基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法

为准确预测电力市场中的短期电价,将最大信息系数(maximal information coefficient,MIC)相关性分析与改进多层级门控长短期记忆网络(multi-hierachy gated long shortterm memory,MHG-LSTM)相结合,提出一种新型短期电价预测方法。该方法首先对备选序列与预测电价序列做MIC相关性分析,在此基础上筛选备选序列并经小波变换合成神经网络输入序列,有效增加了输入中与预测电价相关的信息密度;其次,对传统LSTM进行创新性改进,提出用两级遗忘门和输入门替换传统的一级门控机构的MHG-LSTM模型,提高了神经网络选择和提取高频电价序列特征的能力。在PJM市场日前电价数据集上对所提方法进行仿真实验,实验结果表明,该方法的预测误差仅为4.506%,相比已有预测方法有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

新型城镇下含热电联产机组的配电网两阶段鲁棒优化调度

随着新型城镇化的改革,多种分布式电源与多元化负荷逐步接入配电网,多种不确定性因素给配电网的运行调度带来极大挑战。文中建立含热电联产(CHP)机组和风电机组的新型城镇配电网两阶段随机鲁棒优化模型。首先,采用场景集描述负荷波动的不确定性,采用保守性模型构建风电出力模糊集合。两阶段鲁棒优化调度中,第1阶段决策日前机组启停方案,第2阶段考虑风电出力的不确定性决策各机组实时出力。采用KKT(Karush-Kuhn-Tucker)条件将第2阶段双层模型变为单层线性优化问题,整体两阶段模型采用列与约束生成方法迭代求解,在负荷的场景集内得到考虑风电不确定性的新型城镇化配电网鲁棒优化调度方案。最后,通过改进33节点算例和改进123节点算例验证了模型的鲁棒性和经济性以及调度方案应对负荷波动的适应性。