射支持向量机的日前电价预测

针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点,建立多个模型分别对其进行预测,将数据空间按时点划分成24个子空间,然后根据这些子空间的相似性通过自组织映射对其进行自动聚类,并在不同类别的子空间分别建立支持向量机模型进行训练和预测。应用上述方法对PJM电力市场2005年8月的31天日前24点电价进行预测,结果表明该方法能够有效提高预测精度。

建筑工程造价预测的变结构神经网络模型研究

分析了建筑工程项目造价预测几种方法的缺点，提出了建筑工程造价的变结构神经网络预测模型，从理论和实例上说明了该方法的优点，为建筑工程造价管理提供了新的方法，也有助于电力工程项目造价预测管理。

基于联合数据挖掘技术的神经网络负荷预测模型研究(英文)

认为提高日负荷预测精度的关键在于预处理,提出了日负荷预测的一种新观点,即基于联合数据挖掘技术的电力负荷神经网络预测新方法。也就是通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此,再构建人工神经网络预测模型,从而有效地提高了预测的精度,简化了模型的输入和计算,更加便于应用。

基于动态电价的新能源实时调度定价与策略研究

提出了一种对新能源电价进行动态定价的策略和方法,将新能源动态电价分为固定电价和浮动电价两部分。利用浮动电价实时反映新能源发电带来的环保减排价值和对电力系统运行的影响。在动态经济调度模式的基础上,对比火电机组的边际环境成本和备用容量偏移量,提出了新能源环境电价、实时备用容量电价、预测惩罚电价3种浮动电价的定价策略。仿真计算结果验证了3种浮动电价制定的合理性和正确性。