基于灰色+神经网络复合预测模型的研究

本文对单一的预测方式不能综合考虑复合因素对预测造成的影响,容易给预测带来偏差过大的后果的基础上,首先对数据进行描述性分析和相关分析,再使用Lasso参数估计方法,对某市财政收入数据进行相关因素分析,选取对财政收入影响较大的8个因素,使用灰色模型对这8个影响因素进行接下来2年值的预测,并使用后验差检验判别对预测结果进行评价,得出预测结果好;最后使用预测因素值建立神经网络预测模型,得到对接下来2年的财政收入预测结果。

连锁故障中负荷损失数值特征的非参关联分析

从大量连锁故障仿真数据中观察负荷损失与电网特性指标的数值特征关系,建立负荷损失与阶段性电网特性指标的非参关联分析模型。基于多层时序演化连锁故障模型构建数据仿真平台,选取电气状态指标、网络结构指标以及有序分布指标这3类电网特性指标作为连锁故障负荷损失的关联对象,通过仿真得到连锁故障负荷损失与电网特性指标的大数据样本。采用非参数独立性筛选方法剔除弱关联特性指标,进一步利用Group Lasso非参数回归算法确定关联特性指标与负荷损失的非参数关联规则。西南某省级电网算例表明,非参关联分析方法可揭示与连锁故障负荷损失具有强关联性的电网特性指标,同时显性地给出电网特性指标与负荷损失的关联水平和趋势。