电力负荷预的测中英文资料外文翻译文献.docVIP

中英文资料外文翻译文献 基于改进的灰色预测模型的电力负荷预测 [摘要]尽管灰色预测模型已经被成功地运用在很多领域，但是文献显示其性能仍能被提高。为此，本文为短期负荷预测提出了一个GM（1，1）—关于改进的遗传算法的值是恒定的，为了解决这个问题并提高短期负荷预测的准确性，改进的十进制编码遗传算法值。并且，本文还提出了单点线性算术交叉交叉和准确性和实用性单点线性算术交叉电力系统经济，可靠和安全战略每日用电量）系统安全评估。传统的负荷预测模型被分为时间序列模型和回归模型。通常，这些模型对于日常的短期负荷预测是有效的，但是对于那些特别的日子就会产生不准确的结果。此外，由于它们的复杂性，为了获得比较满意的结果需要大量的计算工作。 灰色系统理论最早是由邓聚龙提出来的，主要是模型的不确定性和信息的分析让每一个随机变量作为一个在某一特定范围变化灰色量。灰色预测模型运用灰色系统理论基一阶单变量灰色模型。灰色预测模型组成部分是灰色微分方程组——特性参数变化的非常态微分方程组，或者灰色差分方程组——结构变化的非常态差分方程组，而不是一阶微分方程。灰色模型GM（1，1）有一个参数，它在很多文章里经常被设为0.5，这个常数可能不是最理想的，因为不同的问题可能需要不同的值，否则可能产生错误的结果。为了修正前面提到的错误，本文尝试用遗传算法来估算值。 John Holland 首先描述了遗传算法（GA），以一个抽象的生物进化来提出它们，并且给出了一个理论的数学框架作为归化。一个遗传算法相对于其他优化是寻找一个最佳的解决不是以一个单一，而是使用遗传算子。通常，二进制表示）））为0.5，因此背景值可能不准确。为了克服以上弊端，用改进的十进制编码的遗传算法来获得理想的参数值，从而得到较准确的背景值。而且，提出了单点线性算术交叉交叉和；第四章提出了GM（1，1）-IGA来实现短期日负荷预测；最后，第五章得出结论。 第二章 灰色预测模型GM（1，1） 本章重点介绍灰色预测的机理。灰色模型GM(1,1)是时间序列预测模型，它有3个基本步骤：（1）累加生成，（2）累减生成，（3）灰色建模。灰色预测模型利用累加的原理来创建微分方程。本质上讲，它的特点是需要很少的数据。 灰色模型GM（1，1），例如：单变量一阶灰色模型，总结如下： 第一步：记原始数列： = 是n阶离散序列。是m次时间序列，但m必须大于等于4。在原始序列的基础上，通过累加的过程形成了一个新的序列。而累加的目的是提供构建模型的中间数据和减弱变化趋势。定义如下： 有 ， 则 是r次累加序列。 第二步：设定值来预测 通过GM（1，1），我们可以一阶灰色微分方程 它的差分方程是。 a称为发展系数，b称为控制变量。 以微分的形式表示导数项，我们可以得到： 在一个灰色GM（1，1）值需要给出以得到一个好的背景值。背景值序列定义如下： 其中， 为方便起见，值一般被设为0.5，推导如下： 然而，这个常量可能不是最理想的，因为不同的场合可能需要不同的值。而且，不管是发展系数a还是控制变量b都由值确定。由于系数是常量，原始灰色信息的白化过程可能被抑制。因此，GM（1，1）模型中预测值的准确性将会严重的降低。为了修正以上不足，系数必须是基于问题特征的变量，因此我们用遗传算法来估算值。 第三步：构建累加矩阵B和系数向量。应用普通最小二乘法（OLS）来获得发展系数a，b。如下： 于是有 第四步：获得一阶灰色微分方程的离散形式，如下： 解得为 为 第三章 运用改进GA估算值 为了预测出准确的灰色模型GM（1，1），残差预测值误差最小平均绝对百分比误差 且， 为原始数据，为预测值，n是该数列的维数。从上面描述构建的GM（1，1）的值能够决定的值；不管是发展系数a还是控制变量b都由值确定。更重要的是，的结果由a，b决定，因此整个模型选择过程最重要的部分就是的值。在和残差之间有着某些复杂的非线性关系值是GM(1,1)的难点。 遗传算法是一个随机搜索算法模拟自然选择与演化还提供了一个强大的搜索机制独立数值函数优化二进制编码二进制类型使用不同的遗传算子我们利用改进的十进制码寻找最佳系数值。本文中，我们提出值；它能极大地提高交叉和变异的速度。改进的十进制码 （1）编码：假设是二进制字符串的C位然后由右至左每隔n位转换十进制选择一个整数M作为然后随机选择M点，这些点组原始该序列被定义为 （3）评估适应度被选择参与新个繁殖）的个体逐代衍化和发展。适应度函数是 是从个体获得的预测值。是迭代最小二乘我们