基于DNN-NKDE的公交车驻站时间概率区间预测

针对公交车在站台驻站时间的影响因素分析,考虑在复杂的乘车模式下引入驻站时间概率区间预测的概念。通过DNN算法构建驻站时间预测模型得到预测结果,统计预测值与真实值的误差集并划分为多个子区段,对每个子区段采用非参数核密度估计算法构建概率区间预测模型,估计重组各子区段在某置信水平下的公交车驻站时间概率区间预测结果。利用济宁市公交车到离站等信息数据,验证方法的有效性和可行性。

一种新型日前光伏功率概率区间预测方法研究

面对大量光伏出力并网,其带来的波动性和不确定性给智能微电网的控制和设计带来了很大的挑战。因此,文章提出一种基于WD-BiLSTM-NPKDE的日前光伏功率概率区间预测方法。首先,利用小波分解方法进行数据信号分解,进一步消除随机性、波动性对预测精度的影响;其次,将分解后的分量输入到BiLSTM模型进行训练;再次,采用非参数核密度估计求解概率预测结果;最后,得到给定置信水平下的光伏功率预测区间。算例结果表明,该方法能有效得到光伏功率区间。

基于VMD-GRU和非参数核密度估计的风电功率概率区间预测

提出一种组合的风电功率概率区间预测模型。采用变分模态分解(variational mode decomposition,VMD)算法降低风电功率序列的不平稳性;基于门控循环单元(gated recurrent unit,GRU)神经网络构建点预测模型,得到风电功率的点预测值及误差集,并将误差集划分为多个子区段,对不同的子区段分别采用非参数核密度估计(nonparametric kernel density estimation,NKDE)算法构建概率区间预测模型;将各子区段预测结果进行重组,估计得到在某置信水平下的风电功率概率预测区间。利用我国某实际风电场的历史数据进行仿真研究,验证了所提出方法的有效性。

基于BP神经网络与非参数核密度估计的短期风电功率概率区间预测

考虑到风电功率确定性预测已不能满足电网调度和电网规划的要求,提出了一种基于BP神经网络与非参数核密度估计的短期风电功率概率区间预测方法。在利用神经网络进行功率点预测的基础上,将功率进行分区段误差统计,求取各区段核密度估计的概率密度函数,并在给定置信度下,预测风电功率波动区间。通过对我国依兰风电场数据进行仿真与分析,表明该方法具有良好的实用性,在置信度为90%下,各项评价预测指标均满足工程需求。

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。

基于出行链特征的地铁换乘公交客流概率区间预测

为精准分析地铁换乘公交客流的时变差异波动范围,提出应用概率区间预测模型预测换乘客流量.首先,对公交和地铁数据处理与关联匹配,构建公共交通出行链提取的数据基础.然后,利用判别换乘关系的合理匹配阈值方法提取公共交通出行链,分析基于出行链的出行基本特征,获取地铁换乘公交客流量.接着,针对点预测精度不够等问题,提出采用DeepAR模型开展区间预测,其中输入为换乘客流量,输出为预测的客流中值和客流区间,预测场景有工作日、非工作日、工作日早高峰以及晚高峰.其次,为减小预测误差,利用粒子群算法(PSO)优化DeepAR模型,构建PSO-DeepAR组合模型.最后,利用北京西直门地铁站数据进行验证.结果表明,PSO-DeepAR模型预测准确,90%置信区间覆盖率最高能达到93.6%.

基于结构化负荷模型的电力负荷概率区间预测

为了考虑电力负荷的不确定性,概率和区间预测成为电力负荷预测的重要方式之一。针对传统的负荷概率及区间预测方法没有考虑不同负荷成分的不确定性对电力负荷影响的问题,在分析电力负荷成分的基础上,基于结构化电力负荷模型提出一种电力负荷概率及区间预测方法。首先,对电力负荷的成分进行分析,针对不同负荷成分分别进行建模,构成结构化电力负荷模型;然后,基于历史负荷数据采用变分贝叶斯估计算法训练模型参数的后验概率分布;最后,基于训练完成的模型对未来负荷的概率分布进行预测,从而实现电力负荷概率区间预测。采用实际电力负荷数据进行验证,并与其他方法进行对比。实验结果表明,所提方法取得了较高的预测区间覆盖率和较窄的预测区间宽度。

基于BiGRU-Copula的多重不确定性变量的概率区间预测方法

有效的概率预测方法有助于提升电网企业调度运行的经济性、可靠性。提出了一种基于BiGRU-Copula的多重不确定性变量的概率区间预测方法。首先引入深度学习方法,建立基于BiGRU的区间概率预测模型;然后建立针对多重不确定性因素概率特性采样的Copula模型;通过采样得到不同预测场景。基于真实历史数据设计仿真算例,结果表明:BiGRU适用于时序型序列的概率预测,基于Copula函数的采样方法能够更好地捕捉多元时变分布的统计信息,所提方法的预测结果更贴近真实情况。

基于交叉熵随机抽样算法的河流水质概率区间预测研究

采用交叉熵随机抽样算法,对辽宁西部某河流水质概率区间预测,并分析不同概率下研究河流总磷和总氮变化波动曲线。分析结果表明:交叉熵随机抽样方法适用于河流水质概率预测;经预测研究河流总氮浓度在0.46~0.56 mg/L,概率最高为0.546 2,总磷浓度在0.13~0.15 mg/L,概率最高为0.621 7;水质变化波动曲线的外包线概率为10%。研究成果可以为水质预警提供重要依据。

基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测

精确的短期光伏功率区间概率预测可以有效量化光伏功率预测的不确定性,对于新型电力系统运行调度避险至关重要。为了提高模型预测性能,基于气象变量的数据特征提出模糊C均值(fuzzy C-means,FCM)聚类方法,将历史数据集聚类为晴天、晴转多云和阴雨天,采用与测试集具有相似天气类型的历史数据作为训练样本训练模型;集合卷积神经网络(convolutional neural network,CNN)模型出色的特征提取优势,双向长短期记忆(bidirectional long short term memory,BiLSTM)神经网络模型擅长双向捕捉长时间序列中长期依赖关系的优势,以及可生成区间预测结果的分位数回归(quantile regression,QR)模型,提出QR-CNN-Bi LSTM深度学习融合模型,计及筛选得到的多种气象因素,对光伏功率进行以5min为间隔的精细时间粒度分类区间预测,最后采用交叉验证和网格搜索方法的核密度估计给出概率密度预测结果。选取多种评价指标对提出的模型进行评价,并与QR-LSTM、QR-BiLSTM模型预测结果做对比分析,结果表明:1)FCM算法能有效实现光伏历史数据集的聚类;2)QR-CNN-BiLSTM融合模型能够生成以5min为间隔的高质量区间预测结果,95%置信预测区间综合评价指标平均值由QR-LSTM、QR-BiLSTM的0.1371、0.1288减小到0.0971;3)基于交叉验证和网格搜索方法的核密度估计能够实现可靠的光伏功率概率密度预测结果生成。

基于改进蒙特卡洛算法的河流水质概率区间时空变化预测研究

文章引入交叉熵抽样方法对蒙特卡洛随机抽样进行优化和改进,并将改进算法结合水动力-水质模型对云南中部某河流水质概率区间时空变化进行预测。结果表明:改进算法在河流主要水质指标趋势的预测精度上好于传统算法;研究河流氨氮浓度在0.33~0.35mg/L的累积概率最高为0.702,而溶解氧浓度在4.31~4.51mg/L,累积概率最高达0.646;改进算法可估算不同概率下各水质指标随时间变化的波动曲线,可以河流水质预警提供关键依据;研究河流中上游出现高浓度氨氮和低浓度溶解氧的概率高于下游。研究成果对于河流水质预警系统构建提供重要依据。

交叉熵随机抽样算法在营口地区河流水质浓度区间概率预测分析中的应用

结合交叉熵随机抽样算法对营口地区某河流水质浓度区间的概率进行预测。结果表明:该算法可实现营口地区河流水质概率区间的预测,区域总氮浓度在0.47~0.57 mg/L的概率最高,达到0.710 6,总磷浓度在0.12~0.14 mg/L的概率最高,达到0.660 3,其概率区间的外包线为15%。成果对于营口地区河流水质预警具有重要的参考价值。

风电并网关键技术:风电的直接概率预测(英文)

风电是一种重要的可再生能源,但风电具有的高波动性和随机性使其大规模并网运行面临各种困难和挑战。准确的风电功率预测是减少风电并网风险的关键技术之一。由于风电功率时间序列的高度波动性,传统的基于点预测方法无法提供可靠的风电功率预测结果。基于概率区间的风力发电预测技术能够同时量化预测误差和相关概率,从而降低由于预测误差带来的各种风险,可以更有效地支持电力系统应对各种不确定性和风险。首先总结风电功率预测技术的最新发展,然后提出了一个基于超级学习机和进化计算的方法直接生成风电预测区间。相较于已有的方法,所提出的算法优点在于能够直接通过一次性优化过程产生预测区间,从而在保证高有效性的前提下简化了模型和计算量,避免了传统方法中包含的误差数据分析等高计算量的步骤。通过丹麦实际风电场数据对所提出的方进行了各种测试,结果表明该方法能够高效和准确地提供风电功率概率预测区间。

基于优化BP神经网络和非参数估计的风功率区间预测

在含大规模风电的电力系统中,基于风电存在固有的不确定性问题,提出一种基于优化BP神经网络和非参数估计的风功率短期区间预测模型。通过训练BP神经网络得到短期风功率点预测值并针对在训练过程中对网络的初始值非常依赖这一问题,采用灰狼优化算法优化网络的初始参数;在风功率点预测的基础上,利用非参数核密度估计来描述预测误差的概率分布,构造出某一置信度下的预测区间。选取某一风电场的实际测量数据进行实验,结果证明,所提出的模型具有较好的预测精度。

基于非参数回归模型的短期风电功率预测

随着风电接入规模的增加,风电功率预测日益重要。非参数估计方法是模型估计和预测的典型方法之一,在国内短期风电功率预测中尚无应用。文中将非参数回归技术应用于短期风电功率预测,包括风电功率点预测和风电功率概率区间预测。首先,基于非参数回归模型,建立风速与风电功率之间的转换模型,得到风电功率的点预测值;其次,基于经验分布模型与非参数回归技术,建立风电功率预测误差的概率分布函数,得到风电功率预测值的概率区间。以内蒙古某风电场为例,验证了将非参数回归技术应用于风电功率预测的有效性。

光伏发电功率预测及储能系统参与的源-荷平衡分析

为统筹协调光伏发电功率消纳,在光伏电站引入储能系统,结合光伏功率预测,平抑光伏发电功率波动,降低对电网的冲击,进一步提高电网系统稳定性。在光伏发电功率预测中,充分考虑光伏设备离线等突发因素对功率输出的影响,对储能系统接入位置进行比较分析,选择在光伏发电系统并网点前的直流侧接入,相对减少损耗,提高效率。分析结果表明,该方案有助于系统优化运行和调度管理,具有较好的工程应用潜力。

一种风电功率混沌时间序列概率区间简易预测模型

本文基于极限学习机构建了一种简易模型以直接输出风电功率概率区间.同时,为优化模型训练过程中输出区间的性能,本文基于对数据集区间带偏差信息的分析构建了一种新的优化准则,并采用量子细菌觅食优化算法以获取问题的最优解,提高模型泛化能力.对比分析两个风电场在不同置信水平和不同优化准则下的概率预测结果,仿真表明本文模型具有更高的可靠性和更窄的区间带宽,可为风电并网安全稳定运行提供决策支持.

利用储能提高风电调度入网规模的经济性评价

受自然条件的影响,风电功率预测的精度依然较低。在大规模风电基地联网运行的场景下,直接利用风电功率预测信息进行风电调度决策,会给电力系统的安全运行带来风险。储能系统具有对功率和能量的时间迁移能力,能够有效应对风电功率预测误差,确保电网的安全运行。然而,在目前的技术经济水平下,储能系统造价昂贵,利用储能系统提高风电的调度入网规模是否可行,需要从经济性角度进行系统评估。该文提出利用储能减小风电调度风险的"源网协调"调度方法,构建了储能系统经济性评估模型,分不同的概率区间预测场景评估了利用储能系统提高风电接纳规模的可行性,研究结果能够为利用储能系统提高风电调度入网容量提供决策依据。

大气参数对导线交流起晕电压的影响及校正

高海拔线路走廊的环境温度、气压及湿度变化较大，这对导线的电晕特性会产生一定的影响，目前关于这些大气参数综合作用下的导线电晕特性研究较少。在大型人工气候室改变气温、湿度及气压，对4种直径的光滑导线模型进行了交流电晕试验。结果表明：在气压与绝对湿度一定的情况下，单纯改变气温对起晕电压的影响很小；气压对起晕电压的影响随绝对湿度的增加而减小；在低湿度区，起晕电压随绝对湿度的增加缓慢上升，在高湿度区则会下降。模型计算结果与试验值在低湿度区吻合较好，但在高湿度区偏差较大。指出现有模型未考虑高湿度下导线表面的凝露是导致计算结果与试验结果误差较大的原因，得出了考虑不同导线直径、气压、湿度影响的起晕电压计算公式与预测方法。