负荷持续曲线的解析化模型及其预测方法

基于概率分布原理,提出了一种负荷持续曲线的数学模型和预测方法.该模型结构简洁、参数少、数学物理意义明晰、模拟结果较为精确.使用该模型,不但可以模拟历史数据,而且只要给出负荷、电量等边界条件,即可调整相关模型参数,有效预测未来的负荷持续曲线.通过对北京、江苏等地数据的测试,证明了该模型的有效性和精确性.该模型可用于电力系统规划运行经济性与可靠性评估以及电力系统电源发展规划与优化等多方面.     

基于GA-BP神经网络的微电网短期负荷预测

针对微电网负荷功率的不确定性,提出了一种基于遗传算法优化的BP神经网络模型GA-BP,能够快速、有 效地建立非线性输入与输出之间的关系,对微电网短期负荷进行预测.通过对遗传算法优化的BP神经网络和传统BP 神经网络分别建立微电网负荷预测模型,对某地区的微电网短期负荷进行MATLAB仿真和计算,对2种模型的未来 24h短期负荷预测进行比较,验证了2种预测方法的有效性和可行性.由仿真结果可知,采用遗传算法优化的BP神 经网络预测的平均相对误差为3.23％,相较于传统的BP神经网络拥有更好的预测精度.     

基于神经模糊网络的短期风电预测

本文利用中尺度NWP模型,以半小时为间隔,对风电场参考点未来36小时的气象变量进行了预报,提出了一种基于神经网络和模糊逻辑相结合的混合计算智能技术的风力发电预测统计模型.利用该统计模型对NWP模型输出、SCADA和风塔的实测数据进行处理,准确预测风电场中各风机的风电功率.同时介绍了网络结构和训练算法,并将该预测方法应用于我国某实际风电场的风电预测.预测风电与实际风电之间的均方根误差(RMSE)小于20％.预测结果表明,训练后的神经模糊网络对风电场建模和风电预测具有较强的应用价值.由于神经模糊网络的适应性,该方法可集成到在线风电预测系统中,在运行过程中自动调整.     

基于云支持向量机模型的短期风电功率预测

将云模型和支持向量机(SVM)相结合,提出一种适合短期风电功率预测的云支持向量机模型.该模型采用云变换方法提取风速序列的定性特征,并通过SVM建立风速特征与风电功率间的关系.对未来24h的风电功率预测结果显示,该模型在某个点上的预测值是一个有稳定倾向的离散值集合.采用逆向云算法求取集合的期望值作为确定性预测结果,并与SVM和自回归求和移动平均(ARIMA)模型的预测结果相比较,结果表明云支持向量机具有更高的预测精度,预测效果显著,因此,该模型可有效应用于短期风电功率预测.     

灰色系统模型在股票投资价值中的应用

随着股票投资者越来越看重“股票内在价值”，于是越来越迫切希望找到一套简单且实用的股票投资的价格预测方法。本论文结合灰色系统理论，研究了灰色预测系统的预测方法以及如何在股票价格预测中运用，为股票投资者提供一些指导。     

陕西电网月用电量预测模型的研究

未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型．用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1％,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。     

基于IEC 61970/61850的电动汽车充电站监控系统建模方案

根据电动汽车充电站的需求,充分考虑未来发展趋势,以IEC 61970/61850系列标准为技术基础,提出汽车充电站监控系统建模方案,建立汽车充电站系统模型、设备信息模型、通信模型,并介绍建模方法.给出了站内智能电子设备(IED)信息集成的实现以及系统方案的应用前景.     

江苏电量需求经济背景预测及“协整模型”方法研究

提出了江苏在未来40年经济背景预测方案,运用较为先进的“协整理论”,筛选能与电量需求建立均衡关系的关键经济变量;构建了关键经济变量与电量需求之间的计量经济学模型,并对江苏省经济结构转型期的电力需求走势进行预测与校验.     

高压直流输电工程中的直流断路器设计及应用仿真

介绍直流断路器的设计原理,利用PSCAD仿真软件建立了基于改进Mayr模式的电弧模型以及直流断路器的模型.比较了直流断路器两种不同的设计方法,并基于大量仿真试验,提出了直流断路器设计中元件参数的选择方案.最后通过PSCAD/EMTDC仿真,证明了该方案在HVDC工程MRTB设计中的可行性.     

模型预测控制在光伏并网逆变器中的应用

本文基于两级式三相并网逆变器的数学模型和模型预测控制的基本原理,提出了一种基于模型预测控制的光伏并网逆变器控制方法。该方法以光伏逆变器的一阶差分方程为基础,建立了其预测模型,通过模型预测算法对光伏并网逆变器未来若干个采样时刻的三相并网电流值进行预测,再根据滚动优化函数进行最优化求解,进而得到最优的控制变量,具有良好的控制性能和较强的鲁棒性。详细介绍了模型预测控制算法的建立和实现过程,在Matlab/Simulink环境下建立了相应的仿真模型。相关仿真结果表明,模型预测控制算法具有动态响应快和鲁棒性强的特点,适用于三相光伏并网逆变器的高性能控制。     

基于情感词典与LDA模型的股市文本情感分析

建立了一种基于股票情感词典与LDA分析股票文本情感倾向的模型。针对股票文本情感分析中情感词典不全面与句子分析片面的问题,构建较为全面的股票情感词典,同时以句子的倾向性、程度性与相关性三方面分析股票文本情感。引入针对股票的词语、程度性词语与转折性词语构建较为全面的情感词典;抽取预处理之后的股票文本句子的情感词;利用句子算法计算句子倾向、程度向量,并对句子向量利用支持向量机(SVM)和K均值算法分类;利用LDA(latent dirichlet allocation)对情感词计算文档 主题、文档 词语概率分布,以此概率分布获取句子的相关性;综合句子的倾向性、程度性、相关性计算句子情感;最后,通过句子情感获取股票文本的情感倾向比例。通过对百度新闻经济板块收集的股票文本进行实验并与其他算法比较,该模型对句子与文本分类准确率提高到82.78%与84.14%。     

基于可信度加权组合的电价波动模式日前预报方法

准确的日前电价预测对电力市场参与者的优化决策具有重要意义。目前,大多数日前电价预测方法并不区分每天电价的波动模式而采用统一模型进行预测,当被预测日的波动模式与历史数据出现较大差异时无法保证预测的准确性。根据不同的日波动模式采用相似历史数据进行分类建模是解决此问题的有效途径,这就需要建立针对历史数据不同波动模式的分类识别模型和针对未来波动模式的日前预报模型。为此,文章提出一种针对分类预测的电价日波动模式日前加权组合预报方法。第一,采用K-means算法对日电价序列进行聚类分析,在分析聚类结果特性的基础上提取反映每日波动模式差异的特征向量,利用支持向量机分类（support vector machine for classification, SVC）方法建立电价数据日波动模式的识别模型;第二,利用多种常规方法建立日前电价预测模型对日前电价进行预测,并将预测结果输入日波动模式识别模型得到对应的模式识别结果;第三,根据多个方法波动模式预测结果对历史数据表现出来的不同精度,设计了基于可信度的组合机制,实现考虑预测准确性的加权组合预测,从而得到最终的日波动模式预测结果。利用美国PJM电力市场电价数据进行的仿真分析表明,提出的日前电价波动模式预测方法能得到较为准确的模式预测结果;利用电价波动模式日前预报进行分类预测的精度相对统一预测有显著提高。     

Stock price prediction using neural networks with RasID-GA

In general, neural networks are widely used in pattern recognition, system modeling and prediction, and can model complex nonlinear systems. In the previous work, we proposed a novel training algorithm, Adaptive Random Search with Intensification and Diversification combined with Genetic Algorithm (RasID-GA), for training the multibranch recurrent neural networks recently developed. In this paper, RasID-GA has been applied to predict stock market prices using the multibranch feed forward neural networks. We predicted the next day's closing stock price with several past closing stock prices. We used the stock prices of 20 brands for 720 days in order to evaluate the generalization ability of the proposed method. Copyright © 2009 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Electricity market price spike forecast with data mining techniques

Electricity market price forecast is a changeling yet very important task for electricity market managers and participants. Due to the complexity and uncertainties in the power grid, electricity prices are highly volatile and normally carry with spikes, which may be tens or even hundreds of times higher than the normal price. Such electricity spikes are very difficult to be predicted. So far, most of the research on electricity price forecast is based on the normal range electricity prices. This paper proposes a data mining based electricity price forecast framework, which can predict the normal price as well as the price spikes. The normal price can be predicted by a previously proposed wavelet and neural network based forecast model, while the spikes are forecasted based on a data mining approach. This paper focuses on the spike prediction and explores the reasons for price spikes based on the measurement of a proposed composite supply–demand balance index (SDI) and relative demand index (RDI). These indices are able to reflect the relationship among electricity demand, electricity supply and electricity reserve capacity. The proposed model is based on a mining database including market clearing price, trading hour, electricity demand, electricity supply and reserve. Bayesian classification and similarity searching techniques are used to mine the database to find out the internal relationships between electricity price spikes and these proposed. The mining results are used to form the price spike forecast model. This proposed model is able to generate forecasted price spike, level of spike and associated forecast confidence level. The model is tested with the Queensland electricity market data with promising results.     

基于多因素小波分析的神经网络短期现货电价预测方法

一般采用小波分解的电价预测方法是将历史电价分解后分别预测,预测过程中没有引入其他电价影响因素,或者是直接引入未经小波分解的影响因素。提出一种小波分析与神经网络相结合的预测方法,将历史电价和历史负荷都进行小波多分辨率单尺度分解,分解成概貌电价、细节电价和概貌负荷、细节负荷。在此基础上,用历史概貌电价和概貌负荷序列训练BP神经网络,预测出未来的概貌电价;用历史细节电价和细节负荷序列训练BP神经网络,预测出未来的细节电价。将概貌电价和细节电价进行重构,得到最终的预测电价。对美国PJM电力市场的实际电价(LMP)进行预测,验证了该方法的有效性和可行性。     

Computational finance models

The author discusses his involvement in developing computational finance software. These computational finance models attempt to model the randomness of a stock's price. At a fixed future time, a stock's price is modeled as a random variable with a normal distribution centered about the current price adjusted with a simple growth multiplier. The standard deviation of this normal distribution depends on the length of time into the future one peers and the volatility of the market. As the market becomes more volatile and we look further ahead, the less likely the stock will have a price near the adjusted current price. Implementing these ideas requires a tool borrowed from physics called the Brownian motion. In a sense, a stock's price is modeled as a point fluctuating about in "dollar space". Hence a financial modeler can no more predict what price a stock will have at a given instance in time than a physicist can predict where a particular air molecule might be.     

基于实物期权的风力发电侧储能投资决策

为弥补将锂电池应用于风力发电系统的储能投资是否可行的分析中存在的不足,通过贴现现金流量法与实物期权理论的对比,建立了基于实物期权投资决策框架,提出了满足几何布朗运动假设的布莱克-舒克斯储能项目实物期权定价模型,并利用MATLAB软件中Financial Toolbox工具箱中的价格衍生工具对模型的不确定因素进行了灵敏度分析。案例分析表明将实物期权应用在具有不确定因素的风力发电侧储能项目中,可以预测未来收益,为投资者提供灵活的投资方案,避免投资失误。     

Modern portfolio theory.I

This column returns to the topic of investment engineering. Previous columns on this topic have established the following foundation: a) a block diagram view of investment engineering; b) the lognormal model of price behavior; c) the efficient market approximation; d) the nonideal behavior of real markets. The remainder of the series will present two different approaches to market analysis. One starts from the efficient market approximation and the lognormal price model. It then derives results of practical importance, including modern portfolio theory (MPT) and options pricing theory (OPT). The other starts with the assumption that market sentiment should not be neglected and proceeds to develop the tools of technical analysis (TA). This column provides an introduction to MPT     

结合高光谱与CNN的小麦不完善粒识别方法

通过结合高光谱数据与卷积神经网络(CNN)实现小麦不完善粒(黑胚粒、虫蚀粒及破损粒)的快速准确鉴别。实验采集小麦正常粒(484粒)、黑胚粒(100粒)、虫蚀粒(100粒)及破损粒(100粒)在493~1 106 nm的116个波段的高光谱图像,每间隔5个波段抽取1个图像,分别建立24个波段的训练集,应用CNN建立不完善粒小麦的识别模型。实验结果显示,利用该识别模型,黑胚、虫蚀和破损粒的识别率分别保持在94%、95%和92%以上。在上述工作的基础上,进一步通过修改学习率和迭代次数改进CNN模型。优化后,黑胚、虫蚀及破损粒在各波段下的平均识别率分别提高了0.624%、0.47%和0.776%。将24个波段高光谱图像混合重新构建训练集,并重新训练CNN模型,黑胚、虫蚀及破损粒的总识别率则分别提高了0.31%、0.13%和0.46%。综上所述,基于高光谱数据和改进CNN模型可以有效提高小麦不完善粒的识别精度。     

电力营业厅智能服务机器人个性化情感分析技术研究

在社交网络媒体中应用的文本情感分析技术,作为一种基础的信息处理技术,可用于分析、处理、汇总和推理带有情感的主观文本。近年来该技术在学界、商界和产业界都受到了广泛的关注,并已应用于互联网的诸多领域。目前该技术在电力营业厅的智能客服以及外呼问答领域都拥有广泛的应用前景。以往针对情感分析的文本研究主要侧重于分析文本表面所表达情感,这样就忽视了用户个体在情感表达上的先天差异,也就对分析结果的准确性产生了不良影响。为解决这些问题,研究侧重于提升在社交媒体中的个性化情感分析的实用性,并以此为基础将模型应用于智能电力客服等相关领域。具体来说,考虑到BP神经网络技术在文本分析处理中的普遍应用,提出了多种基于BP神经网络的模型来解决文本中可能遭遇的个性化情感分析挑战。实验证明该模型可以很好地解决个性化情感分析问题,并可以应用于电力营业厅客服机器人的情感分析领域。