基于缓冲修正的样条灰色模型的长期负荷预测

负荷数据是电力系统运行和规划的重要依据,准确地预测出在未来一定时期内的变化情况有利于提高电网运行的经济性和可靠性。我们针对传统GM(1,1)模型存在的一些缺陷,根据未来负荷趋势的判断,利用平均弱化缓冲算子(AWBO)对历史数据进行修正,并提出运用三次样条插值方法对灰色预测模型的背景值进行重构,构建改进的灰色预测模型,克服了传统预测模型的不稳定性,最后给出这种预测方法的建模步骤。通过实例验证,选择我国1980-2008年的年负荷数据进行分析,并选择此方法与传统GM(1,1)模型、支持向量回归(SVR)预测模型和人工神经网络预测模型(ANN)进行比较,结果表明此所提方法是可行和有效的。

基于缓冲修正的灰色插值负荷预测建模与仿真

研究电力负荷准确预测问题。由于电力负荷影响因子多,如气象条件、社会影响、系统运行状态和增容决策等因素,并且上述影响因子含有噪音信息,故而电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,导致电力负荷精度低。为了解决上述问题,在传统GM(1,1)模型的基础上,根据未来负荷趋势的判断,利用平均弱化缓冲算子(AWBO)对历史数据进行修正,并对区间内的负荷分量运用组合插值方法对进行重构,构建改进的灰色预测模型可以更好的应对电力负荷影响因子带来的非线性干扰。最后给出改进预测方法的建模步骤。通过实例验证表明,改进算法在预测精度、泛化能力及收敛速度方面较突出,具有良好的预测效果。