一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network,TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiplelinearregression,MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明:所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。

基于VIC模型的三峡库区流域小时尺度实时洪水预报

VIC模型在流域面积大于3 000 km^(2)的大型流域日或月尺度洪水模拟中表现出良好的适用性,而在大型流域小时尺度实时洪水预报过程中的适用性尚未得到验证。以三峡库区大型流域为例,通过建立小时尺度VIC分布式洪水预报模型,构建三峡库区流域实时滚动洪水预报方案,将VIC分布式洪水预报模型实地化部署并应用于2022及2023年三峡库区实时洪水预报。结果表明:VIC模型应用于2014—2021年三峡库区各子流域历史洪水模拟,率定期和验证期的洪量、洪峰平均合格率均在80%以上,确定性系数均值在0.70以上,构建的VIC分布式洪水预报模型在三峡库区及其子流域洪水模拟中表现出良好的适用性;在2022及2023年三峡库区4场典型洪水的实时洪水预报中,径流深和洪峰的平均相对误差达到16.3%和5.0%,重点产流区产流量平均相对误差为7.8%,能够准确把握库区重点产流区的洪量及来水过程,因此VIC模型在大型流域小时尺度实时洪水预报中具有较大的应用潜力。

基于多尺度分段的长时间序列预测方法

针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.

新能源配电网低碳运行长期负荷预测研究

为解决新能源配电网持续低碳运行时的长期负荷预测难度问题。提出利用多时间尺度分析法获取电力负荷数据的小波尺度,选取多个尺度进行分析获取的初步长期负荷数据,采用指数平滑法对获取的初步长期负荷数据进行平滑处理。通过对平滑处理后长期负荷数据的累加累减以及还原,构建一阶微分方程,利用灰色关联方法实现配电网低碳运行长期负荷预测。结果表明,所提方法的预测结果接近电力负荷实际值,预测误差始终低于0.3 MW,且在配电网不同时期的预测误差范围均较小。

考虑风电功率预测误差分时补偿的电热联合系统多时间尺度调度

由于风电具有不确定性,风电功率预测误差难以避免。热力系统具备储放热能力,通过调整热功率平移风电功率,可以降低风电功率预测误差的影响。但在风电并入电热联合系统时,风电变化频繁,热力系统具有较大惯性和延迟,难以与风电功率同步;同时,热力系统不同区域对电力系统指令的响应速度也不同。因此,为了解决利用热力系统补偿风电功率预测误差时响应时间不同步的问题,提出了一种考虑风电功率预测误差分时补偿的电热联合系统多时间尺度调度策略。首先,分析概率区间误差评估和实时预测误差评估的评估周期。然后,研究热力系统中供热区域和管网的时间特性。最后,在日前阶段利用响应速度较慢的供热区域补偿评估周期较长的概率区间误差,在实时阶段利用响应速度较快的管网补偿评估周期较短的实时预测误差,建立了多时间尺度调度模型。算例分析表明,所提策略实现了不同调度周期、不同预测误差评估周期、不同热力系统区域响应速度在时间上的匹配,减少了风电功率预测误差的影响,提高了系统的风电消纳能力。

基于FY-4红外资料和光流法的不同空间尺度云团的外推可预报性研究

为研究云图和不同尺度云团的外推可预报性特征,设计了一种适应于FY-4卫星红外云图(10.8μm)的云检测方法,结合区域识别算法,剥离出不同尺度的云团;使用具有HS全局约束方案的光流法,开展外推敏感试验。对2020年不同月份的12个个例的统计结果表明:对亮温云图进行外推预报时,可用光流信息接近6 h,第0.5、1和6小时亮温均方根误差分别约为4.4、7.1和16.7 K,外推预报准确率随着预报时长的增加呈指数趋势降低。为消除亮温日变化影响,对云检测结果即云团分布进行不同时长的外推预报,统计结果表明:云团位置预报偏差是外推预报在第0~1小时中误差快速增长的主要原因,云团面积和位置的预报偏差是第1~6小时中误差的主要组成。>2000 km、200~2000 km、20~200 km、<20 km等尺度云团的可参考外推时长分别不超过6、1.5、1 h和15 min;外推“所有”尺度云团的预报主要体现了>2000 km尺度云团的外推预报特征;外推预报准确率随着云团空间尺度的减小而降低,这与不同尺度云团的物理属性演变特性、生命史长短等要素密切相关。以上研究结果对红外云图外推预报业务应用有一定指导意义。

基于时间卷积神经网络和双尺度特征选择的混合碳价预测模型

针对传统碳价格预测模型存在的过拟合和无法有效提取相关特征的问题,提出了一种混合预测模型。首先,通过改进的完全自适应噪声集成经验模态分解算法对原始序列进行分解,以降低数据的波动性和复杂性;然后,用模糊熵对剩余子序列进行重构;此后,利用偏自相关函数和随机森林对子序列进行双尺度特征选择,确定最佳输入维度,以减少不相关特征的输入;最后,通过时间卷积网络进行预测。实验结果表明,与对比模型相比,所提出的模型具有优越性和鲁棒性。该研究结果可为碳市场发展和减排路径相关研究提供有意义的参考。

基于混合神经网络的多时间尺度负荷预测

精准的负荷预测对于电力系统保持经济、可靠运行有十分重要的意义,电力系统规划、运行、电力市场竞价系统的设计等都需要不同时间尺度的负荷预测结果,然而现有研究大多围绕一个时间尺度展开,单一模型难以满足实际工程需求。造成这一现象的原因在于模型预测结果的误差会随着预测时间尺度的延长而出现不同程度的增加,预测难度大,并且影响负荷的因素大多分布在不同时间尺度的数据上,难以充分利用。针对以上问题,本文在考虑负荷曲线的定积分与对应时间内用电量之间约束关系的前提下,提出融合多时间尺度数据的混合神经网络模型。该模型的损失函数同时考虑了点预测结果的误差以及负荷曲线定积分的物理意义,增强了负荷时间序列中各个元素之间的几何相关性。并且利用神经网络将短尺度数据提取为抽象的综合数据后,与长尺度数据拼接组成新的特征向量,用于预测不同时间尺度的负荷值。算例结果表明,本文提出的模型在实际的变压器负荷数据上能够实现多个时间尺度的预测并且有效提高预测精度。

基于Blending集成学习模型的电力市场日前出清电价预测

精准的掌握未来电价信息对把握市场的运行状态、支撑市场参与各方进行有效决策、推动市场主体合理优化资源配置具有重要意义。因此基于Blending集成学习机制构建了一种面向于日前电价预测的综合模型。该模型充分考虑电价的高波动性特点,采用Ashin变换,减小了输入数据波动性对预测模型的影响;选取SVM、LightGBM、EWNN、SARIMAX 4种较为成熟的单一电价预测模型作为初级学习器,进而保证了基于Blending集成学习模型的预测精度。选用美国PJM电力市场实际运行数据对上述构建的电价预测模型进行验证,通过对预测结果的对比分析,表明构建的基于Blending集成学习机制的电价综合预测模型集成了多种传统预测模型的优点,具有较好的准确性与稳定性。

基于时域卷积网络的风力涡轮机发电功率多时间尺度预测

基于时域卷积网络,提出一种风力涡轮机发电功率的多时间尺度预测方法。首先,对影响发电功率的若干数据进行清理和归一化处理,减少异常值所带来的不良影响。其次,为了能够有效地捕捉时间序列数据中的动态特征,搭建了一种三层结构的时域卷积网络模型,对风力涡轮机未来一段时间内的发电功率进行预测。最后,利用公开数据集进行仿真实验,验证所提出模型的有效性,并对不同时间尺度的预测结果进行对比分析。

基于LSTM-NeuralProphet模型的城市需水预测方法研究

城市水资源规划和管理是确保城市可持续发展和居民生活基本需求得到满足的关键环节,城市短期需水预测是城市水资源规划和管理的基础。由于气温、降水量和蒸发量等随季节变化明显,直接影响不同季节的用水峰值、高峰期,导致传统基于时间序列算法的固定时隙预测无法适应时隙的变化,从而不能保证预测精度。针对固定时隙预测精度低的问题,研究了基于四季24 h时间分辨率和夏季15 min时间分辨率的双时间尺度城市短期需水预测模型。该模型使用Anomaly-Transformer模型进行异常值检测,并通过分段曲线拟合对异常值校正,采用主成分分析法对城市短期需水影响因子进行分析提取主成分,在AutoML的标准模型分析中选取三个效果最好的模型作为Stacking模型的基学习器再结合长短期记忆网络(Long Short-Term Memory,LSTM)和Optune框架超参数优化后的NeuralProphet模型对双时间尺度的城市短期需水量进行预测,同时加入安全网机制,以保证LSTM-NeuralProphet模型的精确度。与其他模型(LSTM模型、NeuralProphet模型、BP神经网络模型)相比,LSTM-NeuralProphet模型的平均绝对误差在四季24 h时间分辨率的数据集上降低了0.18%~1.96%,在夏季15 min时间分辨率的数据集上降低了0.45%~11.90%。实验结果表明,LSTM-NeuralProphet模型具有更好的拟合效果和更高的预测精度,能较准确地预测双时间尺度下的城市需水量,可以较好地应用于城市短期需水预测研究中。

基于多尺度特征融合与双注意力机制的多元时间序列预测

多元时间序列的各子序列包含不同时间跨度的多尺度特征,现有时间序列预测模型不能有效地捕获多尺度特征以及评估其重要程度。提出一种基于多尺度时序特征融合与双注意力机制的多元时间序列预测网络FFANet,有效融合多尺度特征并关注其中重要部分。通过多尺度时序特征融合模块中并行的时序膨胀卷积层,使模型具有多种感受域,从而提取时序数据在不同尺度上的特征,并根据重要性对其进行自适应融合。利用双注意力模块对融合的时序特征进行重新标定,通过分配时序和通道注意力权重并加权至对应的时序特征,使FFANet聚焦对预测有重要贡献的特征。实验结果表明,相比AR、VARMLP、RNN-GRU、LSTNet-skip、TPA-LSTM、MTGNN和AttnAR时间序列预测模型,FFANet在Traffic、Solar Energy和Electricity数据集上的RRSE预测误差分别平均降低0.1523、0.1200、0.0743、0.0354、0.0215、0.0121、0.0200。

基于API模型的中小水库洪水预报理论研究与系统开发

入库洪水实时预报是中小水库管理单位共同面临的难题,本文运用API(前期雨量指数)产流模型配合谢尔曼单位线进行汇流计算,结合中小水库产汇流特点,合理概化并优选参数,提出了一种适用于中小水库入库洪水实时预报方案,进一步基于国产组态软件实现二次开发,设计了一款适用于中小水库入库洪水预报软件,适配国内主流水情自动测报系统。以重庆某水库2013-2022年实测入库流量为研究对象,结果表明本预报方案具有一定精度,可供无洪水预报系统中小水库管理技术人员参考使用。

我国北方沙尘暴与强沙尘暴过程的分形特征及趋势预测

沙尘暴是一种常见的灾害性天气现象。由于其爆发的频繁性和危害的严重性，沙尘暴趋势预测的研究已经成为了国内外专家学者关注的热点和焦点。在回顾相关研究进展的基础上，借助于分形理论在处理复杂系统方面的独特切入点，利用1954-2002年中国北方720个气象站的沙尘暴观测资料和681个气象站的强沙尘暴观测资料，分析了近49a来，我国北方沙尘暴及强沙尘暴事件的时序分形特征，并运用R／S分析方法对其变化趋势进行科学预测。研究发现，我国北方地区沙尘暴及强沙尘暴事件具有近似一致的变化态势，即自20世纪50年代以来呈逐渐减少，但近期又相对增多的变化趋势。1954-2002年沙尘暴及强沙尘暴事件的时间序列具有分形特征，其关联维数分别是2．64和3．34；平均可预测时间尺度分别为7～8a和8～9a。Hurst指数能够较好的表征我国北方沙尘暴及强沙尘暴事件的发生规律。根据Hurst指数及其变化趋势可以预测，2002年以后的7～8a内，我国北方沙尘暴事件将具有先增加后减少的趋势；1999年以后的8～9a内，我国北方强沙尘暴事件也将具有先增加后减少的趋势。

大中型拖拉机需求量混沌特征分析及预测时效研究

中国大中型拖拉机需求量是一个复杂的非线性系统.该文在分析大中型拖拉机需求特点的基础上,建立了基于混沌理论的农业装备需求特性分析及预测时效模型.采用中国1952至2004年大中型拖拉机需求量的实测数据,重点研究了其需求系统的相空间重构、关联维数的确定和柯尔莫哥洛夫熵的计算.结果表明：中国大中型拖拉机需求为混沌系统,影响需求量的因素有1～12个,最大可预测的时效为8a.

基于LSTM网络的时间多尺度电采暖负荷预测

电采暖负荷的准确预测对配电网安全稳定运行具有重要作用。为提高电采暖负荷预测精度,提出基于长短期记忆网络的时间多尺度电采暖负荷预测方法。该方法首先确定负荷预测网络模型参数,通过分析不同时间尺度下的电采暖负荷数据特征,在不同训练步长下,建立基于长短期记忆网络的电采暖负荷预测模型,实现电采暖负荷的准确预测。采用北京某地的电采暖负荷实测数据进行验证,结果表明在不同的时间尺度下,长短期记忆网络均能够实现电采暖负荷的准确预测。

一维水文要素时间序列及可预报时间尺度研究

用浑沌理论分析了一维水文要素时间序列的模式特征和中长期预报的可行性 ,并给出了水文要素可预报时间尺度的衡量指标。经过水文系统的实例研究表明 :水文系统具有混沌性 。

小波变换在短期气候预测模型研究中的应用

用小波变换的小波系数及其反演建立不同时间尺度的气候预测模型，并对昆明、玉溪和楚雄１９９１～１９９６年的月气温距平值以及滇中月降水距平值在月、季、年三种时间尺度上进行了预测试验和检验。结果表明：所建立的气候预测模型对月气温距平值预测的效果在月、季、年三种时间尺度上均是十分显著的，其对月气温距平值预测的距平符号相关准确率在月、季、年三种时间尺度的预测中已分别达到了７３．１％，７３．１％和６９．４％。对月降水距平值预测的效果则没有气温那么显著，而仅在月、季时间尺度上对雨季５～１０月的预测有比较明显的效果，对于干季１１～４月和年时间尺度上的预测则几乎没有效果。

计及风电功率预测误差的需求响应多时间尺度优化调度

风电功率预测存在误差,增加了电力系统运行调度的困难,影响系统风电消纳,降低系统运行的经济性。为了提高系统风电消纳能力,考虑风电功率预测误差,结合需求响应特点,从日前、日内和实时构建了电力系统需求响应多时间尺度优化调度模型。分析居民用户需求对电价的响应,构造日前价格型需求响应的初调度策略,并在日内根据风电功率预测偏差进行电价调整后的价格型需求响应再调度。分析工业用户和商业用户的调度补偿策略,以电网运行费用最低为目标,考虑平衡风电功率实时预测误差,建立激励型需求响应的实时调度优化模型,以提高系统风电消纳能力,降低系统弃风量。算例分析表明：所提出的优化调度策略能够较好地平衡风电功率预测误差,增加系统风电消纳量,节约系统运行成本,保证用户用电的自主性,最小化需求响应调度对其的影响。

旅游高峰期交通流量的多时间尺度预测方法及应用

对旅游交通需求进行准确的短时预测难度很大,其时空分布规律更加难以估计。为了解决该问题,提高预测精度,首先分析了旅游交通流量的多时间尺度可预测性,进而运用多时间尺度预测方法对旅游交通流量进行了预测。结果表明,模型预测性能良好、精度较高,从分类和分层的角度构建旅游交通多时间尺度预测模型、分析旅游交通流量分布和旅游交通流量动态分配,能够为旅游高峰期的道路交通运行态势快速评估和制定应急交通组织管理方案提供精确参考。