耦合集合预报信息的水库高效调度方法研究

预报不确定性是水库调度领域亟待解决的关键难题.集合预报能有效的刻画预报不确定性,但将其直接耦合在水库多目标优化调度模型中会极大地增加计算负担.为此,本文提出了一种耦合集合预报信息的水库高效调度方法.首先,采用同步回代缩减算法将集合预报样本缩减为几种典型场景及对应的发生概率;然后,基于典型预报场景构建水库多目标优化调度模...     

ECMWF降雨集合预报在水库优化调度中的应用研究

为了充分考虑降雨预报的不确定性,本文建立了基于降雨集合预报的径流描述模型,并在满足保证出力条件下,建立以水库在调度期内总发电量最大为目标的随机动态规划模型。以桓仁水库以上流域为研究实例,应用欧洲天气预报中心(ECMWF)的降雨集合预报信息进行水库优化调度。结果显示应用降雨集合预报信息的调度可提高发电量4%以上,表明利用降雨集合预报信息进行水库优化调度,对水库实际运行有一定的指导意义。     

基于二分群体决策的水文预报择优组合方法

针对多种水文预报的组合问题,提出一种基于二分群体决策的水文预报择优组合方法。通过决策群体、决策断面、能力向量、预报收益等模型的建立,将水文预报择优问题转化为一个二分决策问题;根据决策质量给出择优求解和参数初值的率定方法,并将各参数对预报精度的影响加以分析。实验表明：该方法能够有效的从两种预报方案中选择出更加接近实测值的预报结果,且具有76%以上选择正确率和更高的预报精度。     

基于贝叶斯模型平均理论的水文模型合成预报研究

通过亚高斯模型分别对实测和水文模型预报的洪水序列进行正态分位数变换,并建立变换后的实测与预报时间序列的线性关系;然后根据贝叶斯模型平均理论,以实测序列条件下某一水文模型为最优模型的概率为权重,对各模型预报变量的条件概率密度甬数进行加权,得到预报变量的概率密度函数,即高斯混合模型,从而实现了不同水文模型预报的合成及概率预报;最后,采用期望最大化算法估计高斯混合模型的参数.以密赛流域为实例,对本文的方法进行了验证.结果表明,基于贝叶斯模型平均的水文模型的合成预报不仅可以提供精度较高的均值预报,而且可以通过置信区间估计,定量评价模型预报的不确定性.     

基于随机模拟信息的神经网络洪水预报模型

针对BP神经网络模型预报大洪水误差较大的问题,提出建立了一种基于概念水文模型随机模拟信息的神经网络洪水预报模型,该模型融合了概念水文模型和神经网络模型的优点.在实际应用中,首先利用概念水文模型(三水源新安江模型)随机模拟出占实测洪水一定比例的较大洪水,然后将这些随机模拟生成的较大洪水过程加入到神经网络模型的训练样本中,以增加训练样本中较大洪水的比重,从而提高洪水的预报精度.通过实例应用表明,模型预测效果较好.     

基于随机森林遥相关因子选择的月径流预报北大核心CSCD

流域径流过程与大尺度气候因子之间存在遥相关关系,如何从众多的水文、气象、大气环流及洋流等因子中找出与径流密切关联的因子,是中长期径流预报的一个难题。将基于贝叶斯优化的随机森林模型应用于对水文、气象、气候因子构成的高维度因子集进行因子选择,根据变量重要性评分挑选对月径流影响较大的预报因子,构建广义回归神经网络、极限学习机、支持向量回归径流预报模型。将该方法应用到金沙江流域,相较于线性相关法,基于随机森林输入因子选择的方法提高了模型泛化性能;遥相关因子的引入既实现了流域月径流高精度预报,又从物理机制上提供了支撑。     

基于随机森林模型的长江上游枯水期径流预报研究

预报因子选取和预报模型构建是长期径流预报的两大难点。本研究采用随机森林模型从当年1月份至10月份长江干流的实测径流和国家气候中心74项水文—气象特征因子共750个变量中选取预报因子集合,对长江上游屏山站、寸滩站枯水期（当年11月～次年5月）径流预报进行了研究。结果显示,随预见期增加,径流自相关关系逐渐减弱,水文—气象遥相关关系逐渐强于径流自相关关系。在屏山站和寸滩站的径流预报中,预报结果与实测结果呈显著线性关系,平均相对误差在20%以内。月径流预报误差还较大,枯水期总径流预报精度优于单月径流预报。不确定性分析结果表明随机森林模型除了预报径流变化趋势,还可以用于预报径流丰枯概率。     

水电厂气象水文综合预报调度模型的建立与应用

水电厂气象水文综合预报调度模型整合了降雨预报方案、中长期水文预报方案、洪水预报方案、水库优化调度方案等现有模型系统。降雨数值预报接入水库预报调度系统后,延长了来水预报预见期,结合文中研究的优化调度模型,使水电厂能够提前调整发电计划、调度方案,增加了水电厂的发电效益和水库的防洪减灾社会效益。     

基于多种递归神经网络的海岛水库径流预报

海岛地区径流量偏小甚至出现断流,会极大影响短期径流预报精度。对海岛地区供水水库多组入库径流时间序列,基于三种递归神经网络（RNN）建立了不同预报因子组合和预见期的径流预报模型,探讨了RNN模型在海岛地区短期水文预报中的适用性。以舟山岛水库群为例,说明研究方法的有效性。结果表明仅考虑径流时间序列信息的预报精度最差,而耦合气象预报信息可提高径流预报准确性;随着预见期的增加,简单RNN模型的信息融合能力有限,而具有复杂神经元结构的基本长短时记忆神经网络和门控循环单元预报效果稳定;RNN模型对于平稳时间序列数据模拟效果优于非平稳序列,而气象信息的引入和参数优选能够改善其在处理非平稳时间序列中的缺陷。     

具有行蓄洪区的复杂水系实时洪水预报研究

建立确定和随机相结合的预报模型对复杂水系的实时洪水预报进行研究.确定性模型采用分布式概念性模型进行流域流量过程预报;基于马斯京根法、水文水位法与扩散波非线性水位法,构建河道流量和水位模拟的综合法对河道以及行蓄洪区的洪水进行预报.随机模型采用基于误差自回归的时变遗忘因子最小二乘递推法对误差进行实时校正.以淮河鲁台子以上流域为例,具有行蓄洪区的干流洪水采用河道流量和水位模拟的综合法与实时校正模型按节点有机结合的方法进行预报.预报模型在2007年的大洪水预报中得到了检验,取得了较高的精度.     

一种改进的风电功率超短期组合预测

为提高风电功率超短期预测精度,针对目前的风电功率超短期组合预测算法都是将各子预测算法的权重设为固定值,导致风电功率超短期预测结果精度不高的问题,提出一种改进的风电功率超短期组合预测算法。该算法包含BP神经网络、天气预报、实测功率外推法等子预测算法,结合实际运行情况判断各子预测算法的执行结果,并根据执行结果动态改变各子预测算法的权重,以保持较高的预测精度。实际应用效果表明：该算法预测精度较高,运行效果较好,4h内的预测均方根误差在10%以内。     

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。     

电力负荷组合预测模型权重算法设计与应用

为改善电力负荷预测模型的拟合能力和提高预测精度,提出集结多种单项预测模型信息的组合预测模型,其关键点是确定各单项预测模型的权重系数。以历史拟合效果最佳为目标,利用目标函数和约束条件的特性,应用最优化计算方法中的混合罚函数法和最速下降法设计权重系数的算法,并通过计算机程序求解。将组合预测模型应用于广东省开平市的电力负荷预测,其拟合方差比各单项预测模型的拟合方差小,说明该组合预测模型比任一单项预测模型优。     

基于最小一乘法的组合赋权法在中长期负荷预测中的应用

中长期负荷预测是电网规划的重要依据和前提,出现了大量的算法模型,但每种模型都有自己的适用条件,采用组合预测能有效地组织各种模型做到扬长避短。组合预测法的关键是确定组合模型的权重,最小二乘法是应用较为广泛的确定模型权重的方法,但研究表明,该方法在确定负荷有突变情况的权重时存在较大的误差,因此,提出基于最小一乘法的权重确定方法,与最小二乘法相比,该方法以误差绝对值之和最小为优化目标,而非平方和最小,避免了误差的缩放,残差可以真实反映与真值的偏离程度,有利于权重的确定,最后通过实例验证了该方法的有效性和优越性。     

神经网络径流预报模型中基于互信息的预报因子选择方法

神经网络在径流预报中得到了广泛应用并取得了良好效果,其关键问题之一是输入变量(预报因子)选择,但这一问题通常没有受到重视.本研究基于互信息的概念探讨了如何选择径流预报输入变量,并结合三峡工程建成前长江干流宜昌水文站的日径流预报进行了研究.结果表明,基于互信息能够有效地判断待选预报因子(输入变量)与预报变量之间的相互关系...     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

基于小波变换的边际电价神经网络预测新模型

提出了一种基于小波变换和群智能演化的神经网络集成预测新模型,对日前交易边际电价进行预测.首先利用小波变换将历史边际电价序列分解为高频和低频部分,并分别构造学习样本作为神经网络集成的输入;然后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,其寻优过程采用粗-细二阶段学习算法.在第1阶段,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单元;在第2阶段,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.美国加州日前交易电力市场边际电价预测算例表明,该预测方法可以获得较高的预测精度,且优于BP神经网络方法和ARIMA预测方法.     

Neural network load forecasting with weather ensemble predictions

In recent years, a large amount of literature has evolved on the use of artificial neural networks (ANNs) for electric load forecasting. ANNs are particularly appealing because of their ability to model an unspecified nonlinear relationship between load and weather variables. Weather forecasts are a key input when the ANN is used for forecasting. This paper investigates the use of weather ensemble predictions in the application of ANNs to load forecasting for lead times from one to ten days ahead. A weather ensemble prediction consists of multiple scenarios for a weather variable. We use these scenarios to produce multiple scenarios for load. The results show that the average of the load scenarios is a more accurate load forecast than that produced using traditional weather forecasts. We use the load scenarios to estimate the uncertainty in the ANN load forecast. This compares favorably with estimates based solely on historical load forecast errors.     

水库月平均流量滚动预报及其不确定性研究

可靠的入库流量预报是支撑水库科学长期调度决策的基础。针对中长期流量预报模型预见期有限及流量预报存在不确定性的问题,采用人工神经网络滚动预报不同预见期流量,在此基础上,利用Copula函数建立预报误差序列的联合分布函数,实现对水文预报误差序列的随机模拟,从而定量描述流量预报不确定性。三峡水库非汛期后期月平均流量预报及其不确定性研究结果表明：所构建的非汛期月平均流量预报模型预报效果较好,可用于滚动作业预报;Copula函数能较好描述预报相对误差序列间相关性,模拟序列相关系数、统计特征值和经验分布与实测序列相差较小,模拟效果较好。研究成果可为水库开展长期优化调度提供有效入库流量信息支撑和决策支持。