牛东晓个人学术传记

牛东晓教授长期致力于我国电力系统负荷预测与评价及电力经济方面的研究工作。 电力工业是国家在能源领域的重大基础行业，电力是国民经济的命脉，经济要发展，电力是先行，电力工业总资产已占到国有资产的六分之一，电力对于我国经济建设、能源供应、国家安全、社会稳定具有至关重要的作用，现代文明社会已经处处离不开电力供应。

如何以多价值链协同实现制造企业生产预测优化?——以电力制造企业为例

制造业是一个国家能源和经济发展的基础化产业。为了能够有效保障企业利益,提高企业竞争力,需要对制造企业生产进行准确预测。本文从多价值链协同的角度分析生产、营销、供应及服务等过程,利用随机森林(RF)—天牛须优化(BAS)—卷积神经网络(CNN)方法构建三阶段生产预测模型,并以北京某电力制造企业为例进行实证分析,验证预测优化效果。研究结果表明,利用该模型进行生产预测优化,相比于其他预测方法来说,能够有效提高预测精度。同时多价值链协同能够更好地体现内外部价值链之间的相互关系,协同下的生产预测优化对制造企业来说具有更加重要的意义。

特约专栏主编寄语

中国提出2030年前实现碳达峰,2060年前实现碳中和的目标。而构建以新能源为主体的新型电力系统是电力行业推动实现“双碳”目标的重要途径。新能源电力已成为我国重要的电力支撑。为支持新能源发展而配套的消纳责任权重、碳配额和和绿电等政策问题也亟需厘清,解决这些新能源电力建设、运维和消纳价值链全过程的诸多问题可为新能源发展提供更为友好的外部环境,有助于提升绿色电力价值,提高绿色电力在电力市场的竞争力,促进新型电力系统的构建和“双碳”目标的实现。

双碳目标下我国电动汽车碳减排贡献潜力分析

为分析碳达峰背景下我国电动汽车行驶阶段碳减排潜力,对电动汽车碳排放进行了多情景测算分析。首先,构建PCA-SMA-LSSVM预测模型对我国电动汽车保有量进行有效预测;然后,考虑电动汽车发展、电源及电网结构优化多种情景组合,对未来电动汽车碳排放潜力进行测算分析。最后,基于测算结果提出激发电动汽车碳减排潜力的相关建议。

基于数据挖掘的SVM短期负荷预测方法研究

支持向量机方法已成功地应用在负荷预测领域,但它在训练数据时存在数据处理量太大、处理速度慢等缺点。为此提出了一种基于数据挖掘预处理的支持向量机预测系统,引用在处理大数据量、消除冗余信息等方面具有独特优势的数据挖掘技术,寻找与预测日同等气象类型的多个历史短期负荷,由此组成具有高度相似气象特征的数据序列,将此数据序列作为支持向量机的训练数据,可减少数据量,从而提高预测的速度和精度,克服支持向量机的上述缺点。将该系统应用于短期负荷预测中,与单纯的SVM方法和BP神经网络法相比,得到了较高的预测精度。

具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型

电力负荷预测是电力系统的一项重要工作 ,季节型电力负荷预测是一个难点 ,缺少相应的数量预测方法。对于具有增长和波动二重趋势性的季节型电力负荷 ,首次提出了季节型负荷预测的组合优化灰色神经网络模型 ,研究了同时考虑两种非线性趋势的复杂季节型负荷预测问题 ,说明了此优基金项目 :国家自然科学基金资助项目 ( 5 0 0 770 0 7) ;国家电力公司重点学科基金资助项目 (A98B0 3)。ProjectSupportedbyNationalNaturalScienceFoundationofChina( 5 0 0 770 0 7) .化模型分别优于两种单一发展趋势负荷预测的模型。给出了电力负荷预测的应用实例 ,通过对河北电网季节最大负荷与销售电量的分析 ,建立了对应的组合优化灰色神经网络模型 ,与其它算法进行了比较 ,计算结果表明 ,该方法较大提高了季节型负荷预测的精度 ,为季节型电力负荷预测提供了一种新的、有效的方法 ,编制了季节型负荷预测的软件 。

跨区电网中风电消纳影响因素分析及综合评估方法研究

目前我国风电并网容量位居世界第一。风电出力的波动性和间歇性使得大规模风电并网要求电力系统留有足够的备用和调峰电源,因此未来电网面临着风电消纳、接入方式及送出通道等方面的挑战。综合考虑网架约束、跨区电力交换以及系统调峰容量等因素,基于时序生产模拟方法,研究了跨区电网风电消纳能力分析模型以及评估方法,提出了提高跨区电网风电消纳能力的措施。最后,以某跨区电网为算例进行分析,验证了所提方法和措施的有效性。

基于粗糙集和决策树的自适应神经网络短期负荷预测方法

利用数据挖掘中的聚类技术将历史负荷数据进行聚类,根据聚类后的分类信息对定性属性利用粗糙集进行属性约简,由约简结果进一步生成决策规则树供短期预测使用。根据聚类的结果对每类进行BP神经网络的训练,神经网络的隐含层单元采取逐步试用的方法根据训练误差最小化进行选择。在实际预测中,首先对待预测的记录利用决策规则树进行归类,然后选取相应类别的神经网络予以预测。通过实例证明,该方法的平均相对误差为2.16%,而同结构BP神经网络预测的平均相对误差为2.67%,ARMA预测的平均相对误差为3.81%,证明所提方法有效。

基于经验模式分解与因素影响的负荷分析方法

提高预测精度需要准确把握负荷变化规律和环境因素影响,但目前的分析方法多存在依赖主观经验,且对因素影响分析不深入的问题。为此,提出一种基于经验模式分解(empiricalmodedecomposition,EMD)和因素影响的负荷分析新方法。利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式,可克服依赖主观经验的缺点。再利用多个指标从不同方面分析它们的规律特性。通过各分量与各影响因素的相关分析,深入挖掘各因素对各分量的影响情况。归纳出构成负荷的不同成分,并详细论述其特性。实例研究说明该方法可很好地分析负荷特性及因素影响。

短期电力负荷预测的小波神经元网络模型的研究

根据短期电力负荷预测的特点，提出一种负荷预测新算法——小波神经元网络负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，从而达到全局最优的逼近效果，同时有效地克服了人工神经元网络学习速度慢、难以合理确定网络结构、存在局部极小点的固有缺陷。经实例验证，该方法能有效地提高预测精度。

基于遗传优化的支持向量机小时负荷滚动预测

利用支持向量机(SVM)和遗传算法(GA)建立24个不同的混合模型来对夏季24点负荷进行滚动预测。通过追加最新的负荷和天气信息来更新混合模型的输入,滚动预测下一小时负荷。利用SVM建立预测模型,利用GA自动选择SVM模型的参数。经过GA优化后的最终SVM模型用于滚动预测下一小时的负荷。研究实例表明,GA简化了SVM参数选择,优化了SVM模型;滚动预测效果要明显好于常规预测方法。

基于马尔科夫过程的电力企业市场竞争预测

在经济预测的方法中,马尔科夫过程预测技术不需要连续不断的历史数据,只需要近期的资料就可以预测未来。许多经济和社会现象中的动态系统问题,都可采用马尔科夫过程来描述。因此,它的应用较为广泛。针对电力企业的自身特点,利用马尔科夫过程建立了市场占有率的马尔科夫过程预测模型,给出了模型的应用,可以为发电企业参与电力市场竞争提供必要的决策依据。

配电系统可靠性评价的物元模型分析

运用物元的可拓性,结合可拓学中距的概念,对配电系统可靠性进行分析,得到便于比较的关联度,根据关联度的大小可以对配电系统可靠性进行评价。具有较强的可信性和实用性。

遗传神经网络优化预测方法研究及其应用

根据短期电力负荷预测的特点，将遗传算法和人工神经网络相结合，提出一种负荷预测新算法─—遗传神经网络优化预测方法。该方法明显地提高了模型的优化能力，有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷。经实例验证，该方法能有效地提高预测精度和速度。

基于关联分析的多因素电力负荷预测灰色模型群研究

针对目前电力负荷预测受到多种因素的影响,在灰色关联分析的基础上对灰色模型群进行了研究。以河北南网用电量为研究对象,将全社会用电量分为若干子系统,使用灰色关联分析的方法确定主因素变量,利用灰色模型群建模法,从不同方面建立多种预测模型,综合协调各个结果得到更为合理的预测值。

基于自组织映射支持向量机的日前电价预测

针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点,建立多个模型分别对其进行预测,将数据空间按时点划分成24个子空间,然后根据这些子空间的相似性通过自组织映射对其进行自动聚类,并在不同类别的子空间分别建立支持向量机模型进行训练和预测。应用上述方法对PJM电力市场2005年8月的31天日前24点电价进行预测,结果表明该方法能够有效提高预测精度。

粒子群优化灰色模型在负荷预测中的应用

针对电力系统负荷特性,分析灰色模型GM(1,1)的应用局限性,引入向量α改进灰色模型背景值序列的计算公式,从而构建了适应性更强的GM(1,1,α)模型。应用粒子群优化算法非线性全局寻优能力来求解最优α值,提出了基于粒子群优化算法的灰色模型PSOGM,并给出了电力负荷预测的应用实例。实例证明PSOGM模型具有较高的预测精度和较广的应用范围。

考虑外生变量的广义自回归条件异方差日前电价预测模型

利用广义自回归条件异方差模型预测电价,并在该模型中引入周用电比率作为外生变量,以增加模型对外界影响的响应。采用上述方法对美国PJM电力市场2004年12月份的日前电价进行预测,结果表明该方法对高峰时段电价的预测精度明显高于与之对比的其他模型,整体预测精度也好于对比模型。

基于FHNN相似日聚类自适应权重的短期电力负荷组合预测

提出一种有效的组合预测新模型进行电力负荷短期预测。不同预测模型在不同情况下的预测结果和精度有所变化,因此组合预测模型的权重应随着预测情景的变化而变化。文中将原始负荷数据分为训练集、验证集和测试集3类,并选择4种单一预测模型,即自回归滑动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、人工神经网络(ANN)和支持向量机(SVM)分别进行模型预测。对于需要预测的负荷,根据历史数据,将一年的数据先按照季度分类,再分别按照月、日、小时,利用模糊神经网络(FHNN)将其聚类。根据不同单一预测模型在不同情景下的误差计算出组合权重,从而获得组合预测模型。算例分析验证了所提出的组合预测模型的有效性和精确性。

中国电力消费与经济增长关系的实证研究

文章采用自回归分布滞后(ARDL)模型的边限协整检验和基于误差修正模型的格兰杰因果检验方法对我国1980～2009年之间的电力消费与经济增长进行了因果关系研究。边限协整检验比传统的协整检验更具稳健性,适合小样本分析。在实证分析中,首先将电力消费与GDP时间序列进行HP滤波分解为趋势部分和波动部分,分别进行协整检验和因果关系研究。分析结果表明,存在从电力消费到经济发展的显著单向长期因果关系,两者的波动之间存在明显的双向短期因果关系。此结论进一步说明了电力在我国经济社会发展中的重要地位。因此,必须加快我国电力建设来保证我国经济增长。