一种基于森林模型的光伏发电功率预测方法研究

为了有效预测光伏发电站发电功率,提高预测精度,给出一种基于森林预测模型FPPG(Forest for Photovoltaic Power Generation)。FPPG是一个由多个回归树组成的集合预测模型。在学习阶段,FPPG首先随机抽样方法构建有差异的训练数据集,进而在不同的训练集上构建有差异的回归树。在预测阶段,首先,FPPG将输入信息沿着每棵树的某条路径分派到相应的叶结点,使用这些叶结点预测发电量,然后,平均这些预测结果得到FPPG对发电厂系统发电量的预测。在实测运行数据集上的实验结果表明,较之于神经网络,FPPG同时表现出更高的预测准确性,从而提高了光伏发电功率预测精度。     

A hybrid model based on data preprocessing for electrical power forecasting

Electrical power forecasting plays a vital role in power system administration and planning. Inaccurate forecasting can lead to the waste of scarce energy resources, electricity shortages, and even power grid collapses. On the other hand, accurate electricity power forecasting can enable reliable guidance for the planning of power production and the operation of a power system, which is also important for the continued development of the electrical power industry. Although thousands of scientific papers address electricity power forecasting each year, only a small number are devoted to developing a general model for electricity power prediction that improves performance in different cases. This paper proposes a hybrid forecasting model for electrical power prediction that incorporates several artificial neural networks and model selection. To evaluate the forecasting performance of the proposed model, this paper uses half-hourly electrical power data of the State of Victoria and New South Wales of Australia as a case study. The experimental results clearly indicate that for this particular dataset, the forecasting performance of the proposed hybrid model is outstanding compared to that of the single forecasting model.     

多变量时滞系统的解耦模糊内模控制

针对时滞多变量耦合系统,研究了带有多时滞的多变量稳定过程的解耦内模控制,根据开环系统的时滞给出了一种时滞系统多变量解耦方法,由于理想的多变量时滞系统内模控制器设计复杂,且根据内模控制理论设计的控制器一般是高阶的,因此采用模糊控制方法设计模糊内模控制器。其宗旨是首先根据过程对象的模型,设计多变量时滞解耦的预补偿器,对其进行对角优势化,利用补偿后的主对角元素作为内模控制的预估模型,设计了多通道模糊内模控制器。仿真结果表明,该方法具有很好的解耦能力,鲁棒性强;方法简单,易于实现。具有工程应用价值。     

基于线性回归和MLP神经网络的招标采购预测模型

针对线性回归和多层感知器(multi-layer perceptron,MLP)神经网络的理论与运用方法进行研究,利用SPSS软件搭建线性回归模型和MLP神经网络预测模型,通过招标采购实际预测算例,引入平均相对误差和标准误差两种指标对模型的预测精度进行比对.结果表明,对于产品价格和原材料价格大致呈线性关系的变电设备,两...     

基于回归分析的频域分解短期负荷预测方法

基于回归分析的频域分解短期负荷预测方法通过对负荷序列进行频域分解,将负荷序列分解为周期负荷分量、低频负荷分量以及随机负荷分量。采用了外推法、一元线性回归分析和加权平均法,分别对周期负荷分量、低频负荷分量和随机负荷分量进行预测。最后通过对某地区电网日负荷进行预测,表明该方法应用于短期负荷预测具有较好的预测精度。     

适应供给侧结构性改革的中长期负荷预测拓展索洛模型研究

随着供给侧结构性改革的深入,电力需求的演变规律变得更难捕捉。传统的中长期负荷预测模型通常未考虑供给侧结构性改革因素,难以满足新形势下中长期负荷预测精度的要求。基于此,提出了一种适应供给侧结构性改革的中长期负荷拓展索洛预测模型(Supply-Side Reform-Extended Solow Regression Model, SSR-ESRM)。首先,通过对供给侧结构性改革内涵的解读,从规模、结构及效率三种效应出发,构建了量化指标体系。其次,在基本索洛模型的结构中,引入供给侧结构性改革因素对模型进行拓展,建立SSR-ESRM实现中长期负荷点预测。为反映供给侧结构性改革的不确定性,建立了系统动力学模型生成多种经济发展场景,进一步实现中长期负荷外推预测。算例分析表明,考虑供给侧结构性改革因素的SSR-ESRM预测精度较高,且对场景切换的灵敏度适中,有利于电网规划的灵活性,能够为实现电网规划提供有益的参考。     

A data mining method for short‐term load forecasting in power systems

This paper proposes a method for daily maximum load forecasting in power systems. It is based on the integration of the regression tree and the artificial neural network. In this paper, the regression tree is used to extract knowledge or rules as a data‐mining method. That is useful for the information processing of the complicated data. As a result, the proposed method has an advantage in clarifying the cause and effect of dynamic load behavior in load forecasting. However, the regression tree does not necessarily yield good prediction results in spite of good classification. Therefore, this paper proposes a method for combining the classification results of the regression tree with the multilayer perceptron of a universal nonlinear approximator. The effectiveness of the proposed method is demonstrated in real data. © 2002 Scripta Technica, Electr Eng Jpn, 139(2): 12–22, 2002; DOI 10.1002/eej.1150     

面向泛在电力物联网的分布式云数据中心优化选址

泛在电力物联网是应对海量综合能源设备、数据和业务计算负荷的关键,云计算是泛在电力物联网的关键技术。云数据中心是云计算架构核心,云数据中心选址对云计算性能意义重大。变电站是能量流、业务流和信息流的核心节点,且有建设数据中心的有利资源,分布式架构可以高效利用变电站资源。因此,基于变电站建设多站融合的分布式云数据中心是支持泛在电力物联网的有效方式。首先考虑能量流、业务流和信息流的关系,分析变电站特性,提出基于变电站的分布式云计算架构。然后针对该架构提出云数据中心优化选址策略。最后基于案例对优化选址策略进行仿真,证明了优化策略的有效性。     

改进偏最小二乘回归在电力负荷预测中的应用

多元回归分析是中长期电力负荷预测中的一个重要方法,其中偏最小二乘法因为可以有效解决样本数据偏少以及自变量多重线性的问题而得到采用。探讨了通过Bootstrap方法给偏最小二乘法筛选自变量后进行负荷分析预测的可行性,将计算结果与一般偏最小二乘法及经变量筛选的逐步回归法进行比较。算例表明,应用Bootstrap方法进行参数检验的偏最小二乘方法在变量关系的描述上更简明准确,同时提高了预测精度,具有一定的实用性。     

负荷预测线性回归分析法的模糊改进

针对中长期电力负荷预测中观测数据及负荷变化规律的模糊性 ,采用模糊集合论中三角模糊数的概念 ,对传统的负荷线性回归预测模型作了改进。此方法通过建立具有模糊回归参数和模糊相关变量的回归模型 ,由模糊观测数据预测出未来负荷值。通过算例 ,验证了改进的负荷预测模型更加适用于中长期电力负荷预测     

基于改进模糊回归分析法的负荷预测

对电力系统的负荷预测问题进行了研究,并提出了一种改进后的模糊回归分析算法。该方法利用模糊预测法和回归分析法各自的优点,按不同情况下两种方法的重要程度,用区间层次分析法赋以灵活可调的权重值。通过算例验证,此方法适合于中长期电力系统负荷预测。     

A database system for power systems customers and energy efficiency programs

In this paper the design and development of a database for the registration of power utilities’ customers and their energy behavior are described. The database also includes the customers’ devices and buildings, their demand curves, their tariffs, their connection with power and gas networks, as well as the measures of demand side management and energy saving, which can be implemented. The main purpose of this database is to support end-use models and load forecasting algorithms for individual customers or their respective clusters, to study the effects of energy efficiency programs and to evaluate the last ones financially. It can be a useful tool for retailers, distribution electricity companies or regulatory authorities of energy.     

灰色模型在电力负荷预测中的应用与改进

灰色GM(1,1)模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,当负荷增长曲线不是G型时,其预测误差较大,精度不能满足要求,在实际应用中具有一定的局限性。对灰色GM(1,1)模型进行必要的改进,通过实例分析,利用等维新息递推模型、组合灰色模型进行负荷预测,可大大提高预测精度。     

电力负荷预测的最优分段校正模型研究及应用

中长期电力负荷同时具有增长性和波动转折性的二重趋势，这使得电力负荷的变化呈现出复杂的非线性特征。传统的中长期负荷预测模型仅考虑一种变化趋势，从而预测效果较差，不能符合实际需要。为了提高预测精度，更精确地反映负荷变化规律，通过改变GM(1，1)模型中微分方程的初始条件，且对历史负荷进行最优分段，在此基础上建立了电力负荷预测的最优分段校正模型，使模型具有二重趋势性特点。通过实例验证，较大提高了预测精度。     

基于最优有效度的电力系统可靠性原始参数的线性组合预测模型

针对电力系统可靠性原始参数缺乏和开发可靠性原始参数小样本的需要,提出了电力系统可靠性原始参数的线性组合预测模型。为了提高预测精度,分别应用灰色优化模型和Verhulst模型等改进模型进行可靠性原始参数的预测。与此同时,建立以有效度为目标函数的最优组合预测模型,并用简化的计算公式得到权系数的最优近似解,将预测值进行线性组合。基于该文所开发的预测模型的预测结果表明,组合预测模型的预测结果优于单一模型的预测结果。     

基于支持向量机的电力负荷组合预测模型

给出了一种基于支持向量机(SVM)的组合预测模型,利用各种方法的预测结果作为SVM的输入,实际负荷值作为SVM的输出,并采用LIBSVM算法和径向基核函数对SVM进行训练,训练后的SVM便具有预测能力。最后的仿真结果表明,基于SVM的组合预测模型的预测精度不仅高于任一单一模型,且高于固定权系数组合预测模型。     

基于EWT和分位数回归森林的短期风电功率概率密度预测

概率密度预测能够给出未来风电功率可能的波动范围、预测值出现的概率及不确定性等更多信息,提出基于经验小波变换(EWT)和分位数回归森林的短期风电功率概率密度组合预测模型。首先,采用新型自适应信号处理方法——经验小波变换,将原始风电功率序列分解为一系列频率特征互异的经验模式;然后,对每一经验模式序列分别构建分位数回归森林预测模型,得到任意分位点条件下的预测结果,通过叠加不同经验模式预测结果获得最终的短期风电功率预测值;最后,对预测值条件分布采用核密度估计获得任意时刻概率密度预测。仿真结果验证了所提模型的有效性。     

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SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果。和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性。仿真结果表明了算法的有效性。     

基于云支持向量机模型的短期风电功率预测

将云模型和支持向量机(SVM)相结合,提出一种适合短期风电功率预测的云支持向量机模型.该模型采用云变换方法提取风速序列的定性特征,并通过SVM建立风速特征与风电功率间的关系.对未来24h的风电功率预测结果显示,该模型在某个点上的预测值是一个有稳定倾向的离散值集合.采用逆向云算法求取集合的期望值作为确定性预测结果,并与SVM和自回归求和移动平均(ARIMA)模型的预测结果相比较,结果表明云支持向量机具有更高的预测精度,预测效果显著,因此,该模型可有效应用于短期风电功率预测.