基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于改进诱导有序加权算子的风电功率预测

针对风电功率超短期预测精度不高的问题,提出了一种结合Theil不等系数与改进诱导有序加权算子的组合预测方法。由于预测时刻的实际风电功率值未知,因此无法直接利用该方法进行预测。文章利用各单项预测模型的前几个时刻的预测精度均值作为预测时刻风电功率的诱导值,对诱导有序加权算子进行了改进,解决了预测时刻诱导值未知的问题。采用误差信息矩阵对单项模型进行冗余度分析,得到优选单项模型,然后建立基于Theil不等系数和3种改进诱导有序加权算子的组合预测模型。通过分析和实例验证表明,结合Theil不等系数和诱导有序加权算数平均算子(IOWA)的组合模型能有效地提高风电功率预测精度。     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

一种风电场短期风速组合预测模型

为了提高短期风速预测精度,提出一种变权系数的支持向量机组合风速预测模型。选择基于不同核函数的支持向量机作为单项预测模型以保证单项模型之间的差异性,对核参数用粒子群算法寻优选取以保证各单项模型的精确性。组合预测方法采用以预测误差平方和最小为准则的可变加权系数组合预测方法,以计算各单项模型在风速预测不同时刻的权系数。仿真实验表明,所建立的变权组合预测模型在短期风速预测上具有良好的预测效果,预测精度优于各单项模型和固定权系数的组合模型。     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差（MV）法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明：组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。     

ARIMA-MC组合模型在大坝变形安全监测中的应用

为及时了解大坝的安全状况,在坝体变形监测资料往往不平稳的基础上,建立了ARIMA预测模型,通过马尔科夫链预测了ARIMA模型的误差,从而修正了模型的预测值,建立了ARIMA-MC组合模型,并结合实测数据验证了此组合模型的有效性。结果表明,ARIMA-MC组合模型预测精度高,具有较好的实用性。     

基于马尔科夫链的云模型在某碾压混凝土重力坝渗透压力预测中的应用

为了同时反映大坝渗流序列的整体规律和多种影响因素造成的不确定性,提出了基于马尔科夫链的云模型的预测方法,即先建立基于云理论的预测模型,再通过马尔科夫链对其误差进行修正,并在建立云预测模型的过程中,提出设立过渡时期的改进方法以提高部分时期预测精度。通过对某重力坝渗透压力的预测分析,并与ARIMA、ANN模型结果进行对比,发现该方法预测值精度较高,具有较好的实用性。     

基于熵权法的光伏输出功率组合预测模型

提出基于熵权法的光伏功率组合预测模型。首先采用持续法、支持向量机法、相似数据法对光伏电站输出功率进行单一模型预测,然后使用信息熵理论的熵权法客观评价单一预测方法提供的信息量,确定各单一预测方法的组合权重,建立基于熵权法的光伏输出功率组合预测模型。通过仿真对比3种单一预测方法以及熵权法组合预测模型的预测精度。研究结果表明,基于熵权法的组合预测模型可有效识别各单一预测方法包含的信息量,确定合理的权重,提高光伏功率预测的精度。     

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性,改善预测结果,提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中,采用Levenberg-Marquardt算法对参数迭代过程进行优化;在灰色预测模型中,采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势;在回归预测模型中,采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证,并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内,具有一定的工程实用价值。     

基于H-P滤波预测技术的年用电量预测模型研究

针对电力市场预测电力负荷受众多因素影响及各类预测模型模拟预测误差较大的问题,为提高负荷预测精度,基于H-P滤波预测法将等维信息法、指数回归模型及分布滞后回归模型引入年用电量预测中,通过双层预测降低预测误差,并结合实例比较。对比结果,滤波滞后回归模型的预测综合得分高于滤波指数回归模型。     

Electricity consumption and associated GHG emissions of the Jordanian industrial sector: Empirical analysis and future projection

In this paper, an empirical model is developed for electricity consumption of the Jordanian industrial sector based on multivariate linear regression to identify the main drivers behind electricity consumption. In addition, projection of electricity consumption for the industrial sector based on time series forecasting is presented. It was found that industrial production outputs and capacity utilization are the two most important variables that affect demand on electrical power and the multivariate linear regression model can be used adequately to simulate industrial electricity consumption with very high coefficient of determination. To illustrate the importance of integrating energy efficiency within national energy plans, the impact of implementing high-efficiency motors was investigated and found to be significant. Without such basic energy conservation and management programs, electricity consumption and associated GHG emissions for the industrial sector are predicted to rise by 63% in the year 2019. However, if these measures are implemented on a gradual basis, over the same period, electricity consumption and GHG emissions are forecasted to ascend at a lower rate with low/no cost actions.     

基于GDP-电能消费耦合关系的中长期电量预测

建立了一种基于用电量和GDP之间耦合关系的中长期电量预测模型。首先利用协整检验和格兰杰（Granger）因果检验,剖析电能消费和经济发展之间的协整关系和因果关系,并建立中长期电量预测模型。然后采用误差修正方法对预测模型进行短期调节,以提高模型的鲁棒性以及预测精度。以某地区1991—2015年的用电量和GDP数据作为算例输入数据,结果表明：通过构建电能消费和经济发展之间的耦合关系,有助于提高预测模型的解释能力,同时含短期调节的中长期用电量预测模型具有更高的预测精度。     

引入灰色弱化缓冲算子的人工神经网络组合预测方法在年径流预测中的应用

为了提高年径流量预测的精度,将灰色系统理论的弱化缓冲算子和人工神经网络相结合,提出一种新的年径流预测方法——引入灰色弱化缓冲算子的人工神经网络组合预测方法,并以兰州站年径流过程计算为例,验证了该方法的合理性。结果表明,预测结果精度较高,可见将引入灰色弱化缓冲算子的人工神经网络组合预测方法用于年径流预测具有可行性。     

Monthly natural gas demand forecasting by adjusted seasonal grey forecasting model

ABSTRACT

Natural gas stands out among fossil fuels because it is relatively cleaner. It is also an important energy source type for several fields such as electricity production, industry, and heating, etc. Due to the poor capacity of Turkey in terms of natural gas sources, the demand is supplied by producer countries. Hence, accurate forecasting for the demand is of critical importance for Turkey, which imports 99% of its natural gas consumption. In the current literature about demand forecasting, most studies were conducted on an annual basis. However, the seasonal effect on the demand for natural gas cannot be foreseen through annual studies. Besides, to deal with some situations such as seasonal balancing, peak shaving, and gas supply shortage in monthly demand, forecasting models that capture the seasonal trend are needed. Therefore, in this study, a new grey seasonal forecast model has been presented and Turkey’s monthly natural gas demand was predicted via the proposed model. Performance of that model was compared with SGM(1,1) and SARIMA (p,d,q) x (P,D,Q)^s. The obtained results show the superiority of the proposed model. By using this model, Turkey’s monthly natural gas demand was forecasted up until the year 2025. The proposed model allows us to capture seasonal patterns more successfully. In case this seasonal behavior continues, Turkey’s natural gas demand is expected to increase by %20 until 2025. At this point, the outcomes of the study provide important information to decision-makers to be able to determine reliable and stable energy policies.     

Day-ahead electricity price forecasting using wavelet transform combined with ARIMA and GARCH models

This paper proposes a novel price forecasting method based on wavelet transform combined with ARIMA and GARCH models. By wavelet transform, the historical price series is decomposed and reconstructed into one approximation series and some detail series. Then each subseries can be separately predicted by a suitable time series model. The final forecast is obtained by composing the forecasted results of each subseries. This proposed method is examined on Spanish and PJM electricity markets and compared with some other forecasting methods.     

双碳、双区背景下深圳电力需求预测

  目的  为了适应“双碳”和“双区”新背景下深圳未来用电特征的研究，反映新形势下诸多新因素的影响，需要在传统电力需求预测方法上进行修正，建立新的预测体系。  方法  在电量预测上，一方面以碳强度控制为导向，结合对全社会电气化水平的要求，提出“自上而下”的预测方法；另一方面以改进的细分部门法和新型负荷修正法，进行“自下而上”预测，相互佐证；在负荷预测上，充分考虑需求侧管理、相关削峰手段的影响。  结果  通过量化分析“双碳”目标下能源供应及消费结构调整，“双区”驱动下新基建、产业结构调整和转移等重要因素的影响，对深圳“十四五”及中远期全社会用电量进行预测，并对深圳未来最高负荷和负荷特性发展趋势进行预判。  结论  所提方法为其他地区进行新形势下电力需求预测提供了新思路，预测结果也为深圳后续电源和电网规划及调度运行等提供了重要参考。