考虑不同充电策略的锂电池健康状态区间估计

评估锂离子电池健康状态(SOH)对于电池使用、维护、管理和经济性评价都有十分重要的意义,但当前锂电池SOH估计方法多针对特定充电策略,采用确定性估计模型,无法反映电池退化过程中的随机性、模糊性等不确定性信息.为此,提出一种适用于不同充电策略的锂电池SOH区间估计方法.该方法针对不同充电策略的电池循环充放电数据提取多个特征参数,通过交叉验证自动选择针对特定充电策略的最优特征参数组合.另外,考虑到锂电池全生命期循环次数有限,属于小样本问题,提出集成支持向量回归与分位数回归优势的支持向量分位数回归模型(SVQR)进行锂电池SOH区间估计.选用放电程度较深的锂电池充放电循环数据作为训练集,对SVQR模型进行离线训练,训练好的模型用于不同充电策略下锂电池SOH在线估计.采用具有不同充电策略的数据集验证所提方法,实验结果表明:所提方法适用于不同充电策略,且估计结果优于分位数回归法、分位数回归神经网络法和高斯过程回归法.

基于改进模拟退火遗传算法的配电网动态故障恢复策略

计及分布式电源出力波动性对故障恢复效果带来的不利影响,提出1种利用光伏出力预测的配电网动态故障恢复方案。故障发生后,首先对动态变化的光伏系统输出功率进行预测,并研究了负荷动态特性;其次,以配电网恢复重要负荷总量最大、故障恢复成本最小和故障停电损失最少为目标函数,构建基于动态树背包模型的最优故障恢复模型,该模型可快速适应配电网拓扑变化情况。采用改进模拟退火遗传算法求解最优故障恢复方案,提高了算法的收敛速度与稳定性。最后,在IEEE69节点系统进行仿真,结果表明所提算法可适应复杂配电网的故障恢复,提高配电网供电可靠性,并降低配电网故障带来的恢复成本与停电损失。

基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法

智能电网环境下,实时电价对用户用电模式的影响较大,为了提高考虑实时电价的短期电力负荷预测精度,更好地反映电力负荷的不确定性。提出了支持向量分位数回归方法,通过引入松弛变量构造Lagrange函数,得出不同分位点下的未来一天任意时刻电力负荷的预测结果。同时采用Epanechnikov核函数,将SVQR与核密度估计相结合,进行短期电力负荷概率密度预测,可得到未来负荷准确的波动范围。以新加坡的历史负荷和实时电价数据为例,进行短期电力负荷概率密度预测,结果表明该方法能够较好地解决考虑实时电价的短期电力负荷概率密度预测问题。

基于分位点回归的风电功率波动区间分析

由于风电功率具有随机性的特点,因此,仅对其期望进行分析难以反映其特征,电网运行风险也难以准确把握。为此,基于分位点回归分析理论,对风电功率波动区间,通过支持向量机自适应地选取回归函数,建立风电功率分位点回归模型,并基于内点法对该模型进行求解,实现了对未来时刻风电功率的波动区间分析。最后,采用所述方法对烟台地区电网的某风电场输出功率进行分析,结果表明该方法能够更加全面地刻画风电功率的不确定性规律,为调度、控制的风险决策提供依据。

基于支持向量分位数回归多期VaR测度

为实现VaR风险准确测度,考虑到波动聚集、厚尾与非对称等金融市场典型特征,基于支持向量分位数回归模型,研究了VaR及其影响因素之间的线性及非线性依赖关系,给出了多期VaR风险测度方法,并将其与传统VaR风险测度方法进行了比较.选取上证指数、香港恒生指数和标准普尔500指数进行实证研究,VaR回测检验结果表明基于支持向量分位数回归模型的多期VaR风险测度在样本内与样本外都有良好的表现.

基于支持向量分位数回归的货币需求条件密度预测研究

考虑到货币需求与其影响因素之间复杂的关系,基于支持向量分位数回归(support vector quantile regression,SVQR)模型,文章研究了货币需求及其影响因素之间的非线性依赖关系,给出了货币需求条件密度预测方法,并将其与传统的线性分位数回归模型进行了比较。选取中国2004年1月至2014年12月期间工业增加值、消费物价指数(consumer price index,CPI)、利率与M1的月度数据进行实证研究,结果表明SVQR模型不仅能够很好地拟合货币需求,而且能够给出准确的概率密度预测结果。

基于B样条的支持向量分位数回归

支持向量机能很好处理分类和回归问题,分位数能更全面、稳健地表达随机变量之间的关系,因此基于支持向量机的分位数回归成为非常流行的统计学习方法。当前,支持向量分位数回归方法大多是基于高斯核函数、径向基函数等,却少见使用B样条基。该文利用B样条基函数优良的拟合特性,将其用于支持向量分位数回归,给出模型的建立和求解,并给出模拟和应用研究。

基于支持向量-分位数回归的短期负荷预测及风险分析

针对智能电网中短期负荷波动性大的特点,探索建立基于支持向量-分位数回归的短期负荷预测模型,在获得较高精度预测结果的同时,预测未来一天中任意时刻负荷的概率密度函数。进一步考虑智能电网下需求响应及负荷预测准确度不同所引起电网运行规划的风险损失,提出短期负荷预测风险价值的计算方法,并搭建考虑风险评价的负荷预测模型。算例分析结果较好地验证了模型的有效性,为电力企业在智能电网环境下更好地进行短期负荷预测及相关的管理运营工作提供参考。

支持向量分位数变系数模型的估计及应用

基于不对称“ε-不敏感”损失函数提出变系数模型的参数估计方法,并应用支持向量回归理论和凸二次规划理论给出模型的估计算法.结果显示,所得估计曲线可在不同分位数水平得到一个稀疏解,而数值模拟研究和共享单车实例数据分析结果进一步证实该方法的正确性和实用性.

基于非规则分布样本的航段油耗区间估计

飞机航段油耗估计是航空公司进行节能减排的重要基础。多因素影响下的航段油耗样本的非规则分布特征会导致一般的区间估计方法得到的估计区间质量较低,针对以上问题,提出了基于支持向量分位数回归(support vector quantile regression,SVQR)和Bootstrap相结合的航段油耗区间估计方法。利用SVQR非对称形式的绝对值残差最小化的思想估计航段油耗的条件分位数,并将其作为Bootstrap的输入来估计航段油耗总体的统计量,由于相同机型、航段的油耗样本总体满足正态分布,最后构建一定置信度的估计区间。实验结果表明:该方法的估计区间可信度更高、平均带宽更窄、提高了估计区间的质量。该方法能为航空公司合理的估计油耗及制定碳排放监测计划时提供参考。

基于非线性分位数回归模型的多期VaR风险测度

多期VaR主要受到持有期及波动率两个变量的影响,并且其影响模式(线性或非线性)的确定对于准确地进行VaR风险测度至关重要。非线性分位数回归模型,能够克服线性分位数回归模型只能揭示多期VaR及其影响因素之间线性依赖关系的局限,从而提高多期VaR风险测度的准确性。结合波动模型与两个非线性分位数回归方法:QRNN和SVQR,给出了多期VaR风险测度的三类方案:波动模型法、QRNN+波动模型法、SVQR+波动模型法。选取3个股票价格指数作为研究对象,考虑了6种不同形式的波动模型,得到了18个多期VaR风险测度方法进行实证比较,结果表明:波动模型选择影响到多期VaR风险测度效果;SVQR+波动模型法略优于QRNN+波动模型法,并且两者显著优于波动模型法。