基于分位数回归神经网络的重庆市用电负荷预测分析

2022年,中国多地最高气温突破历史极值,多日极端高温天气造成重庆市出现较大用电缺口。因为长期电力负荷的预测存在较大的不确定性,所以选取分位数回归神经网络模型对重庆市未来几年的用电负荷做出预测分析,与几种预测方法对比分析后,明确分位数回归神经网络模型预测准确程度更高,并于样本外预测了2023—2027年重庆市年用电负荷。最后基于预测结果提出一系列恢复正常用电负荷增长的措施,为相关电力部门的规划与建设提供建议。

基于VaR和集成神经网络分位数回归的短期负荷概率预测

短期负荷预测在电力系统规划与运行中起着重要作用。提出一种融合注意力机制和分位数回归的混合卷积双向长短期神经网络短期负荷概率预测模型。首先,利用相关性分析选取合适的天气变量和历史负荷。其次,通过Copula模型计算出风险阈值,该值被用于构造峰值二进制指示输入特征。接着,将所选特征集输入到卷积双向长短期神经网络预测模型,引入注意力机制给予数据不同关注。然后,采用核密度估计对负荷进行概率预测。最后,使用平均绝对百分比误差和均方根误差对模型预测性能进行评估。仿真结果表明,该模型具有更高的预测精度。

基于主成分分析和长短期记忆神经网络的光伏功率区间预测

针对光伏发电功率的随机变化,提出一种基于主成分分析和长短期记忆神经网络的光伏功率区间预测方法,有效实现了光伏功率的区间预测。首先,将用于训练模型的输入数据进行主成分分析法降维,在提取数据特征的同时降低数据维度;然后,将降维后的数据与真实光伏功率一同输入基于分位数的长短期记忆神经网络预测模型中迭代训练,得到训练完毕的预测模型;最后,在对比仿真中验证了所提方法的有效性。

基于RBF神经网络分位数回归的电力负荷概率密度预测方法

针对电力系统短期负荷预测问题,在现有的组合预测和概率性区间预测的基础上,提出了基于RBF神经网络分位数回归的概率密度预测方法,得出未来一天中任意时期负荷的概率密度函数,可以得到比点预测和区间预测更多的有用信息,实现了对未来负荷完整概率分布的预测。中国某市实际数据的预测结果表明,提出的概率密度预测方法不仅能得出较为精确的点预测结果,而且能够获得短期负荷完整的概率密度函数预测结果。

基于神经网络分位数回归的VaR金融风险测度

基于神经网络分位数回归给出VaR风险测度方法,一方面,通过其分位数回归功能可以揭示响应变量整个条件分布特征;另一方面,通过其神经网络结构,可以模拟经济系统中的非线性结构,从而很好地解决了VaR风险测度中遇到的2个难题:尾部风险测度与非线性关联模式。文章选取上证综指作为研究对象,将其与传统的VaR金融风险测度方法进行了实证比较,实证结果表明,基于神经网络分位数回归的VaR风险测度方法,在样本内与样本外都取得了较好的实证效果。

证券投资基金收益概率密度预测——基于神经网络分位数回归模型

证券投资基金收益往往具有更高的峰度与更大的偏度,建立在古典假定基础上的均值回归分析难以给出准确预测结果。考虑到证券投资基金收益中的高峰、非对称等典型特征与各因素对收益序列的非线性影响模式,建立神经网络分位数回归模型,一方面,可以通过分位数回归功能,揭示各因素对证券投资收益整个条件分布的影响规律;另一方面,可以通过神经网络结构,模拟金融系统中的非线性关系。在神经网络分位数回归模型基础上,对证券投资基金收益整个条件密度函数进行预测,提供比点预测更多的有用信息,便于进行科学决策。

基于神经网络分位数回归的金融风险预警

文章通过神经网络分位回归的金融风险预警研究,对2018年及2019年的金融稳定状态进行预警,选取2010—2017年24个指标季度数据建立初始金融预警指标体系,在此基础上运用聚类分析以及非参数统计方法进行指标筛选,最终保留14个金融预警指标。由k均值聚类和主成分分析方法将金融风险分为四种风险状态,继而基于神经网络分位数回归模型,建立了我国金融预警模型,对金融系统运行情况进行预测。

基于神经网络分位数回归的人民币汇率概率密度预测

中国执行以外汇市场供求为基础的有管理浮动汇率制度,人民币汇率形成机制较为复杂,其影响因素可能存在非线性效应。为此,将人民币汇率作为输出变量,其影响因素作为输入变量,考虑从输入到输出的非线性效应,构建神经网络分位数回归模型((quantile regression neural network,QRNN),有助于理解人民币汇率决定机制。选取人民币兑美元汇率为研究对象,建立了神经网络分位数回归模型并进行概率密度预测,将其预测效果同线性分位数回归、BP神经网络、线性均值回归等方法进行比较,实证研究结果表明:第一,QRNN模型通过神经网络的非线性处理能力,显著提高了预测准确程度;第二,QRNN模型通过分位数回归得到的概率密度预测结果,能够预测人民币汇率完整条件分布信息,便于科学决策。

基于神经网络分位数回归的上海市长期用电负荷预测

基于电力负荷长期预测的不确定性等特征,选取神经网络分位数回归模型对上海市用电负荷进行了预测。从测试集年份的预测值与实际值的比较可知该模型具有较高的预测精度。在此基础上进一步对上海市2018-2023年的用电负荷进行了样本外预测,预测结果表明未来几年上海市的用电负荷呈显著的上升趋势。最后,基于研究结果提出保障上海市发展成为“卓越的全球城市和社会主义现代化国际大都市”的电力系统规划与建设建议。

基于神经网络分位数回归的行业成本预测研究

针对成本在经济学系统中变化的非对称,与其影响因素之间的非线性关系,提出采用神经网络分位数回归法来研究成本与各影响因素之间的联系,并进行成本预测;该方法不仅可以通过神经网络结构模拟经济系统中非线性关系,还可以通过分位数回归功能揭示各影响因素对成本整个条件分布的影响规律;通过实证结果分析,神经网络分位数回归模型相较于OLS回归模型和分位数回归模型其预测精度更高,且揭示了各因素的影响规律,所以神经网络分位数回归模型的分析结果更科学,更有价值,更有助于相关管理决策者进行成本分析、控制和管理。

基于支持向量分位数回归神经网络的区域短期风速预测

由于风速的间歇性导致了风电系统输出的波动性,可靠的风速预测可以有效提高风电装置的稳定性。在分位数回归的框架下,提出了支持向量–分位数回归神经网络(SV-QRNN)模型。首先,采用粒子群优化算法对支持向量机参数进行优化,得到支持向量。然后采用分位数回归神经网络算法推导出风速的条件分位数,以及不同置信度下的预测区间。实验结果表明,SV-QRNN模型能够较好地平衡预测性能和时间效率。同时还可以补贴发电调度决策,并允许电力市场充分发挥作用。

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解(variational mode decomposition,VMD)和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络(convolutional neural network,CNN)提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆(long shortterm memory,LSTM)循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计(kernel density estimation,KDE)得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。

基于约束并行LSTM分位数回归的短期电力负荷概率预测方法

负荷概率预测能准确量化负荷的不确定性,为电力系统运行决策提供全面的预测信息。针对负荷的时序性特点以及现有分位数回归方法存在的分位数预测值交叉问题,提出了一种基于约束并行长短期记忆神经网络分位数回归的短期电力负荷概率预测方法。该方法结合长短期记忆神经网络与分位数回归,并行生成预测负荷的多个分位数结果,并加入考虑分位数预测值之间约束关系的组合层,以保证分位数预测值的合理性。实际算例结果表明,与常见负荷概率预测方法相比,所提方法不仅具有更高的预测效率,而且能获得更合理的分位数预测结果。

基于CNN-LSTM分位数回归的母线负荷日前区间预测

针对部分工业类母线负荷波动较大,传统点预测方法难以准确预测的问题,文中提出一种基于卷积神经网络(CNN)与长短期记忆网络分位数回归(QRLSTM)组合的母线负荷日前区间预测模型。首先,针对工业类负荷功率的高频波动,采用去噪自编码器对历史负荷数据进行降噪处理;然后,利用基于时间分布层封装的一维CNN网络进行负荷特征提取和压缩,以提升整个模型的学习效率;最后,建立含有注意力机制的QRLSTM模型进行特征学习,得到不同分位数下的负荷区间预测结果。对工业类和居民商业类2种典型的220 kV母线负荷进行了负荷日前区间预测测试,并与常规的分位数回归方法进行了对比。结果表明,文中方法获得的预测结果总体上区间覆盖率更大、区间平均宽度和区间累计偏差均更小,预测效果更好。

基于深度学习分位数回归的电力负荷区间预测方法

常规的短期负荷预测方法得到的都是确定的负荷预测序列,事实上,电力系统包含着各种不确定因素,决策工作因而面临着一定的风险。针对这一问题,提出一种基于深度学习分位数回归的电力负荷区间预测方法,预测结果能使决策者认识到未来负荷的不确定性和风险性。首先,将输入数据划分成负荷特征部分和时间天气特征部分,分别传入卷积神经网络和反向传播神经网络训练,再拼接输出后传入全连接层构成深度学习模型;然后,将该模型与分位数回归结合起来,并行生成预测负荷的多个分位数结果;最后,利用某地实际负荷数据进行了仿真。仿真算例结果表明该方法不仅可以获得更高精度(平均绝对百分误差小于1%),甚至可获得某一置信水平下的负荷预测曲线的包络线。

基于神经网络分位数回归的多期CVaR风险测度

与VaR金融风险测度相比,CVaR具有更好的数理性质,其计算方法成为关注的焦点。相对于单期CVaR而言,多期CVaR风险测度具有较强的非线性特征,其建模过程更加复杂。在神经网络分位数回归基础上,建立了一种新的多期CVaR风险测度方法;基于似然比检验,建立了多期CVaR风险测度返回测试评价准则。将该新方法应用于沪深300指数的多期CVaR风险测度,并将其与传统的测度方法进行了对比,返回测试结果表明:第一,该新方法具有较强的稳健性,各期平均绝对误差大小基本不变,特别适合于多期CVaR风险测度;第二,基于神经网络分位数回归的多期CVaR风险测度效果优于传统测度方法,表现为似然比检验拒绝次数最少和平均绝对误差最小。

城市二手房价格区间估计方法研究——基于神经网络分位数回归模型的分析

随着一些城市二手住宅成交参考价机制的落地,社会各界对二手房价格的评估方法提出更高要求。为提高评估精度,反映正确评估概率,本文提出一种二手房价格区间估计方法。首先,建立城市二手房屋微观特征体系,利用神经网络分位数回归模型得到住宅价格的条件分布,再通过核密度估计得到房价的概率密度函数,进而确定置信度下的二手房价格估计区间。利用Python语言,获取成都市49129条住宅交易的真实数据,对该方法进行实证检验。模型结果表明:该方法估计结果可靠性高,区间宽度合理;与线性分位数回归模型相比,该方法估计结果精度更高,稳定性更好。基于此,本文提出加强房地产数据共享体系建设、加强对二手房交易市场的监管等建议。

基于QRNN模型的创业板市场羊群效应的实证分析

金融时间序列普遍具有非对称性、非线性、尖峰厚尾等典型特征,本文在传统CCK模型基础上,以2013年1月14日到2016年12月20日的创业板指数成分股日收益率数据为样本,运用R软件建立神经网络分位数回归(QRNN)模型对我国创业板市场的羊群效应进行检验,实证分析结果表明:我国创业板市场存在着显著的羊群效应,神经网络分位数回归模型能够更加全面准确地揭示不同分位点处市场收益率对于横截面绝对偏离度的影响。

基于天气相似聚类与QRNN的短期光伏功率区间概率预测

为减少光伏发电的不确定性对电力系统造成的影响,描绘更为准确、清晰的光伏出力区间,提出一种基于天气相似聚类与分位数回归神经网络(QRNN)单调模型的短期光伏功率区间概率预测模型。首先,QRNN单调模型在预测过程中引入单调性,保证单调的分位数结果,并采用Huber范数近似替代原损失函数,弥补了传统区间预测分位数交叉及损失函数不可微的缺陷。其次,基于气象信息的数据特征,采用动态自组织映射聚类算法,通过神经元竞争与更新确定神经元邻域权重结构,并根据其邻域权重大小将天气聚类为晴天、多云天与阴天,得到相似天气下的数据集。然后,在不同天气条件下对影响光伏出力的因素进行相关性分析,得到不同天气下的天气影响特征,并作为输入因子输入神经网络中。最后,以澳大利亚沙漠知识太阳能中心实际数据集为例进行区间预测,并采用核密度估计给出概率预测结果,验证了所提方法的可靠性。