基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

宽度-深度融合时频分析的径流智能预测方法

为解决现有基于LSTM的径流预测模型易陷入局部最优的问题,提出了基于VMD-LSTMBLS(variational mode decomposition-LSTM-broad learning system)的径流预测模型。将宽度学习系统与LSTM结合,针对径流序列多噪音特点,采用时频分析方法中的变分模态分解,将径流时间序列的一维时域信号变换到二维时频平面,减少噪声对预测结果的影响。仿真结果表明:与基线模型及现有基于LSTM的径流预测模型相比,该模型的预测精度有较为明显的提高。

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

基于历史天气的区域电网负荷预测

随着社会经济的迅速发展,人们对电能的需要日益增加,但是在电网运行中,常常会出现电力产能过剩或者不足的情况,为保证电力系统安全稳定、经济运行,就必须掌握各种区域电网负荷的变化规律和发展趋势。论文对重庆市区供电分公司供电区域电网中长期负荷进行预测,提出一种预测区域电网中长期负荷的方法,即一种基于前12个月历史天气条件和区域电网负荷关联关系的多元非线性拟合的特征参数因子曲线的中长期负荷预测方法,建立基于不同算法的多种预测模型,通过归一化处理,得到的区域电网中长期负荷预测的精度高,与实际区域电网负荷之间的误差小,对于区域电网中长期负荷预测分析具有重要参考利用价值。

基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法

光伏发电在能源结构中的重要性不断凸显,而提高光伏发电量预测的准确性成为当前研究的关键问题。针对中长期光伏发电量预测问题,提出一个综合利用气候预测数据的中长期光伏发电量预测方法。首先,在基于气候预测数据的发电量预测框架中,根据气候预测数据特点和预测周期划分多重子模型以充分利用气候预测数据信息。其次,在进行数据预处理后,通过对气候特征衍生与交叉、特征筛选和选择,充分挖掘气候特征的高价值信息。然后,采取一种两重多阶段超参数寻优策略,对极端梯度增强(extreme gradient boosting, XGBoost)超参数进行调整以优化预测模型。最后,在真实光伏发电量数据上,以MAPE为标准评估预测水平,验证所提中长期光伏发电量预测方法的有效性。相关实验结果表明该方法可以有效提高光伏发电量预测精度。

考虑上游来水影响的中长期径流预报

雅砻江流域地面气象站点不足、分布不均,难以获得精确的流域面降雨资料,加之传统中长期径流预报模型泛化能力有限,中长期径流预报存在较大瓶颈。充分考虑流域水库间的物理联系,基于上下游水库流量变化在时空上的相似性,对1957年~2020年锦屏一级水库和二滩水库的历史月径流数据进行主成分分析,使用BP人工神经网络、随机森林和支持向量回归3种机器学习方法建立3种径流预报模型,通过决定系数R^(2),合格率Q R以及平均相对误差MRE三项指标构成的评价体系对预测结果进行评估。结果表明,上游水库对于下游水库的入库流量具有显著影响,且3种模型在二滩水库中长期径流预报上均具有较好的预报效果(R^(2)>0.8、Q R>0.7、MRE<0.2)。随机森林模型模拟效果整体优于BP人工神经网络和支持向量回归模型,3种模型均具有较好的实用性,能为流域水资源精细化调度及科学管理提供数据基础。

基于SST的桓仁水库中长期入库径流预报研究

将浑江流域与海洋表面温度(SST)的多极耦合中长期预测方法相结合,建立了桓仁水库中长期入库预报模型,并根据模型模拟,确定与浑江流域径流相关度较高的影响因子。选取浑江流域1988—2017年径流资料进行模型参数率定,利用2018、2019年径流资料对模型进行检验。结果表明,模型预报结果与实际情况较为吻合,预报误差较低。本预报模型可为浑江流域中长期径流预报工作提供新的思路和方法。

基于径流特性分解的月径流集成预测模型研究

揭示混沌径流序列中的规律特性可使预测径流的可解释性、精度大幅提升。针对中长期径流序列的周期性、趋势性特征,收集洪泽湖流域吴家渡站1959~2019年实测月径流资料,提取径流周期成分和趋势成分,依据各成分的径流特性,选取契合物理特性规律的极限梯度下降(XGBoost)预测模型进行趋势成分预测,选择善于捕捉混沌规律的长短期记忆神经网络(LSTM)进行残差成分预测,构建了一种基于径流特性分解的XGBoost-LSTM集成预测模型,采用该模型对洪泽湖流域吴家渡站月径流序列进行预测,并将预测结果与XGBoost、LSTM、随机森林、BP等单一预测模型进行比较。结果表明,基于特性成分提取的XGBoost-LSTM集成模型的预测精度高于单一径流预测模型,能够利用径流序列规律特性,充分发掘预测模型优势,有效提升径流预测精度。

基于数据融合的中长期概率性负荷预测方法研究

月度负荷预测是电力系统中长期运行和营销工作开展的基础,概率性电力负荷预测能够刻画中长期不确定性,更好地支撑新型电力系统负荷评估和调控策略制定。在此背景下,以系统负荷作为研究对象开展中长期概率性预测方法研究,提出了基于细粒度数据融合的中长期概率性预测方法。首先,根据影响因素建立小时级的多元线性回归模型对细粒度的负荷进行建模,再根据影响因素的不同预测值生成未来不同场景下的细粒度预测结果。其次,根据“自下而上”的时间层级协调策略,对每一个场景均进行月度聚合,生成不同层级地区的月度负荷预测结果,形成概率性预测结果。最后,以中国东部某区域及其下辖地区的负荷数据为例,验证了方法的有效性。

基于情景分析的中国氢能产业中长期预测研究

进入21世纪以来,在应对气候变化行动的推动下,氢能产业发展的热度持续升温,能源行业对氢能在难减碳领域发挥关键作用、推动产业低碳转型的认识不断深入。未来数十年,氢能将在推进能源体系、电力系统和产业体系转型升级的进程中担当重要角色。文章分析了我国氢能产业发展现状,以能源中长期预测研究为依托,提出了开展中国氢能产业预测研究的基本方法和思路,研判了我国氢能产业发展的未来趋势和成长空间,测算了低碳氢能产业发展可能对我国实现碳中和目标产生的贡献。

基于PCA-OLS模型的系统等效惯量中长期预测

为综合考虑多重影响因素与系统等效惯量之间的量化关系,本文提出一种基于主成分分析-普通最小二乘法的系统等效惯量中长期预测模型。根据电网实际调度规则搭建简化的开机方式优化模型,构建系统等效惯量中长期预测历史数据集;利用主成分分析对系统等效惯量主要影响因素的多重共线性进行消除,得到主成分表达式;进行多元普通最小二乘法回归,反标准化后得到系统等效惯量解析模型。根据某电网能源发展规划数据,对未来系统惯量水平进行推演,可快速预估不同运行方式下系统等效惯量的演化趋势及非同步电源承载能力。

基于VMD-LSTM的水库中长期径流预测模型

针对径流时间序列非平稳、非线性、变异性强等复杂特点及传统的直接预测方法干扰性强等问题,采取“分解-预测-重构”的策略,耦合变分模态分解(VMD)方法和长短期记忆神经网络(LSTM),构建基于VMD-LSTM的中长期径流预测模型。首先采用VMD方法对历史中长期径流序列进行信号分解和预处理,得到一系列相对平稳的子序列;然后利用LSTM模型对每个子序列进行建模和预测;最后加和各个子序列结果得到重构的径流预测。池潭水库的月径流预测结果表明,与单一LSTM模型比,其均方根误差、平均绝对误差、平均绝对百分比误差分别下降52.6%、49.9%和45.1%。时间尺度的改变会影响径流预报的准确性,预测步长从1个月增至3个月,确定性系数由0.84降至0.68。

百色水库入库径流中长期预测方法比较研究

以郁江流域百色水库入库径流为研究对象,分别采用基于水文气象因子的逐步多元回归模型、人工神经网络模型(气象因子)和基于时间序列的混沌理论模型、最近邻抽样回归模型、小波分析法、神经网络—自回归模型共6个模型方法对百色水库年尺度、月尺度以及旬尺度入库径流进行中长期径流预报工作,随即采用平均相对误差、合格率、TS评分以及均方根误差4种评价指标对上述6个模型的预测结果进行精度评估,并依据熵权法的理论对上述4种指标进行客观赋权形成综合性指标分析体系,来确定最优模型以进行郁江流域百色水库不同尺度和预见期的入库径流中长期径流预报工作。结果表明:各模型预报结果中的平均相对误差相对较大,但其所对应的合格率以及TS评分指标均处于优良水平;月尺度预报过程中,各模型非汛期预报精度都要高于汛期预报精度。结合各模型自身特点以及综合性指标分析的基础上,可在年尺度中长期径流预报过程中采用神经网络—自回归模型、月尺度中长期径流预报过程中采用混沌理论模型,旬尺度中长期径流预报过程中依据不同的预见期分别采用人工神经网络模型(气象因子)以及小波分析法进行相关的中长期径流预报工作,从而为郁江流域百色水库制定未来中长期调度计划提供技术支持。

基于多因子的中高纬度干旱区长期径流预报研究

以额尔齐斯河(以下简称“额河”)流域为例,开展了基于多气候因子的中高纬度地区径流预报的研究。额河流域深居内陆,准确筛选出主要影响因子是开展该流域中长期径流预报的关键。根据额河流域地理位置特点,确定北半球500 hPa高度场、ENSO、结冰期北极海冰面积三类气候因子作为影响流域降水的主要因素。通过典型相关分析(Canonical Correlation Analysis)方法对影响因子与额河年径流量总体相关性进行分析,并在此基础上建立了年径流量预报的典型回归方程。研究结果表明,基于多因子情景下的额河年径流量与气候因子整体相关性高,径流预报结果在满足同号率要求的同时,也符合精度要求,可作为该河流中长期径流预报模型。研究结果对额河流域开展生态调度实践提供支撑,也对中高纬度干旱区域径流预报具有参考意义。

促进可再生能源市场化的省内中长期运行策略研究

针对可再生能源市场化进程的加快,结合中国电力市场建设现状,对促进可再生能源市场化消纳的省级中长期交易机制以及与现货市场的衔接问题进行研究。利用资源分布特点,提出以可再生能源消纳及常规机组合约完成进度偏差为目标的电量分解模型,针对可再生能源的不确定性,提出基于多场景集的ANFIS预测技术进行可再生能源中长期电量预测,以此为基础进行电量分解,提升可再生能源利用率;建立计及中长期合约分解电量及可再生能源出力不确定性的日前市场出清策略,保证中长期合约电量的物理执行,实现与现货市场的有序衔接。最后通过算例分析验证所提模型的有效性和实用性。

流域年径流预报方法及因素影响分析

【目的】高精度的长期径流预报是水利工程运行的重要基础支撑,然而影响径流预报精度的预报因子选择、模型构建、径流分解中决定性因素不明,阻碍了预报精度的提升。【方法】基于信息熵筛选天文、全球和流域尺度预报因子,分别构建多元线性回归、神经网络、随机森林模型,结合STL算法分解径流,形成多种预报方案,量化预报因子、模型及径流分解三个因素对长期径流预报的贡献。【结果】在英那河、碧流河及桓仁水库的实例研究中,以气候因子、天文因子与流域因子组合(C+A+W)为输入,在对年径流进行分解的前提下利用随机森林模型进行预报,测试集的纳什效率系数分别为0.92、0.84、0.84。在影响因素分析中,预报因子对英那河、碧流河及桓仁水库年径流预报的精度贡献占比分别为0.30、0.30、0.27。【结论】对于三个水库,均是包含三个尺度的预报因子预报精度最高,随机森林模型表现最优,径流分解能一定程度提升预报精度。预报因子的选择是精度的主要影响因素;另外,与预报因子有关的因素之间的相互作用也不容忽视。本文可为长期预报方案的制订和精度提升提供新思路。

浙江省中长期电力负荷需求预测分析

随着目前电力市场的深入改革,为了实现电网的规划合理,合理预测浙江省中长期电力需求非常必要,本文搜集了可能影响电力负荷的众多宏观经济影响因素,通过相关分析先去除一部分影响不大的因素,然后建立了一个浙江省中长期电力负荷预测的多元线性回归模型,并进行了模型的验证。验证结果表明该模型预测精度比较高,可以进行浙江省的中长期的电力负荷预测。对于科学编制浙江省电网中长期电力发展规划,促进电力工业与国民经济协调发展具有重要意义。

基于雨课堂的“中长期天气预报与短期气候预测”课程教学模式探讨

随着信息技术的快速发展,雨课堂作为一个全新的网络教学平台,将其运用在“中长期天气预报与短期气候预测”课程教学中,通过将线下教学和线上网络学习较好地结合起来,有利于师生通过课前预习、课中讲授和课后复习三个环节进行多元互动与探究学习,以此发挥师生在整个课堂教学过程中的重要作用,达到提升教师教学效果及提高学生学习效率的目的。与传统教学模式相比,基于雨课堂的混合教学模式充分地将教师与学生联系了起来,从根本上让学生从被动学习转变为新型的主动学习,不仅增强了学生的积极主动性,而且显著提高了该课程的整体教学效率,为学生的学习和就业打下了良好的基础。

基于CEMD-CNN-LSTM的中长期电力负荷预测

针对诸多复杂因素影响电力负荷在中长期运行阶段中的预测准确度的问题,提出一种卷积神经网络(CNN)与长短期记忆网络(LSTM)混合的预测算法,从而达到优化负荷预测性能的目的。CNN-LSTM混合预测算法利用模态分解法将负荷数据进行分解,并将其转化为本征模态分量IMF及残差两个部分。同时,引入k均值聚类方法,确定最优聚类标签,搭建神经网络并完成数据输入。在形成特征向量的过程中,运用神经网络挖掘数据间的各类特征并进行预测。最后,采用线性相加的形式处理预测结果,获取预测负荷。仿真结果表明了CNN-LSTM混合预测算法在预测速度与精度上的性能更为优越。

基于随机森林与深度神经网络的水库枯季入库径流中长期预报

准确可靠的枯季中长期入库径流预报对于指导水库枯水期开展水量调度等具有重要意义。本文以公平水库为研究对象,首先利用随机森林模型(RF)对水文气象因子进行筛选,然后基于深度神经网络模型(DNN)构建水库枯季入库径流中长期预报方案。结果表明:DNN模型对公平水库枯季中长期径流的模拟结果较好,率定期Nash系数为0.952,验证期为0.774,模型具有较强的泛化能力;次年3月的模拟精度较其他月份更优,受异常海温指数的影响,验证期次年1月的模拟结果较差;由于RF模型筛选预报因子侧重点的不同,当量级增大时,DNN模型出现了模拟结果较小量级时明显偏小的情况。