高拱坝施工仿真参数ARIMA-LSTM时序概率预测方法

现有的高拱坝施工仿真参数更新研究多是单独进行概率预测或考虑时序特性进行点预测，难以在考虑参数的时序特征的同时对其随机性进行定量描述。针对此问题，本研究利用差分整合移动平均自回归（ARIMA）模型可进行考虑时序特征的概率预测，且长短时记忆网络（LSTM）模型可以学习参数时序复杂非线性特征的优势，提出基于ARIMA-LSTM的高拱坝施工仿真参数更新模型。该模型通过ARIMA模型进行参数时序线性部分预测，并利用LSTM模型对ARIMA模型输出的残差进行训练预测，将ARIMA模型得到的线性预测结果和LSTM模型预测得到的残差非线性结果融合，再进行95%置信区间的概率预测得到最终结果，实现高拱坝施工仿真参数在考虑参数的时序特征的同时对其随机性进行描述。通过与ARIMA、ARIMA-BP、随机森林（RF）模型进行对比，本文所提出的方法具有较高精度（MSE为0.518、MAE为0.519、RMSE为0.720），将预测得到的施工仿真参数输入到高拱坝施工系统中进行仿真计算，得到仿真结果比传统仿真精度有较大提升。     

基于CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。     

高拱坝施工仿真参数EMD-P-ILSTM动态更新模型研究

施工仿真参数更新是确保建设期施工进度仿真准确性的关键。但现有的参数更新方法难以对参数局部非线性和波动性变化特征进行学习和提取,更新精度有待进一步提高。为此,本文利用深度学习模型能够深度挖掘参数序列隐含信息的优势,采用分解-预测-集成的建模新思路,提出高拱坝施工仿真参数EMD-P-ILSTM动态更新模型。该模型利用基于自适应步长改进的天牛须算法对长短期记忆网络模型的超参数进行自动寻优,以提高建模效率。采用经验模态分解法将参数序列分解为多个平稳的子序列,并利用偏自相关函数自动选取各子序列的时间窗口。工程实例表明,相比于未改进的LSTM、BPNN、SVM和贝叶斯更新方法,本文模型能有效跟踪施工参数的复杂变化,具有更高的预测精度。     

基于时域卷积网络和分位数回归的短期风电功率概率预测

提出一种基于时域神经网络结合分位数回归与动态误差修正的风电功率概率预测方法。首先,采用时域卷积网络构造分位数回归模型。然后,对分位数回归模型的预测误差分布进行建模。最后,采用动态误差修正技术对分位数点进行修正,得到多组风电功率预测区间。采用两个风电场数据集进行验证,结果表明所提方法能在保证高可靠性的同时获得较窄的预测区间,并有效解决分位数交叉问题,可为电网调度优化提供有效帮助。     

基于深度学习分位数回归模型的风电功率概率密度预测

针对风电功率预测问题,在现有预测方法和概率性区间预测的基础上,提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计,得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明,所提方法不仅能得出较为精确的点预测结果,而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比,其精度更高,且在同等置信度下的预测区间范围更小。     

基于时间卷积网络分位数回归的短期负荷概率密度预测方法

为了获得电力系统短期负荷的概率性信息,将分位数回归理论与深度学习算法相结合,提出了一种基于时间卷积网络分位数回归的概率密度预测方法。首先利用距离相关系数衡量不同天气因素与短期负荷的相关性强弱,以此确定输入数据集合;其次通过融合注意力机制的时间卷积网络分位数回归算法预测不同分位数条件下的负荷值;最后利用核密度估计得到待测负荷的概率密度分布。采用中国华东某地的历史负荷数据验证分析,结果表明该方法可以细致刻画待测负荷的概率密度分布,其众数和中位数对预测负荷实际值具有参考意义。     

基于CNN-LSTM分位数回归的母线负荷日前区间预测

针对部分工业类母线负荷波动较大,传统点预测方法难以准确预测的问题,文中提出一种基于卷积神经网络(CNN)与长短期记忆网络分位数回归(QRLSTM)组合的母线负荷日前区间预测模型。首先,针对工业类负荷功率的高频波动,采用去噪自编码器对历史负荷数据进行降噪处理;然后,利用基于时间分布层封装的一维CNN网络进行负荷特征提取和压缩,以提升整个模型的学习效率;最后,建立含有注意力机制的QRLSTM模型进行特征学习,得到不同分位数下的负荷区间预测结果。对工业类和居民商业类2种典型的220 kV母线负荷进行了负荷日前区间预测测试,并与常规的分位数回归方法进行了对比。结果表明,文中方法获得的预测结果总体上区间覆盖率更大、区间平均宽度和区间累计偏差均更小,预测效果更好。     

基于藤copula分位数回归的光伏功率日前概率预测

现有分位点回归方法在进行多分位点预测时往往需要为每个分位点单独建立模型,不仅训练成本高还会导致"分位点交叉"。对此,提出了一种基于藤copula分位数回归的光伏功率日前概率预测模型。利用藤copula对光伏功率及其条件变量间的相依结构进行解析化表达,基于优化算法对藤copula结构及参数进行优化,在此基础上建立起光伏功率条件分位数回归模型;在条件变量中引入光伏功率点预测量,并借助最小化连续秩概率分数(continuousrank probability score,CRPS)权衡可靠性与锐度,筛选出最佳条件组合。算例仿真结果表明,该方法克服了现有分位数回归方法的缺点,进一步提升了光伏功率概率预测性能。     

基于加性分位数GB算法的智能电能表数据不确定性预测

与传统电力数据相比,智能电能表数据波动性更大,可预测性更低。能源行业需对智能电能表数据进行概率预测,以量化未来电力需求的不确定性,以便对发电和配电进行合理规划。文章提出了一种用梯度提升算法估计智能电能表数据未来分布的加性分位数回归模型。所提方法提出了电能表数据概率预测的分位数回归及分位数修正算法。基于分位数算法给出了综合考虑外部影响因素的加性分位数的GB算法,并研究了该基于梯度提升算法的智能电能表数据概率预测加性分位数模型的关键性能参数选择,从而建立起了高性能的智能电能表数据概率预测模型;通过算例分析证明了该方法在综合和单个用户智能电能表数据概率预测中的准确性和有效性,尤其是在单个用户电能表数据概率预测方面具有远超其他算法的优越性能。     

基于深度学习分位数回归模型的充电桩负荷预测

电动汽车的迅速发展将使充电桩负荷对电网造成影响,为此提出了使用深度学习分位数回归的充电桩负荷预测方法。该方法首先根据历史数据采用Adam随机梯度下降法训练出不同分位数条件下的LSTM神经网络参数估计,然后预测未来96 h内各分位数条件下的结果,再用核密度估计做出同一时刻结果的概率密度函数,最终得到负荷概率密度预测。根据实际充电桩负荷结果表明,提出的概率密度预测方法能较为精准地覆盖真实值,相比于BP神经网络分位数回归有着更高的精确度和参考价值。     

基于VMD与改进QRGRU的超短期风电功率概率预测

风电功率概率预测是分析未来风电功率不确定性的有效方法之一。为提高风电功率概率预测精度,文中提出基于变分模态分解(VMD)与改进门控循环单元分位数回归(QRGRU)的超短期风电功率概率预测方法。首先,采用VMD将原始风电功率序列分解成不同特征的模态函数;然后,对每个模态函数分别建立基于QRGRU的概率预测模型,并将变量间的网络结构约束作为目标函数的惩罚项,改进QRGRU权重在迭代修正过程中的平稳性;最后,在不同分位数条件下叠加各个模态函数预测值,并采用非参数核密度估计方法得到未来风电功率的概率密度函数。结合某风电场实测数据开展具体算例分析,结果表明所提方法能够兼顾区间覆盖率,减少区间宽度,在不同预测步长中均能表现较好的预测效果。     

基于改进门控循环单元分位数回归的短期负荷概率预测

为了更好地提高负荷概率预测精度,提出了一种基于改进门控循环单元分位数回归的短期负荷概率预测模型。首先采用核主成分分析对候选的多维输入变量进行降维处理,然后在传统门控循环单元的基础上对目标函数施加变量间的网络结构约束,并结合分位数回归进一步构建基于改进门控循环单元分位数回归的短期负荷概率预测模型,在得到预测值的条件分位数之后,利用核密度估计得到未来短期负荷的概率密度函数。通过具体算例分析,验证了所提模型的有效性与优越性。     

基于特征选择和Stacking集成学习的配电网网损预测

针对配电网能量管理和节能降损的要求,为了提高配电网网损分析与评估的有效性,提出了一种基于特征选择和Stacking集成学习的配电网网损预测方法。首先基于特征选择的主要方法,通过相关性分析法、最大信息系数法和基于树模型的特征选择法对特征进行综合分析,得到各种特征对网损预测的重要性,选择重要特征作为配电网网损预测模型的输入特征。在此基础上,介绍Stacking集成学习原理,考虑融合多种预测模型的优势特点,建立Stacking集成学习配电网网损预测模型,最后通过仿真验证得到网损预测结果。该仿真数据来源于湖南省10kV配电网某线路44个台区的真实数据,网损预测结果表明该方法能够有效提升配电网网损预测的准确性和鲁棒性,相比于单一预测模型具有更好的预测精度和泛化能力。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

基于SAPSO-BP和分位数回归的光伏功率区间预测

提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法。首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度。在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-BP模型的预测功率误差。最后根据不确定天气因素建立分位数回归模型,实现对光伏输出功率的波动区间分析。该模型无需假设光伏预测功率误差分布,且计算方法简单,可提供在任意置信水平下,光伏预测功率的波动范围,为电力系统调度决策、运行风险评估提供更加丰富的信息。