基于GMA-RMA的年电力负荷组合模型

时间序列分析与灰色系统理论相结合的方法是先采用灰色建模从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立ARMA模型,将以上2 个模型结合起来构成组合模型,用于预测年电力负荷。应用实例证明,该方法具有容易实现、预测准确的优点,是一种有效的预测方法。

基于MFOA-GRNN模型的年电力负荷预测

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（GRNN）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法（MFOA）和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（DE-SVM）、粒子群优化的GRNN模型（PSO-GRNN）、以及果蝇优化的GRNN模型（FOA-GRNN）的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。

电力负荷预测的灰色随机组合模型

年电力负荷具有稳定增长的趋势成分和随机成分。由灰色模型描述趋势成分,由自回归模型刻化随机成分,两者叠加,即灰色随机组合模型,可反映年电力负荷的变化特性。实例验证表明,该途径是可行而有效的。