基于小波-支持向量机的出清电价预测仿真

为了提高电力市场出清电价的预测精度,在分析其形成机理的基础上,根据加州电力市场实际运行的历史出清电价数据对其变化特点进行研究,得出不同时段的出清电价时间序列特性不同,具有不同的变化趋势.提出分时段预测出清电价的思路.采用小波分析和支持向量机工具对出清电价分时段进行预测,利用Matlab进行仿真,结果表明,该模型对系统出清电价的预测精度较高,证明此方法对加州电力市场的电价预测有很好的能力.     

EGARCH模型和分位数自回归类模型在风险预测中的比较

利用了三种时间序列模型对中美汇率的风险进行一步向前滚动预测。1)EGARCH模型,它可以刻画金融资产收益率的尖峰厚尾现象,异方差性,波动集聚性和杠杆效应。2)非常适合具有异方差性的QAR模型,该模型不需要假定误差项的分布,可以很好地刻画条件异质性,在模拟具有尖峰厚尾的金融数据时,得到了广泛的应用。3)T-QAR模型,该模型可以通过门限变量控制分段线性函数,进而刻画金融资产具有的非线性性和非对称性。最后,对三种模型的预测效果进行了VaR回溯检验,结论是T-QAR模型的预测效果最佳,而EGARCH模型的预测效果最差。     

基于最大Lyapunov指数的市场出清电价预测

应用相空间重构和最大Lyapunov指数的计算方法对市场出清电价序列特性进行判定.依据最大Lyapunov指数预报模式,构建基于一种新的出清电价预测模型.对某电力市场1999-01-01-1999-08-31的电价进行混沌时间序列判定,采用最大Lyapunov指数预报模型和AR(2)模型进行预测.研究结果表明:采用最大Lyapunov指数预报模型预测所得市场出清电价预测值与实际值的平均绝对误差率为7.234 7％,最大绝对误差率为17.017 5％;采用AR(2)模型预测预测所得市场出清电价预测值与实际值的平均绝对误差率为5.540 8％,最大绝对误差率为11.830 0％;总体上,最大Lyapunov指数预报模型预测结果的精度略比AR(2)模型预测结果的精度低,但绝对误差率大于6％的时点数少于AR(2)的预测数,这表明应用最大Lyapunov指数对出清电价进行预测具有可行性.     

基于负荷预测的电力市场寡头竞争分析

将负荷预测的思想引入到电力市场的竞争分析中,研究了完全信息下的cournot模型中负荷预测对电力市场竞争的影响.首先建立了竞争模型结构,然后获得没有预测情况下的市场均衡电价,应用博弈论获得负荷预测增量对cournot模型下市场力的影响.最后通过数据仿真获得负荷预测增量与市场均衡电价和发电商收益之间的关系.分析表明：负荷预测精度影响发电商收益、市场均衡电价和市场力.预测误差率在33%以内,预测是有用的.所以提高收益的关键是提高负荷预测精度.     

基于动态神经网络的系统边际电价预测

在分析系统边际电价(SMP)特点的基础上,确定了预测系统边际价格的主要依据为电力负荷、历史上对应时刻的SMP以及当天的SMP趋势.将电价看作是电力市场动态运行的结果,采用动态神经网络预测电价.由于动态神经网络结构及权值确定困难,采用二进制与实数编码相结合的联合编码,用遗传算法优化得到神经网络结构及对应权值.利用某电力市场的历史数据对该模型进行验证,结果表明该方法所建立的预测模型具有较高的预测精度.     

基于LSTM与XGBoost组合模型电价预测

为准确预测电力市场中的短期电价,提出了基于LSTM和XGBoost的组合预测模型。为了验证LSTM-XGBoost模型的有效性,该文先选用法国电力市场2019年1月1日至2020年12月31日的电价数据为训练集训练模型,对2021年1月1日不同模型预测的结果与实际电价值进行对比,得到LSTM-XGBoost以RMSE为0.74的误差率低于BP、LSTM、XGBoost的3.80、1.25、0.88,然后将算法应用到美国PJM电力市场,结果表明本文提出的LSTM-XGBoost组合预测模型MAPE平均值为1.83%,明显低于单一预测模型,也显著低于GRU-XGBoost组合模型,表明并非所有模型单一组合都能有效提高预测精度,该文提出的LSTM-XGBoost组合模型有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

基于ADL-GARCH的电价预测模型及其应用

根据电价序列的特点,首先利用动态计量经济理论构建出一般的自回归分布滞后ADL模型,通过检验统计量修正得到ARMA短期电价预测模型,然后对ARMA模型进行GARCH效应检验,最后根据检验结果构建出ARMA-GARCH的短期电价预测模型.利用新模型对美国加州电力市场的电价进行短期预测,结果表明,新模型能够有效地跟踪实际电价变化的趋势,具有较高的预测精度和良好的适应性.     

基于独立模型的非线性时间序列多步超前预测

提出一种非线性时间序列的多步超前独立预测方法. 对比逐步递归方法和独立预测方法, 分析了积累误差对多步超前预测性能的影响. 采用递归神经网络(RNN)实现了独立预测方法, 建立了城市轨道交通能耗预测模型. 通过MATLAB训练和测试该模型, 比较了两种方法下的多步超前预测输出. 结果表明,独立预测方法的误差优于逐步递归方法. 最后指出了独立预测方法的优缺点及适用范围.     

基于可行扰动的非线性预测控制实时迭代算法设计

针对非线性模型预测控制中滚动优化问题在线求解的困难,提出一种基于可行扰动的实时迭代优化算法。将可行扰动策略引入滚动优化中,保证算法快速收敛且具有提前终止能力。通过对运动小车以及连续搅拌反应釜的仿真研究,验证了该算法的有效性。     

考虑风电不确定性的主动配电网阻塞管理策略

随着需求侧灵活性资源和风电等分布式资源的快速发展,灵活性资源用电行为的随机性以及风电出力预测的误差,使配网系统潮流发生改变,增加配电网潮流阻塞风险。为了解决风电不确定性造成的配网阻塞问题,研究考虑风电不确定性的主动配电网阻塞管理策略。首先基于Copula函数抽样生成表征风电不确定性的典型出力场景,将不确定变量转化为确定性场景进行优化计算,进而考虑主动配电网元件的运行特性,建立主动配电网双层阻塞管理优化模型。上层模型中,负荷聚合商预测日前电价,基于收集的风电、微型燃气轮机出力信息以用户用电成本最低为目标制定用电需求计划,并上报至配电网系统运营商;下层模型中,配电网系统运营商以总社会利益最大为目标对日前电价进行迭代,以线路功率和节点电压安全为前提求解最优潮流,得到节点边际电价并发布至负荷聚合商,指导其调整日前用电计划;通过上下双层的迭代交互,实现阻塞管理和社会利益最优。最后,通过IEEE 33节点算例进行仿真验证。结果表明：所提阻塞管理策略能保证线路功率和节点电压满足安全约束,有效解决主动配电网的阻塞问题。     

Seasonal Least Squares Support Vector Machine with Fruit Fly Optimization Algorithm in Electricity Consumption Forecasting

Electricity is the guarantee of economic development and daily life. Thus, accurate monthly electricity consumption forecasting can provide reliable guidance for power construction planning. In this paper, a hybrid model in combination of least squares support vector machine(LSSVM) model with fruit fly optimization algorithm(FOA) and the seasonal index adjustment is constructed to predict monthly electricity consumption. The monthly electricity consumption demonstrates a nonlinear characteristic and seasonal tendency. The LSSVM has a good fit for nonlinear data, so it has been widely applied to handling nonlinear time series prediction. However, there is no unified selection method for key parameters and no unified method to deal with the effect of seasonal tendency. Therefore, the FOA was hybridized with the LSSVM and the seasonal index adjustment to solve this problem. In order to evaluate the forecasting performance of hybrid model, two samples of monthly electricity consumption of China and the United States were employed, besides several different models were applied to forecast the two empirical time series. The results of the two samples all show that, for seasonal data, the adjusted model with seasonal indexes has better forecasting performance. The forecasting performance is better than the models without seasonal indexes. The fruit fly optimized LSSVM model outperforms other alternative models. In other words, the proposed hybrid model is a feasible method for the electricity consumption forecasting.     

应用灰关联分析的PSO-SVR工程造价预测模型

为了准确预测与控制工程造价水平,提出一种基于灰关联分析(GRA)与粒子群优化(PSO)的支持向量回归机(SVR)组合预测模型.将GRA提取的工程造价主要指标向量输入PSO-SVR模型预测造价,采用 PSO优化的SVR模型进行工程造价预测,对比分析PSO-SVR模型和其他智能模型,对某一地区相同输电工程进行造价预测.结果表明:基于灰关联分析的PSO-SVR模型的造价预测效果更理想,预测精度更高.     

基于粒子群算法的天气滚动预报集成技术

针对集成预报的权重分布法,采用具有全局寻优特点的粒子群算法优化其权重系数,以更好地集中各种预报模式的优势.以天津地区天气预报为实例,建立基于粒子群算法的集成预报模型,实现多种预报模式的集成处理,结果表明该方法对于短时天气预报具有较好的准确度.     

中长期电力负荷预测的几种灰色预测模型的比较及应用

对传统GM（1,1）模型,基于积分优化法的GM（1,1）模型,具有白指数律重合性的GM（1,1）模型,基于响应不变法的GM（1,1）模型,基于严格微分拟合法的GM（1,1）模型进行了详细分析比较．针对电力系统中长期负荷增长的特点,分析比较了以上5种模型的特点及其适用范围,为电力系统工作人员在年用电量预测中选择合适的灰色预测模型提供参考依据．     

KNN算法及其在月电量预测中的应用

目前对用电量的预测方法很多,本文利用数据间的相关性,应用改进的KNN分类算法,提出了基于KNN分类算法的月用电量模型,并进行试验预测．预测结果表明此方法简单、有效．     

基于趋势组合的知期电力负荷预测模型

在运用神经网络进行短期电力负荷预测中，天气是影响负荷的重要因素。为了更好地捕捉天气对负荷的影响，文中提出了一种基于神经网络的趋势组合短期负荷预测思想和模型，将短期负荷与天气变量的内在关系分解为3个不同的趋势分量，即周趋势分量、日趋势分量和小时趋势分量，每一个趋势分量分别用一个神经网络模型捕获，趋势分量的预测结果再用一个神经网络模型进行组合，从而得到最终的预测值，分别用改进的和传统的模型预测一周的小时负荷，结果表明，这种神经网络模型能取得更好的预测精度。     

一种新的混合智能预测模型及其在故障诊断中的应用

针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题，提出了一种新的基于经验模式分解、支持向量机和自适应线性神经网络的混合智能预测模型．首先，利用经验模式分解方法将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量，然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数，用支持向量机对其进行预测，最后通过自适应线性神经网络对这些预测分量进行自适应加权组合，得到原始序列的预测值．研究结果表明，对于标准算例和某机组振动趋势的预测，不论是单步预测还是多步预测，该模型的预测性能均好于单一的支持向量机预测方法。     

基于GMDH的宏观经济短期预测模型

传统的宏观经济短期预测研究通常基于定量或定性预测模型,而GMDH 算法兼具定性定量的特点,建立了基于GMDH 自回归模型的混合预测模型数学模型来进行宏观经济短期预测,应用相关的统计数据做实证分析,将所得结果与传统GMDH模型、二次自回归模型进行了比较.结果表明,本文提出的混合预测模型具有良好的预测精度,是一种有效的宏观经济短期预测手段.     

基于网格的精细化降雨径流水文模型及其在洪水预报中的应用

以正交网格降雨径流模型研究为基础,提出了用于洪水预报的精细化基于网格蓄满与超渗空间组合的降雨径流模型(Grid-XAJ-SATIN)。从模型的原理与结构、地理信息空间处理、参数空间分布估算、模型的驱动场分析、模型流域状态同化几个方面对该模型进行讨论,分析模型在湿润、半湿润流域的实际应用情况。结果表明,无论是湿润流域还是半湿润流域,所提出的精细化模型均能取得良好的模拟预报精度,且模型在输出流域出口断面流量过程的同时,可实现对流域内任意网格单元流量过程的精细预报。