灰色预测技术在年售电量预测中的应用

灰色预测技术是一种有效而先进的方法,在实际应用中得到了广泛认可。应用GM（1,1）模型和灰色预测改进技术对电网年售电量进行实际预测,可以很清楚地看到预测值与实际值的差距,认识到灰色预测技术在年售电量预测中,是一种行之有效的工具。     

利用优选法确定指数平滑系数α的一种方法——0.618法

指数平滑法是分析经济时间序列的最常用方法,其数学模型为: 其中:S_t是第t+1期的预测值、α为平滑系数(或加权系数) 在应用指数平滑法进行预测时,如何确定平滑系数α是提高预测精度的关键。在预测中,一方面我们希望提高α值,借以增加近期数据的权数;另一方面又希望减少α值以平滑随机误差,显然这两项要求是相互矛盾的。所     

基于神经网络的房屋销售面积预测研究

房屋销售面积的预测直接影响房地产开发商的投资额,而多种不稳定因素又给预测带来了困难。传统的基于统计方法的预测模型比较成熟,但缺点是适用性差、实时性不强,不能反映预测过程中的不确定性与非线性,其预测值和实际值常有较大的误差。人工神经网络能很好地处理非线性问题。在预测模型中引入神经网络和传统的线性回归方法,共同处理模型中的线性及非线性因素,以达到降低误差的目的。实验结果表明,该模型能达到有效的预测结果,     

对棉花期货价格进行灰色预测的实证分析

运用灰色系统理论中的GM(1,1)模型,对郑州商品交易所棉花期货品种的价格进行预测.通过预测值与实际值的比较结果表明,运用GM(1,1)模型来描述期货品种价格变化是适宜的,该模型具有较高的预测精度和应用价值。     

电力负荷预测的方法研究

介绍了负荷预测的基本概念和方法,并采用趋势分析法、回归分析法、单耗法、弹性系数法、负荷密度法、神经网络法、灰色系统法对包头城区的负荷进行预测,分析各种预测方法的预测结果,并采用组合预测法将负荷的实际值和预测值进行对比,最后提出优选组合预测法具有较好的预测效果。     

基于灰色预测模型的上证指数开盘价预测

本文采用R软件,对上证指数(000001)历史时间序列数据(2015/12/4-2015/12/11)进行灰色预测建模分析,并预测出2015/12/14的开盘价。该预测值与实际值相对照,预测误差小,模型拟合效果良好,说明灰色预测模型非常适用于短期预测;同时预测结果显示在该时期上证指数处于波动下跌趋势。     

江苏省电力需求的短期预测

为了促进江苏省经济的持续稳定增长,运用霍尔特双参数指数平滑模型,GM（1,1）模型以及组合预测模型对江苏省的电力需求进行预测,并分析预测值与实际值的误差和相对误差,选出了最优模型,根据最优模型对江苏省2010-2014年的电力需求进行预测。     

预测杂谈

1.单方案与多方案目前,许多预测给出的结果往往是单方案。但是,由于未来的不确定性,实际过程很难准确地达到这一方案。如果实际过程是未来未达到这一案,而决策者又事先无准备,这样便会使人不知所措。因此,为使预测结果具有适应性和可调整性,任何一项预测应给出多个方案,而不是单方案。多方案预测的优点是,能使决策者和实施者为各种     

基于密度算子的组合预测方法

考虑到单项预测方法在不同时刻预测准确性的差异,提出了一种基于密度算子的组合预测方法.该方法的核心思想是利用样本区间内单项预测方法的预测准确性对预测值聚类;然后基于密度算子的思想对单项预测法集结,得到一种新的组合预测模型;在此基础上,基于预测值和相应观察值误差最小的思想确定单项预测法的加权系数.该模型充分利用了样本区间内单项预测法的预测准确性,因而预测值具有较高的准确性.最后,给出一个实例,并对其结果进行比较分析,证明了该组合预测模型的有效性.     

粒子群神经网络在手机物料库存预测中的应用

物料库存预测是企业经营管理的重要方面,它直接影响企业的生产与销售以及企业经济效益的实现。开展物料安全库存预测研究对于合理地控制物料的进出,节约存货空间,降低库存成本,提高库存管理的科学性和企业经济效益具有重要的理论意义与实际应用价值。文章构建了基于粒子群优化的神经网络的手机物料库存预测模型,实验结果表明,手机物料库存的预测值与实际值吻合度较好,该方法可有效地提高预测准确度,对实际生产具有一定的指导作用。     

季节变动高峰(或低谷)时期的计算和数值预测

在呈季节变动的现象中,很多现象的高峰值(或低谷值)并非落在某一个季(或月)中。实际上,很少有哪种现象恰恰以某季(或月)的中点为高峰(或低谷)分布。而统计资料往往是按月或季汇总的,如果按这样的资料进行预测会产生两个问题:第一,按分月资料计算季节比率进行预测,只能得到日历月份的预测值,     

简述地震预测模型

我国是一个地震多发的国家,地震给人们生命财产带来的伤害是无法估量的。尽管地震什么时候发生,强度多大等至今还无法精确的预测出来。但是通过建立有效的地震预测仪,可以在一定程度上估测某个地方是否会发生地震,从而在一定程度上可以减少突发地震对人们带来的伤害。本文将简述地震预测模型建立的过程,希望通过该模型的建立,可以让人们更多的了解地震相关的知识,同时也给研究和设计地震预测仪的专家等带来启发性的帮助。     

交通流量VNNTF神经网络模型及其预测研究

研究了VNNTF神经网络交通流量混沌时间序列预测的问题。首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;接着,阐述了VNNTF神经网络学习算法原理．设计了交通流量Voltem神经网络的学习算法快速学习算法：最后利用交通流量混沌时间序列对VNNTF网络模型、Voherra预测滤波器和BP神经网络进行了单步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的VNNTF神经网络的预测性能明显优于Volterra预测滤波器和BP神经网络。     

平均预测法的应用条件

将不同预测方法应用于同一资料进行预测的时候,可以把由不同方法计算得到的预测值的平均数作为代表值来使用。不过,需要指出进行这样平均的一个条件,即要求,由不同预测值的平均值所计算出来的预测误差平方和必须得小于用各原先预测值已经计算出来的预测误差平方和中的最小者。否则,那种平均就没有多少实际意义。因为既然不能降低误差平方和,则还不如就选其中误差平方和最小的一个来用。     

基于状态趋势预测方法的城市机动车保有量预测

将2000-2010年的杭州市机动车保有量的时间序列用非线性回归拟合得到趋势曲线方程,并以趋势曲线为基准划分2个状态区间,再用马尔可夫转移概率来刻画系统的数值波动规律。通过对杭州市2010年机动车保有量预测值与实际值进行比较,可知该模型预测精度较好。并基于该模型用状态趋势预测方法对2011年杭州市机动车保有量进行预测。     

对电力系统负荷预测的探讨与分析

负荷预测是电力系统规划以及运行研究的重要内容,是保证电力系统可靠以及经济运行的前提,是电力系统规划建设的重要依据。负荷预测的准确程度将直接影响到投资、网络布局以及运行的合理性。负荷预测会受到很多的不确定因素的影响,到目前为止,还没有那一种方法保证在任何情况下都可以获得满意的预测结果。因此在进行负荷预测时候,应该结合预测地区的实际情况,选用多种预测方法,各种的方法预测的结果互相的校核,最终确定预测值。     

考虑机组启停的电网风电接纳能力仿真研究

针对大规模风电并网后的机组启停,进行了仿真研究;采用2010年～2011年蒙西电网风电实际出力值作为原始数据,设定不同的预测误差,计算出在风功率预测值指导下,电网火电机组启停机方式以及相应的风电接纳能力;仿真结果表明,考虑机组启停后,电网风电接纳能力大幅度提高,同时,通过提高预测精度,能够有效避免风功率预测误差造成的电网缺出力现象,保证电网发供电平衡的需要。     

基于灰色模型的农民工资性收入预测

运用灰色系统理论及方法,通过对河南省近年农民工工资性收入数据序列采取不同长度序列的方法进行逐一新陈代谢,分别建立GM(1,1)模型,在matlab环境下利用建立的模型进行预测,将预测值与实际值进行误差比较,通过比较不同长度序列的误差平均值,选取误差平均值最小的序列长度值,并以2011年和2012年为例进行实证分析。     

对电气设备高压试验及防范措施的探讨

当今社会中,电力发挥着重要的作用,如果离开了电力,人们的正常生活将难以得到保障,社会的正常运行便会出现问题。因此应加深人们对电力系统的认识。在电力系统中,电气设备是最为重要的物资,只有拥有良好的电力设备,才能确保电力的供应。在当今社会中电气设备更加注重高压电力的生产和输送,因此,电气设备的高压试验便更显得重要,通过对电气设备进行高压试验能够确保电气设备的正常工作,确保电力供应工作的正常进行。然而在进行试验的过程中,由于要和高压电接触,工作人员的工作环境相对而言较为危险,工作人员应在工作时做好防范措施,本文将对如何在进行试验时做好防范措施进行探讨。     

再论最优组合预测模型的确定

1 引言组合预测的基本含义是把两个或两个以上的预测模型来用加权平均的方式组合为一个模型,而加权系数的确定是最优组合预测模型确定的关键。我国有很多人从事过这方面的研究,得到一些结果(见[1]、[2]).本文根据广义最小二乘法和加权最小一乘法思想,再论最优组合预测模型的确定. 2 根据广义最小二乘法确定最优权系数设对于同一预测问题我们有几种预测方法。 y(?)实际观测值,t=1,2,…,N; y(?)第i种方法的预测值,i=1,2,…,n; (?)=y(?)—y(?)第i种方法的预测误差; W_(?)第i种方法的加权系数,(?)=1; (?)加权组合预测值; e(?)=y(?)—y(?):组合预测误差. 根据广义二乘法的思想,最优组合预测模型,其权系数W=(w_1,…,w_n)~r应使下式中的J达到最小