Dynamic GM（1,1） Model Based on Cubic Spline for Electricity Consumption Prediction in Smart Grid

Electricity demand forecasting plays an important role in smart grid expansion planning.In this paper,we present a dynamic GM(1,1) model based on grey system theory and cubic spline function interpolation principle.Using piecewise polynomial interpolation thought,this model can dynamically predict the general trend of time series data.Combined with low-order polynomial,the cubic spline interpolation has smaller error,avoids the Runge phenomenon of high-order polynomial,and has better approximation effect.Meanwhile,prediction is implemented with the newest information according to the rolling and feedback mechanism and fluctuating error is controlled well to improve prediction accuracy in time-varying environment.Case study using the living electricity consumption data of Jiangsu province in 2008 is presented to demonstrate the effectiveness of the proposed model.

SCGM(1,1)模型在桥梁施工控制中的应用

以湖北黄冈兰溪河大桥施工为背景探讨灰色系统理论在桥梁施工控制中的应用.GM(1,1)模型是灰色系统理论中最具代表性且应用最广泛的灰预测模型,SCGM(1,h)模型作为GM(1,1)模型最有力的发展模型在许多领域已得到成功应用.文中采用SCGM(1,1)模型结合具体工程,预测各梁段预拱度及应力值,通过与实测值的对比,验证了此模型应用于桥梁施工控制中的可行性.

基于遗传算法的SCGM(1,1,α)优化模型

在SCGM (1,1)模型的基础上 ,对系统云灰色预测模型作进一步推广 ,建立了更具一般性的SCGM (1,1,α)模型 .并给出了求解最优SCGM(1,1,α)模型的遗传算法 .实例证明用SCGM (1,1,α)优化模型进行预测能取得很好的预测精度 .

灰色马尔可夫SCGM(1,1)预测模型

结合灰色SCGM(1,1)预测模型和马尔可夫概率预测模型的优点,建立了灰色马尔可夫SCGM(1,1)预测模型。并且以郑州市降雨量的预测作为实例,证明灰色马尔可夫预测模型对于随机波动性较大的数据列的预测具有较高的精度。

煤矿事故预测的马尔可夫SCGM(1,1)_c模型的建立与应用

煤矿安全是煤矿生产的重要保障,煤矿事故预测是煤矿安全评价和决策的基础。结合灰色SCGM(1,1)_c预测模型和马尔可夫链理论的优点,根据煤矿生产的特殊条件,提出了基于马尔可夫链的SCGM(1,1)_c预测模型。首先利用灰色SCGM(1,1)_c预测模型对我国1990—2010年的煤矿事故百万t死亡率进行初次预测,然后根据初次预测结果,利用残差模型对SCGM(1,1)_c模型预测结果进行修正。最后在修正模型的基础上,运用马尔可夫SCGM(1,1)_c模型对我国2011—2013年煤矿事故百万t死亡率进行了预测,并对两种模型的预测误差进行了对比分析。结果表明,马尔可夫SCGM(1,1)_c预测模型既能揭示煤矿事故百万t死亡率变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性。

基于SCGM(1,1)的三种负荷预测模型及其组合

SCGM(1,N)模型是灰色预测理论在传统GM(1,1)上的进一步发展。文章首次将单变量的SCGM(1,1)模型应用于中长期电力负荷预测,分别阐述了简化SCGM(1,1)模型、均值SCGMmv(1,1)模型、拓广SCGMa0(1,1)模型的原理和特点,并应用于实例。同时将精度较高的后两种模型和GM(1,1)模型进行固定权值和变权组合,进一步提高预测结果的精确度和可靠性。计算结果证明该方法预测准确,可靠性高,抗干扰性强,是中长期负荷预测新工具之一。

基于灰色GM(1,1)模型的我国医院感染患病率变化趋势及预测

目的了解我国医院感染患病率变化趋势,并采用灰色GM(1,1)模型对我国不同规模医院的医院感染患病率进行预测,为医院感染防控提供数据支持和新思路。方法采用描述性流行病学方法分析我国医院感染患病率变化趋势,2008—2016年我国医院感染患病率数据进行灰色GM(1,1)模型构建,2018—2020年数据进行模型验证。采用构建的灰色GM(1,1)模型对2022—2024年我国医院感染患病率进行预测。结果我国医院感染患病率呈下降趋势,随着医院规模的增加医院感染患病率升高。医院感染患病率灰色GM(1,1)模型的精度良好、拟合效果较高。2024年全国、<300张床位医院、300~599张床位医院、600~899张床位医院和≥900张床位医院的医院感染患病率可降为1.00%、0.49%、0.90%、1.13%和2.05%。结论我国医院感染防控效果明显,灰色GM(1,1)模型对我国医院感染患病率有较好的预测效果。

系统云灰色SCGM(1,1)c模型在作物需水量预测中的应用

作物需水量预报对灌区编制和执行用水计划具有重要作用。以灰色系统理论为基础,建立作物需水量和残差修正序列系统云灰色SCGM(1,1)c模型,通过对模型拟合精度和预报精度的检验,证明满足预报要求,解决了作物需水量数据序列小样本、贫信息的预报问题,为灌区灌溉制度的确定提供了数量指标和理论依据。应用分析表明,该方法用于灌区作物需水预报有效、可行。

基于灰色SCGM(1,1)_b模型的道路交通事故短期预测分析

在综合研究已有经验的基础上,将灰色系统的SCGM(1,1)b模型应用于全国道路交通事故短期预测研究。通过对比验证,预测结果较为理想,表明该模型可以作为交通事故预测的一种有效手段,可为交通管理部门提供可靠的决策依据。

基于灰色加权马尔可夫SCGM(1,1)c的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。基于灰色系统理论和马尔可夫链理论,应用系统云灰色模型SCGM(1,1)c拟合道路交通时序数据的总体趋势,所得拟合指标是随机波动的。马尔可夫链原理适合处理波动性大的系统过程,因此选用能更好解决随机波动性的加权马尔可夫链预测方法,提出一种用于道路交通事故次数预测的灰色加权马尔可夫SCGM(1,1)c模型,它适用于时间序列短,数据量少且随机波动不太大的动态过程预测。以某市1975—2010年道路交通事故次数为例进行了预测分析,结果表明该模型既能揭示交通事故次数变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性。

SCGM(1,1)简化模型及应用

在 SCGM( 1 ,h)模型的基础上给出了 SCGM( 1 ,1 )简化模型 .所给模型的计算量少 ,因而建模速度加快 ,特别适用于快速动态过程 .作为示例 ,文中将此模型应用于我国研究生人数预测 。

灰色系统SCGM(1,h)_c模型的拓广

对于一类贫信息耦合多因子系统，建立了灰色系统ＳＣＧＭ（１，ｈ）ｃ模型的三种拓广模型，即ＳＣＧＭ（２，ｈ）ｃ模型、ＳＳＣＧＭ（１，ｈ）ｃ模型、带有时滞的ＳＣＧＭ（１，ｈ）ｃ模型。

多因子过程分析及SCGM_(mv)(1,h)预测模型

解决“贫”信息、多因子预测问题 ,通常有很大的难度 .文中基于多因子过程分析构造了SCGMmv( 1 ,h)预测模型 .理论证明和示例表明 ,该模型计算量少 。

铁路行车事故加权马尔可夫SCGM(1,1)_c预测模型及应用

从铁路行车事故的预测问题出发,试图找到稳定有效的方法对铁路行车事故进行预测。首先引入BX数据生成法对原始数据序列进行处理,以弱化原始数据之间的随机性。建立了单因子系统云灰色SCGM(1,1)。模型,揭示铁路行车事故时序变化的发展趋势。参照原始数据的中心趋势曲线,来划分铁路行车事故状态,得到了状态转移概率矩阵。据此计算自相关系数并进行归一化,作为各步马尔可夫链的权重,提出了加权马尔可夫SCGM(1,1)。模型,以修正SCGM(1,1)。模型的预测值,对铁路行车事故总数进行了拟合和预测。结果表明:相比较而言,加权马尔可夫SCGM(1,1)。模型在对铁路行车事故的拟合和预测中均有较好的效果,拟合精度和预测精度分别达到了98.92%和96.36%。

均值生成时序及SCGM_(mv)(1.1)预测模型

分析了均值生成时序 ,按 SCGM( 1,h)建模原理构造了基于均值生成时序的 SCGMmv( 1,1)模型 .该模型的预测精度高 ,计算量少 ,适应于动态过程快速建模 .示例表明 :SCGMmv( 1,1)的拟合、预测效果是令人相当满意的 .

一种拓广的灰色SCGM(1,1)_(a0)模型及其应用

基于最小二乘原理,考虑理想状态下的绝对误差建立了一种拓广的SCGM(1,1)a0模型,并给出了计算方法。计算实例表明,新模型具有满意的拟合效果和预测效果,从而为提高预测精度提供了新途径。

基于灰色GM(1,1)模型的2023—2027年闵行区脑卒中死亡趋势预测

目的分析2012—2022年上海市闵行区脑卒中死亡变化趋势,预测2023—2027年脑卒中死亡情况。方法测算2012—2022年上海市闵行区脑卒中死亡的年度变化百分比(annual percentage change,APC),运用Joinpoint线性回归模型进行时间趋势分析。以2012—2022年上海市闵行区脑卒中死亡率构建灰色GM(1,1)模型,运用相对误差和级比偏差评估模型拟合效果,对2023—2027年上海市闵行区脑卒中死亡率进行预测分析。结果2012—2022年上海市闵行区脑卒中全人群、男性和女性粗死亡率均呈上升趋势(全人群:APC=2.50%,P<0.001;男性:APC=3.41%,P<0.001;女性:APC=1.46%,P=0.008)。灰色GM(1,1)模型预测2023—2027年上海市闵行区脑卒中死亡率呈上升趋势,2027年全人群脑卒中粗死亡率为97.55/10万,男性为112.31/10万,女性为83.33/10万,检验评估模型拟合效果达到较高要求。结论近十年来上海市闵行区脑卒中死亡率呈明显上升趋势,5年预测结果显示死亡率呈逐年上升趋势。

GM(1,1)模型在安徽省城镇化水平预测中的应用

为了推进安徽省城镇化建设,制定正确的城镇发展方针政策是十分必要的.而对安徽省未来城镇化水平进行合理预测则可为政府制定城镇发展方针政策提供理论依据.现选取2010~2021年的安徽省城镇化率作为研究数据,采用GM(1,1)模型对安徽省城镇化水平建立动态预测模型,并对建立的模型进行了检验.研究表明:GM(1,1)模型具有较好的拟合精度,建模精度达到99.38%.运用GM(1,1)模型对2022~2026年安徽省城镇化率进行预测,预测结果显示未来几年安徽省城镇化水平将呈上升趋势.

基于GM(1,1)-IPSO-BP的重载铁路小半径曲线钢轨磨耗预测方法

为实现重载铁路小半径曲线段钢轨磨耗量的精准预测,提出一种非等间距灰色模型GM(1,1)与改进粒子群算法(IPSO)优化BP神经网络相结合的钢轨磨耗预测方法。首先,根据积分原理优化GM(1,1)非等间距模型的背景值计算方法,基于改进的模型得到实测磨耗序列的初步预测结果;然后,利用IPSO算法对BP神经网络的权值和阈值进行自动寻优,对GM(1,1)模型初步预测序列的残差进行校正;最后,将优化后的两种模型组合构建基于GM(1,1)-IPSO-BP的重载铁路小半径曲线地段钢轨磨耗量预测模型。以某重载铁路桥上半径400 m曲线为例,利用长期的磨耗监测数据进行方法的适用性分析,研究结果表明:GM(1,1)-IPSO-BP模型克服了磨耗数据的非线性、随机性特征对计算结果的影响,预测精度优于单独使用GM(1,1)、IPSO-BP模型;背景值优化后的GM(1,1)模型预测准确性更可靠;IPSO优化算法提高了BP神经网络计算的精度和速度;预测结果和实测数据之间的相对误差不大于4%;在预测区间上的绝对误差小于0.4 mm,运用该方法能够较准确地得到钢轨磨耗的发展规律。研究结果可为重载铁路小半径曲线钢轨的精准维修和科学使用提供参考。