基于藤copula分位数回归的光伏功率日前概率预测

现有分位点回归方法在进行多分位点预测时往往需要为每个分位点单独建立模型,不仅训练成本高还会导致"分位点交叉"。对此,提出了一种基于藤copula分位数回归的光伏功率日前概率预测模型。利用藤copula对光伏功率及其条件变量间的相依结构进行解析化表达,基于优化算法对藤copula结构及参数进行优化,在此基础上建立起光伏功率条件分位数回归模型;在条件变量中引入光伏功率点预测量,并借助最小化连续秩概率分数(continuousrank probability score,CRPS)权衡可靠性与锐度,筛选出最佳条件组合。算例仿真结果表明,该方法克服了现有分位数回归方法的缺点,进一步提升了光伏功率概率预测性能。     

基于天气相似聚类与QRNN的短期光伏功率区间概率预测

为减少光伏发电的不确定性对电力系统造成的影响,描绘更为准确、清晰的光伏出力区间,提出一种基于天气相似聚类与分位数回归神经网络(QRNN)单调模型的短期光伏功率区间概率预测模型。首先,QRNN单调模型在预测过程中引入单调性,保证单调的分位数结果,并采用Huber范数近似替代原损失函数,弥补了传统区间预测分位数交叉及损失函数不可微的缺陷。其次,基于气象信息的数据特征,采用动态自组织映射聚类算法,通过神经元竞争与更新确定神经元邻域权重结构,并根据其邻域权重大小将天气聚类为晴天、多云天与阴天,得到相似天气下的数据集。然后,在不同天气条件下对影响光伏出力的因素进行相关性分析,得到不同天气下的天气影响特征,并作为输入因子输入神经网络中。最后,以澳大利亚沙漠知识太阳能中心实际数据集为例进行区间预测,并采用核密度估计给出概率预测结果,验证了所提方法的可靠性。     

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。     

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。     

基于分位数插值和深度自回归网络的光伏出力概率预测

提出一种将分位数线性插值概率模型和深度自回归循环神经网络相结合的新型光伏出力概率预测方法,可以弥补传统方法在概率建模及刻画复杂非线性关系能力等方面的不足。首先,提出一种基于分位数线性插值的光伏出力概率模型,能够全面准确地刻画各种情况下的光伏出力概率分布。其次,提出使用连续分级概率评分(CRPS)作为训练预测模型的损失函数,并推导出CRPS积分的封闭解析表达式用于模型的训练,保证训练的可行性与效率。最后,使用深度自回归循环神经网络对光伏出力的时间序列建模,结合所提出的光伏出力概率模型,形成新型光伏出力概率预测方法。算例结果表明,所提方法能提供可靠、高质量的光伏出力概率预测。     

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。     

基于深度学习分位数回归模型的充电桩负荷预测

电动汽车的迅速发展将使充电桩负荷对电网造成影响,为此提出了使用深度学习分位数回归的充电桩负荷预测方法。该方法首先根据历史数据采用Adam随机梯度下降法训练出不同分位数条件下的LSTM神经网络参数估计,然后预测未来96 h内各分位数条件下的结果,再用核密度估计做出同一时刻结果的概率密度函数,最终得到负荷概率密度预测。根据实际充电桩负荷结果表明,提出的概率密度预测方法能较为精准地覆盖真实值,相比于BP神经网络分位数回归有着更高的精确度和参考价值。     

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。     

基于改进高斯过程回归的短期负荷概率区间预测方法

电力市场改革和分布式能源的并网给电网的运行和规划带来了许多不确定性的因素。为获取更准确、更综合的电力负荷预测值信息,提出一种基于K-means特征提取和改进高斯过程回归的短期负荷概率区间预测方法。首先利用历史负荷数据建立候选特征集,然后通过K-means的特征提取方法先对候选特征集进行分类,再利用K邻域内特征变量之间的互信息来选取负荷最优特征子集,并实时更新最优特征子集。为了准确捕捉电力负荷的时变特性,利用改进的高斯过程回归算法进行电力负荷概率区间预测,主要包括动态更新超参数和滑动窗更新训练样本集两个部分。实例表明,所提方法相比分位回归、高斯过程回归而言预测精度更好,所形成的预测区间具有更窄的区间宽度和更高的覆盖率,能为电力系统的运行规划提供更全面、更有效的负荷信息。     

基于自适应滚动匹配预测修正模式的光伏区间预测

为解决传统点预测方式难以量化光伏发电功率不确定性的问题以及提高预测精度,提出一种基于自适应滚动匹配预测修正模式的光伏区间预测方法.通过结合小波能量的谱聚类方法对历史光伏数据集进行聚类,构建不同类别的模型输入和区间输出并采用宽度学习系统进行训练;建立不同类别、不同置信区间、不同预测功率区间的stable误差分布,并结合优...     

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VMD和GP的短期风电功率置信区间预测

传统风电点预测算法无法对风机出力的不确定性、随机性、波动性做出定量描述,提出一种基于变分模态分解(VMD)和高斯过程(GP)的区间预测方法,其意义在于能预测一定置信度下的短期风电功率波动区间。该方法利用变分模态分解算法将风功率序列分解为一系列不同带宽的模态分量以降低其非线性,对全部子模态分别建立高斯过程模型,最后叠加每个子模态预测结果得到风功率的置信区间。算例结果表明,与其他常规分解算法相比,该组合模型可以有效提高预测精度和预测区间覆盖率,减小预测区间宽度,具有一定的实用价值。     

基于LCD-SE-IWOA-KELM的短期风电功率区间预测

针对风电功率的不确定性、随机性以及已有的风电功率点预测无法反应其不确定性信息的问题,提出了基于局部特征尺度分解(LCD)-样本熵(SE)和改进鲸鱼优化算法(IWOA)优化核极限学习机(KELM)的短期风电功率区间预测模型。采用LCD分解来降低原始风电功率序列的非平稳性,通过测量各ISC分量的样本熵来重构新的序列以降低过多的分量对预测精度带来的影响,然后分别建立各新序列的区间预测模型,最后将各新序列的预测结果进行叠加获得最终预测结果。采用改进的WOA算法优化核极限学习机的参数。实验仿真表明,文中所提模型能够获得良好的区间预测结果,具有一定的实际意义和应用价值。