基于LightGBM-IndRNN模型的现货市场日前电价预测

日前电价的准确预测对保障电力市场参与者的利益具有重要意义。针对高比例新能源参与现货市场交易导致日前电价预测难度加大的问题，提出一种基于轻型梯度提升机(LightGBM)的独立循环神经网络(IndRNN)日前电价预测方法。首先，使用LightGBM算法计算特征的重要性得分，根据计算值排序提取出重要特征；然后，将筛选得到的新数据集作为输入，运用IndRNN神经网络对其进行训练，从而实现对日前电价的预测；最后，采用北欧电力交易所Nord Pool的数据进行仿真分析。实验结果表明，所提算法与传统预测模型相比，充分考虑了新能源出力不确定性对日前电价的影响，有效提高了预测的准确性。     

考虑市场力的短、中、长期电价预测

分别介绍了采用BP神经网络模型和线性回归模型进行电价预测的方法和结果。方法的突出特点是在预测模型中引入了一个衡量市场力的新指标——发电容量必须运行率(MRR)，从而充分考虑了市场力对电价的影响，提高了电价预测的精度，特别是增强了短期预测模型对最高限价的预测能力。文中对MRR指标进行了简单的介绍，并针对电价预测的不同特点，对预测模型和预测变量的选择进行了探讨，提出了自己的观点。基于浙江电力市场实际运营数据的初步预测结果表明，所建预测模型是适用的，选择的预测输入变量是恰当的，电价预测精度能够满足电力市场实际运营的需要。     

电价分布及分类预测模型

准确的电价预测可为各市场主体的运营、发展规划提供指导,降低电价波动带来的风险,文中提出了相关预测模型。首先,基于历史数据分析了负荷水平、供给功率、可调度负荷水平、与相邻区域的功率交换水平及时段等因素对电价分布的影响,并引入基准电价概念将电价分为正常电价和高电价;然后,以上述因素为输入变量,采用邻近点技术和支撑向量机（SVM）技术确定未来电价的类别归属,正常电价利用时间序列法预测,高电价则根据历史高电价信息加权估计得到。模型以电价分布为着眼点进行分类预测,降低了对时间的依赖程度,不仅可用于短期电价预测,也为中长期预测提供了有效思路。以澳大利亚市场Queensland地区的周电价预测为例说明其有效性和实用性,给出了预测和分类精度,并通过灵敏度分析研究了基准电价选取对模型分类精度的影响。     

基于多元分析的优化模糊神经网络太阳能辐射量短期预测

为准确预测太阳能辐射量,提出一种基于多元分析的优化模糊神经网络预测辐射量的方法。首先结合曲线拟合和拉依达准则对数据做粗大误差的剔除,然后运用主成分分析法提取影响太阳能辐射量的主要因素,最后结合定性分析和定量分析建立优化的模糊神经网络预测模型,并设计数据采集装置采集短期气象数据,以提高预测的实时性和准确性。通过与不同的预测模型对比,验证本文所提算法和模型的正确性,结果表明该模型有效提高了短期太阳能数据预测的精准度。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

基于主成分分析的GA-BP模型在城市需水预测中的应用

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

城市用水量预测影响因素分类以及对预测目标的权重分析

全面分析了影响城市用水量预测的各种因素,并进行分析、分类、筛选和综合评定.结合预测的功能目标,对10类主要影响因素采用权重打分的办法,在预测前优先遴选权重值比较高的敏感因子,为后续的预测模型建立筛选出最有价值的数据序列,并根据这些敏感因子来建立适宜的预测模型,目的是规避预测结果的非关系成分扰动,并为快速建立预测模型限定合理的选择范围.     

基于帝国主义竞争算法的风功率预测方法研究

针对风电出力的预测算法精度不高的问题,提出了一种基于帝国主义竞争算法的神经网络(ICA-NN)方法来提高短期风功率预测的精度。并将该预测方法应用于某风电场,结合气象预报数据进行了短期风功率预测。仿真结果标明,该方法可以提高短期风功率预测的精度。     

基于改进引力搜索算法的风电功率短期预测优化调度研究

考虑到风电功率本身的随机波动特性,在制定日前市场经济预调度方案过程中,需要将风电功率不确定性因素考虑进来。因此,利用机会约束规划方法来建立包含风电场在内的日前经济调度随机优化模型,并选用改进的引力搜索算法来求解所建立的模型。最后,选用具体算例,结合IEEE-30节点网络调试系统进行模型仿真,并利用仿真结果探讨了负荷水平对系统所容纳的风电容量的影响、风电功率预测偏差对预调度惩罚成本的影响、风电预测功率下不同成本系数对日前市场的影响。研究结果表明,利用改进引力搜索算法进行优化仿真的收敛速度比粒子群算法和遗传算法的收敛速度快,可靠性高。研究所得成果为日前市场经济下风电功率短期预测研究提供参考。     

考虑多重周期性的短期电价预测

考虑到电价各时段变化以及周末与工作日变化的差异，提出了区分周末的分时段短期电价预测模型。该模型首先将各日中同一时段的电价形成该时段的电价序列，再将各时段电价序列分为工作日电价序列和周末电价序列。这样形成了多个消除了日周期性和星期周期性的子电价序列，分别对各子电价序列进行预测以得到预测日电价。采用基于小波分析的广义回归神经网络对这些子电价序列分别进行提前一天的预测，各子电价序列的预测电价就形成了下一天的预测电价。采用该方法对西班牙电力市场电价进行了长时间的连续预测，并与已有的预测方法进行了详细的比较分析，研究表明该方法能够提供更准确的预测电价。     

迁移学习框架下高心墙堆石坝施工仿真参数IGOA-MLP动态预测模型

施工仿真参数是影响高心墙堆石坝仿真结果准确性的关键。现有方法基于历史数据来预测未来填筑层的仿真参数,忽略了不同层之间的施工差异;同时,在新一层开始时往往存在数据不足或缺失的问题;此外,施工参数受到气象条件、机械运行状态等多因素影响而动态变化。本文利用迁移学习解决了上述问题,该方法具有通过知识迁移解决少样本建模问题的优势,同时考虑气象条件、机械运行状态等多种因素的定量影响,提出迁移学习框架下的高心墙堆石坝施工仿真参数改进蝗虫算法优化的多层感知机动态预测模型。首先,建立综合考虑多因素影响的施工仿真参数IGOA-MLP预测模型;其中,采用非线性缩减因子和柯西-高斯混合变异模式改进蝗虫优化算法(IGOA),并利用IGOA高效全局最优搜索能力来优化多层感知机(MLP)的超参数。其次,引入迁移学习策略,将训练集划分为源域和目标域,并在MLP隐藏层中增加自适应层以表征源域数据与目标域数据的差异性,实现历史工况和新工况间的知识迁移,从而解决新工况下缺少数据的问题。工程实例表明,相比于传统MLP模型以及未使用迁移学习的IGOA-MLP模型,本文所提方法的平均绝对百分比误差(MAPE)分别降低了54.68%、40.57%,证明了本文所提模型能够更准确地预测仿真参数,为仿真计算提供可靠的数据基础。     

基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测

为了解决风电功率的间歇性与非平稳性带来的功率预测难度，提出了一种基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测方法。在对风电功率进行预测之前，对风电功率数据进行预处理。首先引入自适应噪声完备集合经验模态分解(CEEMDAN)方法分解风电功率原始序列，并计算各分解分量的精细复合多尺度熵(RCMSE)。然后，将熵值相近的分量序列重组成新序列，以降低模型复杂度和提高计算效率。在预测阶段，对重组之后的序列分别建立Stacking集成学习模型进行风电功率短期预测，最后对预测结果进行重组。通过新疆某风电场实测数据证明：结合各单一预测模型优点的Stacking集成学习模型方法与其4种基学习器KNN、RF、SVR和ANN相比，Stacking模型具有更高的风电预测准确度。在同等条件下，CEEMDAN-RCMSE-Stacking模型均方根误差相比单一的Stacking模型及EMD-RCMSE-Stacking模型分别减少了20.34%和9.74%,平均绝对误差分别减少了24.55%和6.35%,而拟合优度系数分别提高了4.09%和1.62%,即CEEMDAN-RCMS...     

基于神经网络的浙江发电市场清算电价预测方法

市场清算电价（MCP）预测是电力市场决策的基础。文中以浙江省电力市场为背景，采用BP神经网络的方法，建立了提前一天的浙江电网发电市场清算电价短期预测模型，并针对不同时段分别建模。此外，根据浙江发电市场的特点，考虑市场外机组出力的影响，从供需出发，提出了竞价空间的概念，并据此设计了神经网络的结构。在线预测结果表明，该方法具有良好的预测效果。     

基于CNN-BiLSTM的潮汐电站潮位预测

潮汐电站的优化运行需要进行潮位预测。针对传统调和分析方法不能有效处理潮位非线性和非平稳的特性的问题,提出一种CNN-BiLSTM的预测模型,以滑动数据窗口构造潮位数据的特征图作为输入,利用1D CNN提取潮位数据深层特征,然后采用BiLSTM网络生成特征描述,最后输出预测结果。采用芝加哥港口的潮汐数据进行了实验,所提预测模型与调和分析及LSTM模型相比,均方根误差分别降低了66.26%和30.11%。算例结果表明CNN-BiLSTM模型可以实现高精度的短期潮位预测。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于遗传算法-支持向量机的水库叶绿素a浓度短期预测非线性时序模型

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型。在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量。最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测。预测精度比单纯用人工神经网络方法有较大提高。     

酒店用水量影响因素与预测模型研究

基于实地走访和问卷调查,收集了全国共计18个酒店的用水量及相关信息数据.采用相关性分析确定了与用水量显著相关的影响因素,并依据数据特点,选择线性回归和稳健回归构建了不同的用水量预测模型.利用各模型预测3栋未包含于样本数据集的酒店的用水量,从中选出预测能力最佳的模型,并评估其是否具有实用价值.结果 表明,稳健回归模型的预测能力最佳,其预测值与真实值的相对误差在25％以内,并且与依据相关标准计算出的用水量相比,稳健回归模型的预测值更接近真实值.     

基于IFA-LSSVM的短期风功率预测

为避免风力发电随机性、波动性对电网调度的影响,同时基于风功率预测在微电网和风储系统等热点研究问题中的应用必要性,建立基于改进萤火虫算法(IFA)优化最小二乘支持向量机(LSSVM)的短期风功率预测模型。首先,利用混沌映射及步长因子自适应调整方法对萤火虫算法进行创新性改进,增强其全局搜索能力,又解决了局部震荡问题;其次,针对LSSVM参数选择的盲目性对预测精度造成严重影响的问题,运用改进的萤火虫算法对LSSVM模型参数进行优化;最后,将本文所提模型应用于新疆某风电场,对本文预测模型和常用PSO-LSSVM预测模型以及未改进FA-LSSVM预测模型的预测结果进行对比。结果表明,本文预测模型精度更高、稳定性更强。     

基于BP神经网络工具箱的城市短期用水量预测

城市用水量预测受众多因素影响,具有非线性的特点。将气温、天气状况、节假日因素引入城市短期用水量预测,建立了面向MATLAB神经网络工具箱的BP神经网络预测模型。根据历史数据训练预测模型和进行仿真实验,并生成了预测数据与实际数据的拟合曲线。结果表明,BP神经网络模型在城市用水量预测中具有可靠性。     

基于遗传算法-支持向量机的水库叶绿素a浓度

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型.在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量.最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测.预测精度比单纯用人工神经网络方法有较大提高.