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CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。     

基于深度学习分位数回归的电力负荷区间预测方法

常规的短期负荷预测方法得到的都是确定的负荷预测序列,事实上,电力系统包含着各种不确定因素,决策工作因而面临着一定的风险。针对这一问题,提出一种基于深度学习分位数回归的电力负荷区间预测方法,预测结果能使决策者认识到未来负荷的不确定性和风险性。首先,将输入数据划分成负荷特征部分和时间天气特征部分,分别传入卷积神经网络和反向传播神经网络训练,再拼接输出后传入全连接层构成深度学习模型;然后,将该模型与分位数回归结合起来,并行生成预测负荷的多个分位数结果;最后,利用某地实际负荷数据进行了仿真。仿真算例结果表明该方法不仅可以获得更高精度(平均绝对百分误差小于1%),甚至可获得某一置信水平下的负荷预测曲线的包络线。     

基于分位数回归的电力负荷特性预测面板数据模型

综合考虑电力负荷的时空特性,结合国外典型大电网地区负荷特性变化规律,构建电力负荷特性指标面板预测模型,引入分位数回归理论,与国外典型大电网地区进行对比,对样本地区与国外典型大电网地区不同分位数下负荷特性指标变化规律进行横纵方向分析对比。最后,通过对中国南方某地区电网负荷特性指标的预测,验证了模型的正确性与算法的有效性,为负荷特性预测提供了新思路。     

基于CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。     

基于RBF神经网络分位数回归的电力负荷概率密度预测方法

针对电力系统短期负荷预测问题,在现有的组合预测和概率性区间预测的基础上,提出了基于RBF神经网络分位数回归的概率密度预测方法,得出未来一天中任意时期负荷的概率密度函数,可以得到比点预测和区间预测更多的有用信息,实现了对未来负荷完整概率分布的预测。中国某市实际数据的预测结果表明,提出的概率密度预测方法不仅能得出较为精确的点预测结果,而且能够获得短期负荷完整的概率密度函数预测结果。     

基于约束并行LSTM分位数回归的短期电力负荷概率预测方法

负荷概率预测能准确量化负荷的不确定性,为电力系统运行决策提供全面的预测信息.针对负荷的时序性特点以及现有分位数回归方法存在的分位数预测值交叉问题,提出了一种基于约束并行长短期记忆神经网络分位数回归的短期电力负荷概率预测方法.该方法结合长短期记忆神经网络与分位数回归,并行生成预测负荷的多个分位数结果,并加入考虑分位数预测...     

分位数回归方法在盛夏日用电量预测中的应用

利用南方某市2010—2012年盛夏期间日用电量和日气温、降水、相对湿度等数据,探索了分位数回归方法在日用电量预测中的应用。均一化处理后得到的日用电量系数序列剔除了经济社会发展和双休日等因素影响,相关分析表明其变化与前日用电量和当日最高气温变化的关系最为密切;将前日用电量和当日最高气温作为预报因子建立分位数回归方程,独立样本检验结果表明预测效果良好;与常用的均值回归等方法相比,分位数回归方法能够给出预测值的条件概率分布情况,可为电力调度和风险管理提供更多参考信息,具有较好的应用前景。     

基于CNN-LSTM分位数回归的母线负荷日前区间预测

针对部分工业类母线负荷波动较大,传统点预测方法难以准确预测的问题,文中提出一种基于卷积神经网络(CNN)与长短期记忆网络分位数回归(QRLSTM)组合的母线负荷日前区间预测模型。首先,针对工业类负荷功率的高频波动,采用去噪自编码器对历史负荷数据进行降噪处理;然后,利用基于时间分布层封装的一维CNN网络进行负荷特征提取和压缩,以提升整个模型的学习效率;最后,建立含有注意力机制的QRLSTM模型进行特征学习,得到不同分位数下的负荷区间预测结果。对工业类和居民商业类2种典型的220 kV母线负荷进行了负荷日前区间预测测试,并与常规的分位数回归方法进行了对比。结果表明,文中方法获得的预测结果总体上区间覆盖率更大、区间平均宽度和区间累计偏差均更小,预测效果更好。     

基于VaR和集成神经网络分位数回归的短期负荷概率预测

短期负荷预测在电力系统规划与运行中起着重要作用。提出一种融合注意力机制和分位数回归的混合卷积双向长短期神经网络短期负荷概率预测模型。首先,利用相关性分析选取合适的天气变量和历史负荷。其次,通过Copula模型计算出风险阈值,该值被用于构造峰值二进制指示输入特征。接着,将所选特征集输入到卷积双向长短期神经网络预测模型,引入注意力机制给予数据不同关注。然后,采用核密度估计对负荷进行概率预测。最后,使用平均绝对百分比误差和均方根误差对模型预测性能进行评估。仿真结果表明,该模型具有更高的预测精度。     

考虑温度因素的中期电力负荷概率密度预测方法

针对温度因素对中期电力负荷的影响,在现有的神经网络预测、区间预测和概率密度预测方法的基础上,研究在不同分位点上温度和历史负荷对电力系统中期负荷分布规律的影响,提出基于神经网络分位数回归的中期电力负荷概率密度预测方法。根据连续的条件分位数函数预测中期负荷在某天的概率密度,获得更多关于中期负荷预测信息。同时,通过比较在考虑温度因素下和不考虑温度因素下的条件概率密度预测曲线以及峰值对应的点预测值,可以得出,预测当天温度对中期负荷预测有较重要的影响,这为降低中期电力负荷预测的不确定因素提供了更多的决策信息和预测结果。     

基于VMD与改进QRGRU的超短期风电功率概率预测

风电功率概率预测是分析未来风电功率不确定性的有效方法之一。为提高风电功率概率预测精度,文中提出基于变分模态分解(VMD)与改进门控循环单元分位数回归(QRGRU)的超短期风电功率概率预测方法。首先,采用VMD将原始风电功率序列分解成不同特征的模态函数;然后,对每个模态函数分别建立基于QRGRU的概率预测模型,并将变量间的网络结构约束作为目标函数的惩罚项,改进QRGRU权重在迭代修正过程中的平稳性;最后,在不同分位数条件下叠加各个模态函数预测值,并采用非参数核密度估计方法得到未来风电功率的概率密度函数。结合某风电场实测数据开展具体算例分析,结果表明所提方法能够兼顾区间覆盖率,减少区间宽度,在不同预测步长中均能表现较好的预测效果。     

基于SAPSO-BP和分位数回归的光伏功率区间预测

提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法.首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度.在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-B...     

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。     

基于广义回归模型的充电桩运行异常预测方法

针对现有充电桩运行异常预测方法存在预测误差大、置信度低的问题,提出基于广义回归模型的充电桩运行异常预测方法。划分充电桩的异常类型以及异常区域,设置异常类型特征作为判断设备运行异常的标准。根据充电桩的工作原理,收集其动态多维运行数据。分别从人为操作以及环境天气两个方面确定充电桩运行影响因素。构建充电桩的供应商评价模型,确定充电桩的初始质量。在考虑充电桩初始质量和影响因素的前提下,利用收集的运行数据,利用广义回归模型估算电力负荷、充电量等运行参数。最终经过与设置标准特征的比对,得出充电桩的运行异常预测结果。通过性能测试实验得出结论：在两种实验环境下,设计方法的电力负荷预测误差均低于0.5KW,置信度始终高于85%,且识别时间为24s。     

基于加性分位数GB算法的智能电能表数据不确定性预测

与传统电力数据相比,智能电能表数据波动性更大,可预测性更低。能源行业需对智能电能表数据进行概率预测,以量化未来电力需求的不确定性,以便对发电和配电进行合理规划。文章提出了一种用梯度提升算法估计智能电能表数据未来分布的加性分位数回归模型。所提方法提出了电能表数据概率预测的分位数回归及分位数修正算法。基于分位数算法给出了综合考虑外部影响因素的加性分位数的GB算法,并研究了该基于梯度提升算法的智能电能表数据概率预测加性分位数模型的关键性能参数选择,从而建立起了高性能的智能电能表数据概率预测模型;通过算例分析证明了该方法在综合和单个用户智能电能表数据概率预测中的准确性和有效性,尤其是在单个用户电能表数据概率预测方面具有远超其他算法的优越性能。     

基于Epanechnikov核与最优窗宽组合的中期电力负荷概率密度预测方法

利用神经网络分位数回归获得预测当天在不同分位点上的电力负荷预测值,将Epanechnikov核函数与不同的最优窗宽选择方法相组合,得到中期电力负荷概率密度估计函数以及在所有分位点上连续的概率密度曲线图。此外,通过选取概率密度曲线峰值处的点预测值,比较不同窗宽组合方法。相对于传统高斯核密度估计方法的组合方式,Epanechnikov核函数的组合方式较优。最后将获得的最优方法与现有的预测方法进行对比,结果表明通过选取最优窗宽可以提高预测精度,更好地反映中期电力负荷的波动性。     

基于可解释深度学习的电力负荷预测模型

深度学习模型在时间序列预测中得到了广泛的应用,然而,传统的深度学习点预测模型更多关注未来某个特定时刻的预测值,无法描述复杂时间序列预测的不确定性。此外,大多数深度学习模型的预测过程是不透明的,使用者对深度学习预测模型的内部机理缺乏认识,导致模型预测的可解释性偏低。针对上述问题,引入了分位数回归理论,刻画复杂时间序列预测的不确定性特征;构建可解释深度学习模型并应用于纽约州首府地区的短期电力负荷预测。结果表明,预测模型在两个数据集上都具有较好的区间预测结果,置信水平为95%时,该模型在1月和7月的PICP值分别为94.28%、93.23%,区间覆盖率趋于置信水平。相比于对比模型,模型的预测精度高、泛化能力强,能够提升短期电力负荷预测中的稳定性,可为电网管理者的相关决策提供数据支撑。