外文翻译--改进的灰色预测模型在电力需求上的应用译文(编辑修改稿)

外文翻译--改进的灰色预测模型在电力需求上的应用译文(编辑修改稿)内容摘要：

( 0 ) ( 0 )( ) ( ) ( ) .q k x k x k ( 12 ) 残差 GM(1,1)灰色模型比原始 GM(1， 1)灰色模型提高了预测的准确性，我们可以加上残差模型 (0)()xk的预测值得到修正后的预测值 .然而 ,残差序列的基数取决于具有相同符号的数据点个数，当观察 值不是很多时这通常是很小的 .在这些情况下，具有相同符号的残差序列基数不会超过 4个，而此时残差模型不能够被建立 . 4 在这里我们提出一个改进的灰色模型来解决这个问题 .我们建立一个修正子模型，该模型是一个组合的残差 GM(1,1)预测系统，即结合了人工神经网络（ ANN）对残余符号的估计而得到的残差绝对值 .这个改进预测系统的原理描述如图 (1)，构建详细的改进灰色预测过程如下 . 图１．预测系统的原理图 . 残差预测模型 首先，残差序列的绝对值表示为 (0):  ( 0 ) ( 0 ) ( 0 ) ( 0 ) ( 0 )( 2 ) , ( 3 ) , ( 4 ) , .. . ( ) ,n     ( 13 ) 其中 ( 0 ) ( 0 )( ) , 2 , 3 , ..., .q k k n  ( 14 ) 通过使用相同的方法 如式（ 1） – （ 10），一个 (0) 的灰色 GM(1， 1)模型可以被建立 .预测残差序列表示为 (0)( ),k 然后   ( 1 )( 0 ) ( 0 )( ) ( 2 ) 1 , 2 , 3 , . . .kaabk e e ka      ( 15 ) 残差 预测输出 最终预测 残差输入 原始预测输出 残差符号估计 原始模型 原始灰色 GM(1,1)预测 修正子模型 残差灰色 GM(1,1)预测 人工神经网络符号估计 混合模块 数据输入 5 . 人工神经网络残差符号估计模型 近年来，已经进行了大量的人工智能预测技术问题方面的研究 .然而，该模型毫无疑问由于应用了神经网络这一强大的计算工具而受到广泛的关注 . 图． 2 给出了一个概要的生物神经和一个基本的神经网络元素 .人工神经网络模型像一个黑盒操作，不需要系统的详细信息 .相反它们会通过研究以前数据，学习输入参数和受控及非受控变量间的关系 .人工神经网络模型可以处理庞大而复杂的系统，这些系统带有许多相互关联的参数 .神经体系结构的几种类型是可用的，其中多层的反向传播（ BP）神经网络是最广泛使用的 .正如图． 3显示，BP 网络通常采用三层或更多层的体系结构：一个输入层，一个输出层和至少一个隐层 .描述这个网络的计算过程如下： ,j ij ijiY f W X  ( 16 ) 图． 2．一个简单的神经 [13]与一个 PE 模型 . 其中 jY 是输出节点 j ， ()f 是传递函数， ijW 是在底层的节点 i 和节点 j 之间的连接权重 iX 是来自于底层节点 i 的输入信号 . 误差反向传播 （ BP）是一个梯度下降算法 .它试图通过改变权重沿 其梯度降低的总误差以提高神经网络的性能 .误差反向传播 （ BP）算法减少了平方误差，这可以通过以下来计算： 6 图． 3． A BP 网络。