一．数据预处理1. 题中给出了三个地区的一个整年的负荷值，细分到一天 96 个点的数据.经过数据预览后发现部分点数据遗失，部分数据可能存在较大误差,因此需要一个数据预处理程序对数据进行预处理,平滑不符合要求的数据点。2. 经资料预览后决定选取 A 地区从 8 月开始的 98 天的数据作为原始预测数据,预测之后 30 天负荷值。这样选取基于两方面考虑：一是选取三个月及一个季度的值已经具有较大的代表性；二是 11 月份的负荷值已知,便于与预测出负荷值相比较，进行误差分析，以辨别建立的模型好坏。3. 应用 Excel 选出 98 天数据，导入 matlab 中。编写数据预处理程序，其思想简述如下：对于数据遗失点,即数据为 0 点,采纳相邻两天的同一时刻的平均值来作为原始资料,若无相邻两天的资料，则采纳相邻一天的数据值.对于数据误差较大的点，认为前后两天绝对值差大于 6 为误差点（6 大概为单点负荷的 15%)，此处处理需基于一个假设，即第一日的 96 数据点数据为基准值。经实际预测数据认为此方法可行。二．采纳灰色理论预测具体使用灰色 GM（1，1）模型对数据进行预测第一部分:模型的建立1. 经分析讨论后,认为灰色 GM(1，1)模型具有所需建模样本数量少，计算简单，可检验,利于编写程序进行计算等优点，因此采纳此模型进行建模预测。2.对预处理后的数据变换成行,进行 1-AGO 累加得到如下数据（为便于观察此处给出描点得到的曲线)3. 依据灰色预测步骤建立累加矩阵 B 及常数相向量 Y.4. 利用最小二乘法求出灰系数。5. 对累加数据进行计算。6. 累减还原得到预测值。7. 对数据进行后验差检验，得到后验差比值 C 及小误差概率 P 以验证建立模型是否可行。第二部分：模型的改进1. 由于灰建模过程中的参数采纳最小二乘法。最小二乘估量是使残差平方和取得最小值时的最优解，可以保证解的无偏性，适合对数据进行一次性处理，且计算简单。但是它求得的只是一个局部最优解，并非在任何情况下都能满足要求，最小二乘法有解的条件是矩阵非奇异（行列式数值大于零），显然是实对称阵。在实际计算中会出现矩阵接近于奇异（行列式数值接近于零）,即所谓“病态”情况。由此导致参数估量结果不稳定,不可信，这必定导致灰预测公式的不稳定，不可信,从而使得预测结果不稳定，不可信。实际计算中得到的灰参数为［—0。0000 52。8550 ］;导致最终预测值偏大，不可采纳，得到后验差比值 C=0。9954,小误差概率 P= 0.5028。2....
