检索结果-南通市图书馆

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

在线全文

学校读者我要写书评

暂无评论

高电压技术 2022年第11期48卷 4372-4384页

作者：王开艳杜浩东贾嵘刘恒梁岩王雪妍西安理工大学电气工程学院西安710048

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... 详细信息

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。

关键词：概率区间预测深度学习分位数回归核密度估计卷积神经网络双向长短期记忆神经网络

基于出行链特征的地铁换乘公交客流概率区间预测

在线全文

学校读者我要写书评

暂无评论

Journal of Southeast University(English Edition) 2022年第4期38卷 408-417页

作者：申瑾赵建东高远冯迎紫贾斌北京交通大学交通运输学院北京100044 北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室北京100044 东北林业大学交通学院哈尔滨150040

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... 详细信息

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%.

关键词：城市交通概率区间预测深度学习地铁换乘公交客流出行链

基于改进高斯过程回归的短期负荷概率区间预测方法

在线全文

学校读者我要写书评

暂无评论

电力系统保护与控制 2020年第1期48卷 18-25页

作者：刘升伟王星华鲁迪彭显刚郑伟钦广东工业大学自动化学院广东广州510006 南方电网佛山供电有限公司广东佛山528000

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... 详细信息

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。

关键词：基于K-means的特征提取高斯过程回归短期负荷预测概率区间预测

基于随机本构模型的HTPB推进剂装药结构完整性评估

在线全文

学校读者我要写书评

暂无评论

推进技术 2024年第7期45卷 192-202页

作者：周东谟惠步青王辉陈航刘向阳曲普中北大学机电工程学院山西太原030051 北京理工大学宇航学院北京100081

针对HTPB推进剂力学性能的分散性问题,引入用对数正态概率密度函数描述的随机参数,构建随机本构模型,开展了基于随机本构模型的发动机药柱在点火增压工况下的结构完整性分析。结果表明:通过随机本构模型预测的5组应力应变曲线与试验的5... 详细信息

针对HTPB推进剂力学性能的分散性问题,引入用对数正态概率密度函数描述的随机参数,构建随机本构模型,开展了基于随机本构模型的发动机药柱在点火增压工况下的结构完整性分析。结果表明:通过随机本构模型预测的5组应力应变曲线与试验的5组应力应变曲线重合度较高,试验曲线全部落在95%的概率区间之内,随机本构模型可以较好地反映推进剂材料的分散性;药柱的力学响应与随机参数有关,最大Von Mises应力、最大Von Mises应变、最大位移、最大损伤指数及安全系数均与随机参数呈近似线性关系;基于试验曲线拟合的本构模型和基于概率区间预测的随机本构模型获得的药柱力学响应误差不超过1%,基于概率区间预测的随机本构模型可以准确预测点火增压载荷下的药柱力学响应。

关键词： HTPB推进剂分散性随机本构模型概率区间预测结构完整性

一种风电功率混沌时间序列概率区间简易预测模型

在线全文

学校读者我要写书评

暂无评论

物理学报 2014年第13期63卷 422-430页

作者：章国勇伍永刚张洋代贤良华中科技大学水电与数字化工程学院武汉430074 西澳大利亚大学电气电子及计算机学院

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... 详细信息

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.

关键词：混沌时间序列概率区间预测极限学习机量子细菌觅食优化

基于NGBoost和改进权重优化的区域分布式光伏概率功率预测

在线全文

学校读者我要写书评

暂无评论

供用电 2024年第7期41卷 19-28页

作者：郑婉婷肖浩裴玮中国科学院电工研究所北京100190 中国科学院大学北京101408

低压配电网中分布式光伏点多面广,特性不一,同时面临着大量的数据采集不完备的情形,使得区域分布式光伏的功率预测面临极大挑战,极大影响配电网的安全经济运行。针对上述问题,提出了一种基于自然梯度提升(natural gradient boosting,NGB... 详细信息

低压配电网中分布式光伏点多面广,特性不一,同时面临着大量的数据采集不完备的情形,使得区域分布式光伏的功率预测面临极大挑战,极大影响配电网的安全经济运行。针对上述问题,提出了一种基于自然梯度提升(natural gradient boosting,NGBoost)和改进权重优化的区域分布式光伏发电概率功率预测方法。首先,针对区域数据采集完备的有监测光伏电站,采用NGBoost概率区间预测方法计算单个分布式光伏站点未来时刻的完整概率分布,获取概率区间预测结果,并采用SHAP(shapley additive explanation)方法对气象特征进行可解释分析。然后,针对区域内数据采集不完备的分布式光伏电站,以数据采集完备电站的预测概率分布为信息参考源,以概率预测综合指数(coverage width-based criterion,CWC)和连续分级概率评分(continuous ranked probability score,CRPS)评价指标最小为目标,采用改进权重优化方法优化数据采集不完备电站和数据采集完备电站之间的相关性权重系数,进而估计无监测电站的功率预测概率分布。最后,以典型的区域配电网为例进行算例分析,结果表明了提出的概率区间预测方法的有效性。

关键词：分布式光伏概率区间预测 NGBoost SHAP 改进权重优化

基于BiGRU-Copula的多重不确定性变量的概率区间预测方法

在线全文

学校读者我要写书评

暂无评论

电网与清洁能源 2021年第7期37卷 25-33页

作者：涂天成刘幸三峡大学电气与新能源学院湖北宜昌443000 国网西安供电公司陕西西安710032

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... 详细信息

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。

关键词：概率区间预测 BiGRU-Copula 多重不确定性深度学习时序型序列

基于粒计算的风电功率超短期概率区间预测研究

在线全文

学校读者我要写书评

暂无评论

基于粒计算的风电功率超短期概率区间预测研究

作者：杨春霖东北电力大学

学位级别：硕士

在全球共同倡导可持续发展、绿色发展的大背景下,风力发电技术在电力能源领域所扮演的角色日益加重。但是风电长期以来因其随机性、波动性以及不确定性对电网稳定运行造成的不利影响而饱受诟病。因此,风电功率的预测对整个风电产业的健... 详细信息

在全球共同倡导可持续发展、绿色发展的大背景下,风力发电技术在电力能源领域所扮演的角色日益加重。但是风电长期以来因其随机性、波动性以及不确定性对电网稳定运行造成的不利影响而饱受诟病。因此,风电功率的预测对整个风电产业的健康发展具有巨大的影响。本文以我国东北地区风电场实测数据为基础,分别从风电功率异常数据、风电功率的时序波动特性、风电功率超短期预测以及风电功率超短期概率区间预测等几个方面入手进行了相关研究。首先,针对目前风电功率异常数据识别的算法复杂繁琐且识别效果不理想,以及算法通用性差,对复杂多变的风电功率数据难以有效甄别等问题,依据实测风速功率数据中异常数据来源的特征提出一种不同风向下不同风速区间内异常数据的识别方法。该算法基于不同风向下不同风速区间的组内最优方差来识别其相应的异常数据。其次,通过对风电场实测功率数据样本分析,提出一种基于局部极差变化率的风电功率时序波动特性分析方法,提取风电若干个持续出力状态,以描述风电功率的持续波动特征。以用来衡量局部极差变化率的幅值和相角为模型输入量,建立灰色多目标决策模型,进而定义表征波动的量:波动系数,并以此来量化风电功率在一时间段内的波动,最后给出了使用波动系数修正现行风电场预测预报考核指标的方法。利再次,文章提出了一种基于粒计算的风电功率超短期预测模型,粒计算可以将具有相似属性的对象集合到一起,依据在各个粒度水平上的需要得到不同的信息粒,进而可以将问题的求解转化到不同的粒度水平上;由此原始数据的基本特点被完全保存,因而系统的透明度也随之提高,为实现高精度的风电功率超短期预测奠定了基础。最后,本文提出了一种基于Copula理论的风电功率概率区间预测方法,从风电功率实际值和预测值的相关性出发,利用Copula函数的相关理论对风电功率预测值与实际值间的相依关系进行了分析,在某一预测值的条件下,计算风电功率实际值的条件概率分布,进而转移到误差的条件概率分析当中,后再将误差的分布估计转换为风电功率预测的不确定性估计。

关键词：风电功率异常数据波动特性粒计算概率区间预测

基于小波包理论的光伏功率短期概率区间预测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于小波包理论的光伏功率短期概率区间预测研究

作者：杨宇东北电力大学

学位级别：硕士

随着环境问题的日益凸显和能源需求的不断增长,发展以风电、光伏为典型代表的新能源已成为世界各国的共识。其中,作为太阳能开发利用的重要方式,光伏发电具有应用形式多样、容量规模灵活、维护便捷等优点,应用前景广阔。但由于光伏发电... 详细信息

随着环境问题的日益凸显和能源需求的不断增长,发展以风电、光伏为典型代表的新能源已成为世界各国的共识。其中,作为太阳能开发利用的重要方式,光伏发电具有应用形式多样、容量规模灵活、维护便捷等优点,应用前景广阔。但由于光伏发电与多种气象因素密切相关,受其制约,具有明显的周期性和非平稳特性,大规模接入电网导致发用电平衡难度加大,电力系统运行不确定性显著增加。因此,为了应对这一挑战,世界各国开展了光伏功率预测技术的研究。本文在考虑光伏发电功率自身特性的基础上,实现了对光伏发电异常数据的有效识别,构建了光伏发电功率短期点预测模型,最后通过对短期点预测结果进行误差分析,提出了一种基于参数估计的光伏发电功率短期概率区间预测模型。首先,针对光伏发电功率具有周期性和非平稳特性,采用周期图法实现了对光伏功率序列周期分量和随机分量的提取,并利用因子分析法和皮尔森相关系数对影响光伏发电功率的多种气象因素进行筛选,并依据所得到的气象因素,提出了一种相似日选择算法,相似日数据可以形成后续模型的训练样本集,作为后续研究的基础。其次,准确可靠的光伏数据是进行大部分光伏研究的基础,但由于人为或通信故障等因素使光伏采集系统中出现了一定比例的异常数据。因此,本文在分析了影响光伏发电功率的多种气象因素之后,发现环境温度、环境湿度与辐照度-功率散点图的分布有着密切关系。对不同分布特性下的辐照度-功率散点进行分类后,采用Copula理论来描述太阳辐照度与光伏功率相关关系的概率功率曲线,结合4类典型异常数据特征及识别原理,实现了对光伏功率异常数据的有效识别。再次,针对光伏数据具有非平稳、持时短、时域和频域局部化等特性,利用小波包根据数据特性,进而处理数据的能力,将光伏数据进行多尺度分解,并与LSSVM相结合进行逐频预测,将各频率段预测结果叠加合成最终预测结果。并对比分析三种广义天气类型,运用小波包-LSSVM相结合的方法对光伏发电功率进行预测,得到光伏发电短期输出功率预测结果,最后通过算例验证了本文方法的正确性和有效性。最后,通过对光伏发电功率短期点预测结果进行误差分析,将混合t Location-scale分布作为描述光伏发电功率点预测误差的最优概率密度分布,基于已建立的误差分布可以进行概率区间预测,并将概率区间预测结果与传统的基于正态分布的概率区间预测结果进行对比,本文方法在各种评价指标上都较优,验证了本文方法的有效性,为光伏并网安全稳定运行提供了一种切实可行的方法。

关键词：周期性异常数据识别小波包光伏功率短期预测概率区间预测