加权马尔可夫优化的NGBM(1,1)模型在中长期电力负荷预测中的应用

灰色理论在电力负荷预测领域中有重要应用,为了扩展灰色模型在中长期电力负荷预测中应用,提出了一种基于加权马尔可夫优化的非线性灰色伯努利(nonlinear grey Bernoulli Model,NGBM(1,1))预测模型.首先引进新型非线性NGBM(1,1)模型对电力负荷数据的总体趋势进行拟合,得到的灰拟合精度序列是一个随机波动的过程,再利用加权马尔可夫的特点确定灰拟合精度的加权转移概率矩阵,通过插值和还原计算对NGBM(1,1)模型的预测结果进行优化.将该模型运用到江苏省农村电力负荷预测中,结果验证其在预测精度上的优越性,并用于中长期电力负荷预测是有效可行的.

基于PSR和物元可拓模型的水资源承载力预警研究

基于"压力-状态-响应"(PSR)模型构建了水资源承载力预警指标体系,利用物元可拓模型对水资源承载力进行警情综合评价确定警情级别和级别偏向程度,最后运用非线性灰色伯努利模型(NGBM)对未来水资源承载力警情变化趋势进行预测。以宿迁市为例,开展水资源承载力预警的实例研究并分析警情变化原因。研究结果表明,宿迁市2011—2017年水资源承载力预警等级从轻警上升为中警,主要原因是经济发展和城镇化水平的提高造成了用水紧张。结合2011—2017年警情数据,对未来三年水资源承载力进行警情预测,宿迁市2018—2020年水资源承载力仍保持在"中警"水平,但预警等级特征值有不断减小的趋势,警戒程度有所缓解。

建筑施工事故非线性灰色伯努利模型预测

为提高建筑施工事故灰色预测模型精度,在传统GM(1,1)模型基础上,建立非线性灰色伯努利模型(NGBM),并采用粒子群优化(PSO)算法对参数进行优选。以2001—2011年全国建筑事故死亡人数统计数据为基础,运用该模型对2012—2013年的相应人数进行预测,并与GM(1,1)模型和灰色Verhulst模型的结果相对比。结果表明,NGBM拟合精度最好,平均相对误差仅为2.65%,验证了模型的可行性和准确性。

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。

全球稀土消费预测模型研究

为了准确把握全球稀土消费变化,本文在分析单整自回归移动平均(ARIMA)模型与非线性灰色伯努利(NGBM)模型特点的基础上,采用粒子群优化算法(PSO)对非线性灰色伯努利模型的参数进行了优选,建立了ARIMA耦合PSO-NGBM的全球稀土消费的时间序列预测模型。该模型将全球稀土消费时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用PSO-NGBM模型对其非线性残差进行估计,最终合成为整个序列的预测结果。预测结果表明,耦合模型的预测准确率显著高于单一的ARIMA模型的预测准确率,从而证实了耦合模型用于全球稀土消费预测的有效性。

基于EMD与PSO的Nash NBGM(1,1)耦合模型的年径预测研究

针对径流是典型非平稳序列这一特点及目前存在的径流中长期预测精度低的问题,提出一种新的耦合预测方法——基于经验模态分解(Empirical Mode Decomposition,EMD)与粒子群优化算法(Particle Swarm Optimization,PSO)的非线性灰色Bernoulli耦合模型(Nash Nonlinear Grey Bernoulli Model,Nash NGBM)。首先利用EMD方法对汾河上游上静游、汾河水库、寨上和兰村4个水文站的年径流序列进行平稳化处理,分别得到若干个固有模态函数(Intrinsic Mode Function,IMF),对各阶IMF分别建立基于PSO算法的Nash NGBM(1,1)模型并进行预测,趋势项用多项式拟合并进行预测,然后通过重构各预测值得到汾河上游4个水文站年径流量的预测结果,并与单独运用基于PSO算法Nash NGBM(1,1)模型的预测结果进行比较,对模型作出评价。结果表明,基于EMD与PSO算法的Nash NGBM(1,1)耦合模型的拟合精度在92.5%以上,预测精度均达到了100%,其预测精度比单独运用基于PSO算法Nash NGBM(1,1)模型的预测精度有了明显提高;基于EMD与PSO算法的Nash NGBM(1,1)耦合预测方法的提出为径流中长期预测精度的提高提供了新的思路,对区域水资源的合理配置与优化调度具有重要的理论意义和实际价值。

基于Nash非线性灰色Bernoulli模型的企业经济指标预测

为了用非线性特性准确地预测中国高技术企业的主要经济指标,文章提出了一种Nash非线性灰色Bernoulli模型(Nash NGBM(1,1))。同时,构建了一个优化的Nash模型,充分利用预测函数的原始数据信息解决最优参数问题。并用一个实际案例的结果表明本文提出的Nash NGBM(1,1)模型具有优越的建模特性。

智能电网短期负荷预测的研究

基于灰色系统的理论研究方向,建立智能电网短期负荷预测模型,将负荷预测的关键性评价指标——平均绝对百分误差(MAPE)通过采用粒子群优化PSO计算方法,通过优选实验模型中的阶数和背景参数实现预测和实际运行曲线逐步靠近甚至重合的结果。为达到模型预测的高精度,再通过运用"马尔科夫过程"进一步对原先预测的残值数差进行修正,实现智能电网中短期负荷预测。

基于神经网络优化的非线性灰色伯努利模型

非线性灰色伯努利模型广泛运用于非线性系统的预测,其预测精度很大程度上取决于参数的选择。试以线性规划的方法通过MATLAB求解其最优参数并针对非线性灰色伯努利模型预测残差以人工神经网络的方法进行修正。最后通过实际算例与GM(1,1)和灰色Verhulst模型相比较证明本文所提供方法具有较好的实用性和有效性。

灰色幂模型在基坑变形监测中的应用

灰色幂模型又称非线性灰色伯努利模型(NGBM(1,1)),是灰色GM(1,1)模型的一种改进模型,具有非线性特征,在拟合和预测非线性特征数据方面具有优势。NGBM(1,1)模型相比于GM(1,1)模型具有更高的预测精度和更广的适用范围,它在经济、农业、气象等方面已有较广应用,但是在变形监测领域的应用还比较少。本文在已有的灰色系统理论的基础之上,将NGBM(1,1)模型应用在测绘领域的变形监测中。先对原始的变形监测数据进行累加、累减、求背景值,并根据原始数据求出最佳幂指数值和灰作用量,然后利用求解出的参数建模拟合已有数据并预测边坡监测的数据。实验结果表明,灰色幂模型NGBM(1,1)的预测精度比传统GM(1,1)模型预测精度更高。

幂指数驱动的非线性灰色Bernoulli模型及应用

在幂指数驱动的灰色模型和非线性灰色Bernoulli模型的基础上,构建了幂指数驱动的非线性灰色Bernoulli模型,即NGBM(1,1,e^(λt))模型,并给出了模型的具体求解过程.在参数优化方面,通过遗传算法最小化平均相对误差,搜索最优可调非线性参数和Bernoulli参数.最后,将NGBM(1,1,e^(λt))模型运用到两个实例中,结果表明NGBM(1,1,e^(λt))模型相对于幂指数驱动的灰色模型和非线性灰色Bernoulli模型具有更好的适应性,具有更高的拟合精度和预测精度.