基于变分模态分解和改进粒子群算法优化最小二乘支持向量机的短期电价预测

针对电价序列具有非线性强、波动性大的特点,提出一种基于变分模态分解(VMD)和改进粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)的短期电价预测模型.首先利用VMD将原始电价数据分解为多个子序列,然后采取LSSVM模型分别对子序列进行预测.对于LSSVM预测模型的最优参数选择问题,利用改进的PSO优化LSSVM模型的参数,能够很好地提高模型预测精度.最后集成各子序列预测结果,获得最终电价预测值.为了验证所提模型的有效性,以美国PJM市场电价数据为例进行分析,并与其他预测模型进行对比,结果表明,所提模型能够很好地对短期电价进行预测.     

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

基于改进鸟群算法优化最小二乘支持向量机的锂离子电池寿命预测方法研究

随着锂离子电池的广泛应用,其寿命预测与健康管理已成为当今的热点问题。锂离子电池寿命预测对于电池管理系统的稳定运行有着重要意义。采用最小二乘支持向量机(LSSVM)模型对锂离子电池剩余寿命进行预测,并采用鸟群优化算法(BSA)对LSSVM参数进行寻优。为提高BSA的全局搜索能力,对BSA进行改进,并提出改进鸟群算法(IBSA)。最后,采用IBSA优化LSSVM模型,建立了IBSA-LSSVM预测模型并对锂离子电池剩余寿命进行预测。测试结果表明,IBSA-LSSVM模型对锂离子电池剩余寿命有良好的预测效果和预测稳定性。     

基于改进鸟群算法优化最小二乘支持向量机的锂离子电池寿命预测方法研究

随着锂离子电池的广泛应用,其寿命预测与健康管理已成为当今的热点问题。锂电池寿命预测对于电池管理系统的稳定运行有着重要意义。采用最小二乘支持向量机(LSSVM)模型对锂离子电池剩余寿命进行预测,并采用鸟群优化算法(BSA)对LSSVM参数进行寻优。为提高BSA算法的全局搜索能力,对BSA算法进行改进,并提出改进鸟群算法(IBSA)。最后采用IBSA算法优化LSSVM模型,建立了IBSA-LSSVM预测模型并对锂离子电池寿命进行预测。测试结果表明,IBSA-LSSVM模型有良好的预测效果和预测稳定性。     

基于FOA-LSSVM的汽轮机热耗率预测模型研究

为了准确描述可控参数与热耗率之间的关系,采用偏相关分析法,结合汽轮机热耗率方程确定了影响汽轮机热耗率的5个主要变量,并将其作为模型的输入参数;通过比较分析,选用RBF_kernel为模型的核函数;利用果蝇优化算法(FOA)对最小二乘支持向量机(LSSVM)的惩罚因子和核径向范围2个参数进行优化,建立了FOA-LSSVM黑箱模型;以FOA-LSSVM为基础,建立了预测汽轮机热耗率的数学模型,并将其与采用LSSVM、RBF神经网络建立的热耗率预测模型进行对比,同时分析了该模型的鲁棒性。结果表明,基于FOA-LSSVM的汽轮机热耗率预测模型具有精度高、泛化能力强、鲁棒性强的优点。该模型为机组热经济性诊断、参数寻优提供了理论依据,具有一定的工程应用价值。     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。     

基于NGO-VMD-SSA-ESN 的短期电价预测∗

针对电价波动性和非线性的特点,为提高电价预测的精度,提出了一种基于回声状态网络的短期电价混合 预测模型.首先,基于北方苍鹰优化算法(NGO)优化后的变分模态分解(VMD) 对原始电价进行分解,降低电价 的波动性;然后,利用麻雀搜索算法(SSA)对回声状态网络(ESN)的参数进行优化,使其能针对NGO-VMD分解 后的不同子序列自适应地调整参数进行预测,降低参数经验设置的随机性;最后,根据分解子序列与原始数据的皮尔 逊相关系数,选择合适子序列的预测结果重构合成最终预测结果,消除了噪声的影响.以美国PJM 电力市场为例, 与其他电价预测模型对比验证所提出的混合模型具有更好的预测精度.     

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。     

电力特性与电力市场

利用一般均衡理论论证了由于电力特性的存在,无法保证电力物品一定可以通过市场机制实现资源的帕累托有效配置,但存在伪均衡.然后对电力供需的长期均衡进行了分析,分析表明,理论上在满足一定的条件下,电力商品通过市场机制能够实现长期均衡.最后说明了电力市场必须通过制度与市场规则设计消除或减缓电力特性对市场机制在资源配置效率方面的影响.     

电力市场环境下电力交易风险管理研究综述

分析了电力市场中存在的风险。针对电力交易风险,结合金融风险管理技术提出了电力市场进行风险管理的框架,从风险控制和风险评估两大方面,分风险规避、组合优化和风险度量3个部分对其在电力交易上的应用进行归类分析,并对近期国内外研究的主要成果和进展进行了综述。通过对现有研究的分析,提出了电力交易风险管理未来研究的方向。     

电水壶

与传统水壶相比,电水壶除了方便快捷,节省能源外,还有外型设计精美大方,结构简单,加热迅速,操作简便,安全卫生,使用寿命较长等优点,是时下流行的小家电,它贴近生活,符合现代人生活节奏,是一种新型的厨房用具。     

Harmonizing Electricity Markets with the Physics of Electricity

Because of the unique physical characteristics of electricity, including an interconnected network, no storage, real-time balancing and long lead times, it is important not to assume that “electric markets should work because other markets work.” Electric markets require close attention and continuing fine-tuning to assure that market problems are quickly identified, contained, and remedied.