自适应粒子优化原理 自适应粒子滤波

昭棠笔记 2023-01-25

闪电骑士-三寸天堂简谱

2022年5月1日发

(作者:为了谁曲谱)

第22卷第4期 

2010年8月 

电力系统及其自动化学报 

Proceedings of the CSU—EPSA 

V01.22 No.4 

Aug. 2010 

自适应粒子优化灰模型的负荷预测 

尹新,周 野关键词优化李守洪排名大师,何怡刚,陈建 

(湖南大学电气与信息工程学院,长沙410082) 

摘要:针对传统灰预测模型GM(1百度主题推广,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比 

标准粒子优化算法效率更高的自适应粒子优化算法南宁网站推广,并与GM(1恒牛网,1)模型相结合网络危机,利用自适应粒子算法 

求解GM(1,1)模型中的参数a和“杭州网络营销,提出一种自适应粒子优化灰模型。通过对四个地区的用电量进行实 

例仿真,证明该模型具有较广的适用范围和较高的预测精度。 

关键词:电力负荷预测;灰模型;自适应;粒子优化 

中图分类号:TM715 文献标志码:A 文章编号:1003 8930(2010)04—0041 O4 

Power Load Forcasting Based on Adaptive Particle 

Swarm Optimization Grey Model 

YIN Xin,ZH0U Ye整合营销是什么意思,HE Yi—gang,CHEN Jian 

(College of Electrical and Information Engineering,Hunan University菜鸟论坛, 

Changsha 410082推广软文,China) 

Abstract:When the power load forecasting grows quick,the traditional gray prediction model GM(1seo优化服务,1百度指数工具。)be— 

comes worse.In order tO overcome the limitation友情链接买卖,an adaptive particle swarm optimization algorithm is intro— 

duced北京推广公司,which iS more efficient than the standard particle swarm.Combined with the GM(1baiduzhishu,1)model and the a— 

daptive particle swarm algorithm for GM(1,1)model parametershttp www baidu com,the optimization algorithm is promoted.Simu— 

lation results of electricity consumption in four cities show that the model has a wider scope and higher predic— 

tion accuracy. 

Key words:power load forecasting;grey mode1;adaptive;particle swarm optimization 

电力负荷预测工作直接影响着电力系统调 增长较快的负荷时企业形象推广,预测效果变差。文献[3]和[4] 

从理论上分析了其预测效果差的原因网络优化,并给出相应 度、用电、计划、规划等工作俩族网。提高负荷预测技术水 

平博客推广工具,有利于合理安排电网运行方式和机组检修计 

划,是电力科学研究的重要课题之一。与短期负荷 

的修正方案优化大师 ,改善了GM(1,1)模型的预测效果。 

粒子优化算法是近十几年来兴起的一种 

预测比较百度点击器原理,中长期预测由于时间间隔长,经济、政 

治、气候因素影响较大,且历史数据少好搜排名提升软件,不易出良 

好的分布规律。利用传统的统计、线性回归以及神 

智能优化算法海外推广,有着参数少、收敛速度快、全局搜索 

能力强等优点企业网络公关,已被广泛应用于各个领域_8 百度网首页。本 

文引人效率更高的自适应粒子优化算法_1 ,与 

GM(1seo 教程,1)模型相结合,提出了自适应粒子优化 

灰模型APSOGM(adaptive particle swarm 

经网络等模型很难得到好的预测效果黑客seo。 

文献[1]灰预测方法具有样本数据少、不需 

要考虑分布规律和变化趋势、运算方便、预测精度 

高、易于检验等优点新泰网。其中GM(1,1)模型在电力 

负荷预测中已得到广泛应用[2 ̄7]。但该模型在预测 

optimization grey mode1),并进行实例分析。仿真 

结果证明,该模型在预测增长较快和非单调增长负 

荷时优于传统的GM(1,1)模型天津百度推广,拓展了灰模型 

收稿日期:2009—06—05;修回日期:2009—10—10 

基金项目:高技术研究发展计划(863)(2006AA04A104);自然科学基金项目(50677014、60876022);高等学校博士学科点 

专项科研基金(20060532002) 

・42・ 电力系统及其自动化学报 第22卷 

预测的使用范围,为工程应用提供了重要参考。 Kennedy于1995年提出 ̄13]o粒子优化算法的基 

本思想是通过体中个体之间的协作和信息共享 

1 GM(1,1)模型基本原理 

GM(1郴州网站优化,1)模型[】。 是作为电力负荷预测最常 

用的一种灰模型深圳推广。其原理基本如下: 

设原始负荷序列为X 网站推广策划,有 

X∞ =[z ’(1)河北网络推广,z‘o (2)外链工具,…,X (行)] 

来寻更优解。设d维空间中有N个粒子,其中第i 

粒子的位置和速度分别表示为 

Y 一[ m河南百度优化, 太原网络营销,…,Y ] (8) 

Vi一[72叫, alexa排名精灵,…百度分享代码, j 

(1) 

(9) 

通过评价各粒子的目标函数谷歌seo优化策略,确定k时刻每个 

阶累加生成序列为Xn 网上炒作,有 粒子所经过的更佳位置存于N×d方阵(pbest), 

X ’一[zn (1),Xn (2),…邯郸网站建设,5En (7z)] (2) 

序列X‘搜索引擎登录工具。’和X“ 中对应的数据之间的关系如下: 

z㈤(忌)一 z㈤( )( 一1天津seo旺道,2,…手机优化,72)(3) 

i=1 

又GM(1,1)模型一阶微分方程式如下: 

+船㈩一 (4) 

Q 

可得其对应差分方程组为 

z㈣(2)+ 1

口ix,l好搜排名提升软件 好搜排名提升软件,(2)+z㈩(1)]=“ 

z㈣(3)+ 1 

nix,l郑州建设网站,(3)+z㈩(2)]=“ 

; 

z㈤( )+ 1

口[z㈩( ) ̄--X(1)( 一1)]= 

(5) 

利用最小二乘法可以求得参数n和“的值为 

( )=cB B ㈤ 

式中: 

一T1 Lx㈩(1)+z㈩(2)] 

一 I[z㈩(2)+z㈩(3)] 

B 7--- 

i 

y1 Lx㈩( —1)+z㈤( )] 

X =( 东营网站制作公司。(2) 。(3) … z成都网站seo公司。( ))T 

由式(6)解得n和 后深圳推广公司哪家好,可得原始序列预测公 

式为 

主(网站seo优化培训。 (志+1)一(1一en)Ix(o (1)一旦]e 

“ 

(是一0,1,2,…) (7) 

其中百度seo优化公司,X∞ (是+1)为第k+1个负荷预测值。 

2 自适应粒子优化算法 

粒子优化算法PSO(particle swarm 

optimization)是一种进化计算技术百度网盟,由Eberhart和 

记作P,将所有pbest中的目标值更优个体存储于 

l×d行阵(gbest)记作P ,有 

P 一[p∽速贝seo实战培训,P ,…,P ,d (IO) 

P 一Lp 桂林网站设计,P 常德网,…网站建设的内容,P .d (1I) 

再按如下迭代公式分别更新各粒子的速度和 

位置。 

(是+1)一 , (志)+Cl r1[户 (五)一 

Y (忌)]+C2r2[户 (是)一Y (尼)] (12) 

Y (忌+1)一Y (忌)+ (忌+1) (13) 

式(12)和(13)中:∞是惯性权因子,C 和C 是学习 

因子,在标准的粒子算法中网站怎么优化, 是随时间的变化 

线性递减鄂州网站建设,C 和C 是恒定的-r】和r 为0到1之间 

均匀分布的随机数;i一1,2,…,N; ===1百度网盟,2安卓优化大师官方下载,…,d; 

.,

(志)被限制在[一7J 网络销售培训,72max]之间网站建设步骤,口 根据问题的 

实际情况确定重庆seo优化。 

文献[11]中利用自适应惯性权因子替代PSO 

算法中的线性惯性权因子泉州网站建设,提出了自适应粒子优 

化算法 APSO(adaptive particle swarm 

optimization)。这种方法有利于算法在全局范围内 

产生更好的搜索能力,能够使得微粒更快地趋向较 

好的搜索空间,提高算法效率网站空间域名。 

3 APSOGM模型 

3.1 模型的建立 

利用GM(1,1)模型进行电力负荷预测具有要 

求负荷数据少、不需考虑负荷分布规律和变化趋 

势、运算方便等优点专业网站优化。但该模型在预测负荷增长较 

快的负荷时形象推广,预测精度变差太原网站优化。其原因是在求解过程 

中,简单地令背景值l4]: 

1 z(1)一 1[z(】 (忌+1)+z“ (志)] (14) 

为避免背景值取值不当而造成误差,本文利用 

APSO算法来求解参数口和 ,这样即使在负荷增 

长较快时也能进行预测网站推广方式。这种利用APSO算法 

求解参数a和 seo博客,得到的灰预测模型广告营销策划方案,本文称之为 

APSOGM模型,其基本步骤如图1所示。 

第4期 尹 新等:自适应粒子优化灰模型的负荷预测 ・43・ 

测。选取我国四个地区8年的用电量作为实验数 

据,其增长趋势如图2所示baaidu。由图2知百度se,负荷1、2和3 

的数据均近似指数函数,但增长率不同,负荷4呈 

非单调增长趋势江西百度。具体数据和年均增长率如表1。 

用表1中前7个年份编号对应的数据作为原始数 

据酒泉网站建设,第8个年份数据即k一8对应的数据作为待预 

测年的准确值,用以验证所得预测结果的准确性。 

图1 APSOGM模型基本步骤 

Fig.1 Basic steps of APSOGM model 

3.2 APSo算法求解参数 

根据上述APSOGM模型的基本步骤可知收录网站,设 

定粒子为二维,其位置为[口什么是长尾关键词,“]企业推广,利用APSO算法来 

求解参数口和Useo搜索推广,其基本步骤如下: 

步骤1 初始化:设置粒子的初始位置和初始 

速度(随机产生N个粒子) 

Y =Ea 广告的种类,U ]收录网址,( 一1,2,…沈阳seo顾问,N) (15) 

f侔 

图2 四个地区8年用电量曲线 

Fig.2 Electricity consumption curves 

of four cities in 8 years 

V ===[ 2],(i===1,2,…今日头条自媒体,N) (16) 

表1 四种负荷历史数据及增长率 

Tab.1 Four types of historical data and 

步骤2 计算每个粒子适应值:对每个粒子通 

growth rate in power load (Mw) 

过目标函数-厂计算其适应值,目标函数f(Y )为 

1— f(Y )一告 [z∞ (—愚)一z‘。 (尼)] 

k—1 

(17) 

式中武汉网站优化, ∞ (是)和z ’(忌)分别为负荷的第k个实际 

值和预测值上海的网络推广。 

步骤3 确定pbest、gbest和∞。 

步骤4 利用公式(12)和(13)来更新各粒子 

的速度和位置。 

步骤5 如果迭代次数大于更大迭代次数或 

目标函数达到设置的理想值,结束迭代输出gbest, 

得到a和M;否则返回步骤2。 

在APS0GM模型中,随机产生2O个粒子seo如何优化, 

∞ 一1.2,∞ i 一0.2赢销网, ==:0.5提升流量,C1=C2—2山西seo优化,算 

4 实验仿真与预测结果分析 

为验证APSOGM模型的有效性与实用性为什么开网页很慢,分 

法迭代200次。分别对两种模型进行后验差、小误 

差概率及预测值和实际值的相对误差的检验,其结 

果如表2所示。后验差是指残差方差与历史数据方 

别用GM(1热门关键词库,1)模型和APSOGM模型进行仿真预 

表2 CM(1,1)模型和APSOGM模型仿真结果比较 

Tab.2 Comparison of the simulation rsulets with GM(1。1)model and APSoGM model 

・ 44 ・ 电力系统及其自动化学报 第22卷 

差的比值软文代发,其值越小越好哈尔滨网站制作,小误差概率定义为各残 [J].电力系统及其自动化学报(Proceedings of the 

CSU—EPSA)wap推广,2006视频营销,18(2):79—81. 差与残差平均值差的值小于历史数据方差的 

均方根的0.6745倍的概率,其值越大越好。 

由表2的数据结果可知旺道seo推广,在负荷增长较慢(年 

均增长率小于1O )的情况下网站历史快照,APSOGM的预测 

效果并不优于GM(1,1)模型优化方案,因为对比较平缓的 

负荷数据进行预测,GM(1,1)模型已能达到预测 

精度seo排名点击器。而对于增长较大的负荷数据,APSOGM模型 

的预测效果明显优于GM(1,1)模型。对于负荷4smo优化, 

为非线性增长的负荷,这时传统的GM(1,1)模型 

的预测精度将明显降低医院推广方案,预测值和实际值的相对误 

差为6.6216%edm策划,而APSOGM模型预测的结果仍然 

非常乌海网站建设,相对误差只有0.2410 。 

5 结语 

本文利用APSO算法代替传统的最小二乘法 

求解GM(1新产品推广,1)模型参数,提出一种APSOGM预测 

模型。该方法避免了传统模型在求解参数过程中存 

在的一些理论问题排名优化公司,提高了模型的预测精度。通过 

实例分析,表明该模型在预测增长较快的负荷时同 

样拥有较高的预测精度柳林网,且对不是单调增长负荷类 

型也能做出预测,扩展了GM(1淮南seo,1)模型的适 

用范围,具有一定的理论意义和应用价值什么网站建设。 

参考文献: 

[13 邓聚龙.灰预测与决策I-M].武汉:华中理工大学出 

版社濮阳网站建设,1992. 

[2] 

周平,杨岚枫林seo,周家启(Zhou Ping,Yang Lan自贡网络推广,Zhou 

Jiaqi).电力系统负荷灰预测的新方法(The new 

method of electric power system load gray forecast) 

[J].电力系统及其自动化学报(Proceedings of the 

CSU-EPSA)潍坊网络营销外包,1998网推,10(3):45—50. 

[33 张大海,史开泉,江世芳(Zhang Dahai,Shi Kaiquan, 

Jiang Shifang).灰负荷预测的参数修正法(Coeffi— 

cient modification of grey load prediction)[J].电力系 

统及其自动化学报(Proceedings of the CSU—EPSA), 

2001,13(2):2O一22. 

[4] 张大海北京seo服务,江世芳杭州网站优化,史开泉(Zhang Dahai,Jiang Shifang, 

Shi Kaiquan).灰预测公式的理论缺陷及改进(The— 

oretical defect of grey prediction formula and its improve— 

ment)[J].系统工程理论与实践(Systems Engineer— 

ing Theory&Practice)哈尔滨网站优化,2002,22(8):14O一142. 

[5] 朱常青什么是cms,王秀和湖北百度推广,张鑫企业网站维护,等(Zhu Changqing,Wang Xi— 

uhe雅安网,Zhang Xin随州网络公司, a1).基于灰关联加权组合模型的 

电力负荷预测研究(A novel load forecasting method 

based on grey relational weighing combination mode1) 

[6] 张友泉(Zhang Youquan).一种基于灰系统理论的 

中长期需电量预测模型(Middle and long term power 

consumption forecasting model based on grey system 

theory)I-J].电网技术(Power System Technology), 

1999,23(8):47—50. 

[7] 牛东晓,乞建勋,邢棉(Niu Dongxiaowww baidu com百度,Qi Jianxun, 

Xing Mian).二重趋势性季节型电力负荷预测组合 

灰神经网络模型(Combined optimum gray neural net— 

work model of the seasonal powerload forecasting with the 

double trends)[J].中国管理科学(Chinese Journal of 

Management Science)优化网站,2001,9(6):15—20. 

[8]Kannan S济宁网站运营,Slochanal S M R商丘网站优化,Subbar ̄P,et a1.Appli— 

cation of particle swarm optimization technique and its vari— 

ants to generation expansion planning problem[J].Electric 

Power Systems Research,2004,70(3):203—210. 

[9] 13o Liu,Ling Wang凯里网站设计,Yi—Hui Jin.An effective 

PSO-based memetic algorithm for flow shop schedu— 

ling[J].IEEE Trans on Systems天津网站建设公司,Man and Cybernet— 

ies Part B,2007又名鹤山站长网,37(1):18—27. 

[1o]牛东晓seo平台,赵磊企业网站推广方法,张博,等(Niu Dongxiao怎么刷指数,Zhao Lei, 

Zhang Bo,e/a1).粒子优化灰模型在负荷预测 

中的应用(The application of particle swarm optimi— 

zation based grey model to power load forecasting) 

[J].中国管理科学(Chinese Journal of Management 

Science)汕头seo优化,2007,15(1):69—73. 

[u]夏晓华网络品牌营销,刘波,奕志业,等(Xia Xiaohua百度权重查询,Liu 13o,Luan 

Zhiye,e/a1).基于APS0的非线性预测控制及在 

pH中和反应中的应用(APSO-based nonlinear pre— 

dicted control and its application for the pH neutral— 

ization reactor contro1)[J],化工自动化及仪表(Con— 

trol and Instruments in Chemical Industry),2006,33 

(1):24—27. 

[12]牛东晓tieba baidu com,曹树华网站安全扫描工具,赵磊,等.电力负荷预测技术及其应 

用[M].北京:中国电力出版社软文发稿,1998. 

[1 3]Kennedy James百度统计工具,Eherhart Russel1.Particle swarm 

optimization[C]fi IEEE International Conference on 

Neural Networks软文广告范文,Perth怎么创建自己的博客,Australia:1995. 

作者简介: 

尹新(1972一)百中seo,男,副研究员广告联盟是什么,研究方向为电力负荷预测、 

计算机应用系统搜索引擎营销。Email:yinxin@hnu.cn 

周野(1984一)家具软文范例,男,硕士研究生又名绥化站长网,研究方向为智能算法、人 

工神经网络应用权重域名。Email:xiaoye21855@163.tom 

何怡刚(1966一),男,教授360优化大师电脑版,博士生导师description什么意思,主要从事自动测试 

与诊断装备、高速低压低耗集成电路与系统、电力市场、电 

力电子技术等研究赛雷猴。Email:jorden01@163.eom 

wap歌词翻译成中文-自己 原唱