基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

基于小波分解的神经网络组合风速预测

短期风速预测对于风电机组一次调频有着重要意义,而风速的随机性和波动性会直接影响到风速预测的精度.针对风速的上述特点提出了一种基于小波分解的神经网络组合风速预测方法.首先通过小波分解将不稳定的风速信号进行分解,从而得到不同频率的分量并进行重构;然后对高频分量分别采用Elman、BP神经网络预测并选取合适的权重比进行加权平...     

基于二次分解和自适应鲸鱼优化算法的碳价格混合预测研究

为提高碳交易价格预测精度,提出了一种混合预测模型。将二次分解的方法引入碳价格预测中。该模型结合了改进的完全自适应噪声集合经验模态分解、变分模式分解、自适应权重鲸鱼优化算法和极限学习机算法。为验证模型的有效性,以某碳市场的数据为算例,结合多个对比模型进行了实证分析。分析结果表明,所提出混合预测模型的预测结果最优;同时发现二次分解的方法简化了碳价数据,可显著提高预测精度。     

基于最优加权法的煤炭市场价格组合预测模型

建立了基于自回归移动平均、灰色预测和BP神经网络三种单项预测方法的最优加权法组合预测模型.通过预测误差评价指标分析,最优加权法组合预测能有效降低预测误差,预测结果表明了预测模型的有效性.     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

基于条件熵的电力负荷组合预测模型

每个电力负荷预测模型各有特色,又有其局限性。针对单个模型的局限性,提出一个基于条件熵的组合预测模型,以便结合各个模型的优点,克服其不足。该模型用条件熵度量各个电力负荷预测模型的精度,条件熵越小,表明预测精度越高。然后对条件熵进行模糊评判,对条件熵小的模型赋予较大的权重,条件熵大的模型赋予较小的权重,以此建立一个电力负荷组合预测模型。实例应用表明,就6个误差指标而言,该文提出的组合模型可以进一步提高预测精度。     

基于优化随机森林的碳交易价格预测模型研究

在综合考虑能源价格、气候变化、政策规定、经济环境及交易行情的前提下,运用皮尔森相关系数法筛选出4个影响碳交易价格的关键因素,并将其作为预测模型解释变量;其次,运用多方向螺旋搜索的海鸥算法优化随机森林模型,建立预测模型;最后,利用某地区日平均碳交易价格数据对预测模型进行验证。结果表明,所提模型预测效果明显好于其他同类型预测算法。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于动态碳排放价格的电网规划模型

随着国际社会对气候变化问题的重视,中国在"十二五"期间进一步提出了节能减排的新目标,需要研究碳排放价格对电网规划的影响作用。分析碳排放价格的波动情况,利用指数广义自回归条件异方差(exponential generalized autoregressive conditional heteroskedasticity,EGARCH)模型建立碳排放价格预测模型,提出碳排放量的计算方法;在此基础上构建基于动态碳排放价格的电网规划模型;最后,通过IEEE 24节点系统的模拟测算,分析模型的有效性。结果表明,与不考虑碳排放价格或者只考虑固定碳排放价格的电网规划相比,在规划模型中引入动态碳排放价格变量,能够更有效地模拟各种波动价格情景下的最优线路扩建方案,符合未来电网规划适应节能减排的工作需要,所确定的规划方案具有更好的经济效益。     

基于小波—BP神经网络的短期风电功率预测方法

建立风电功率预测系统并提高其预测精度是大规模开发风电的关键技术之一。基于数值天气预报,建立了反向传播（BP）神经网络风电功率预测模型,并采用某风电场实际数据分析了影响该模型预测精度的因素。针对原始风速及功率序列日特性不明显、BP神经网络不能完全映射其特性的缺陷,提出了一种基于小波—BP神经网络的预测模型。该模型利用小波...     

基于极值理论的碳价格波动风险管理研究

针对碳价格波动风险问题,基于国内某试点碳交易市场碳排放交易价格收益率数据,将ARMA-GARCH(auto regressive moving average model-generalized autoregressive conditional heteroscedasticity model)和EVT(extre...     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。     

基于区块链技术的电力行业碳减排奖惩及碳交易匹配模型

电力行业作为中国优先纳入碳交易体系的行业,已成为实现碳减排的重要主体。区块链作为一种新兴的分布式账本技术能够有效解决碳交易体系中的数据安全、运行效率等问题。基于区块链技术,文中在构建电力行业碳交易体系整体框架的基础上,构建了碳配额成本决策模型、碳减排奖惩模型和碳交易匹配模型,并引入减排努力值指标,作为上述3个模型子系统的流程推进与联系桥梁,以实现安全、高效的碳交易。通过算例分析验证了该碳交易体系的有效性,并给出仿真设计,说明采用区块链组织碳交易体系能够节约成本、提高效率、增加效益。     

基于PSO优化BiLSTM的联合循环电厂输出功率预测

针对联合循环电厂发电能力受环境温度、压力、相对湿度和电力需求等条件变化影响而造成对输出功率预测精度较差的问题,提出粒子群算法(PSO,particle swarm optimization)与BiLSTM(BiLSTM,bi-directional long short-term memory)相结合的预测模型PSO-...