中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統(tǒng)關鍵技術
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創(chuàng)新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內(nèi)燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學的問題與脈絡
新能源電力系統(tǒng)概率預測理論與方法 版權信息
- ISBN：9787030714671
- 條形碼：9787030714671 ; 978-7-03-071467-1
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
新能源電力系統(tǒng)概率預測理論與方法 本書特色
適讀人群 ：新能源電力系統(tǒng)規(guī)劃、經(jīng)濟調(diào)度、穩(wěn)定控制、市場交易等科研和工程技術人員，高校有關專業(yè)的本科生和研究生，計算機科學、統(tǒng)計學、控制科學、經(jīng)濟金融、管理等領域從業(yè)者適讀人群：本書可供新能源電力系統(tǒng)規(guī)劃調(diào)度、運行管理、市場交易等研究和技術人員閱讀參考，也可作為高校有關專業(yè)學生學習教材和參考資料，同時也可為經(jīng)濟金融、統(tǒng)計決策、管理等領域從業(yè)者提供參考。 本書是作者及其研究團隊耕耘十年的成果總結，旨在推動概率預測基礎理論研究及其工程應用。
新能源電力系統(tǒng)概率預測理論與方法 內(nèi)容簡介
本書系統(tǒng)地介紹了新能源電力系統(tǒng)概率預測理論與方法，以期為不確定環(huán)境下電力系統(tǒng)分析與控制提供關鍵可靠信息支撐，助力新能源電力系統(tǒng)安全和經(jīng)濟運行。全書共9章，主要內(nèi)容包括：預測科學基礎，概率預測的數(shù)學原理與應用價值，自舉極限學習機概率預測方法，自適應集成深度學習概率預測方法，機器學習直接區(qū)間預測，機器學習**區(qū)間預測，直接分位數(shù)回歸非參數(shù)概率預測方法，數(shù)據(jù)驅(qū)動非參數(shù)概率預測，概率預測-決策一體化。
新能源電力系統(tǒng)概率預測理論與方法 目錄
目錄
前言
第1章 預測科學基礎 1
1.1 概述 1
1.2 預測的基本原理 1
1.2.1 預測的定義 1
1.2.2 預測的一般步驟 2
1.2.3 預測時間尺度 4
1.2.4 新能源電力系統(tǒng)預測對象 5
1.3 常用預測模型與方法 9
1.3.1 物理預測模型 10
1.3.2 時間序列預測模型 10
1.3.3 統(tǒng)計法預測模型 12
1.3.4 機器學習預測模型 14
1.3.5 組合預測模型 20
1.4 預測科學的挑戰(zhàn) 20
參考文獻 22
第2章 概率預測的數(shù)學原理與應用價值 24
2.1 概述 24
2.2 預測不確定性 24
2.2.1 預測誤差統(tǒng)計特性分析 24
2.2.2 預測不確定性的來源 32
2.3 概率預測數(shù)學原理 34
2.3.1 概率預測的數(shù)學本質(zhì) 34
2.3.2 概率預測基本形式 35
2.3.3 概率預測評價指標 39
2.3.4 概率預測方法分類 45
2.4 概率預測的電力系統(tǒng)應用 49
2.4.1 不確定性環(huán)境下的決策方法 49
2.4.2 新能源電力系統(tǒng)不確定性分析 51
2.4.3 新能源電力系統(tǒng)運行控制 53
2.4.4 新能源電力系統(tǒng)優(yōu)化規(guī)劃 55
2.4.5 電力市場交易與需求響應 56
參考文獻 57
第3章 自舉極限學習機概率預測方法 60
3.1 概述 60
3.2 極限學習機 60
3.2.1 單隱藏層前饋神經(jīng)網(wǎng)絡 60
3.2.2 經(jīng)典梯度下降訓練算法 62
3.2.3 極限學習機*小二乘訓練算法 63
3.2.4 極限學習機的應用優(yōu)勢 64
3.3 預測不確定性 65
3.3.1 預測區(qū)間與置信區(qū)間 65
3.3.2 總體不確定性 65
3.4 自舉極限學習機 66
3.4.1 自舉法 66
3.4.2 真回歸估計 70
3.4.3 模型不確定性方差 71
3.4.4 梯度下降神經(jīng)網(wǎng)絡殘差估計 71
3.4.5 自舉極限學習機殘差估計 73
3.5 算例分析 75
3.5.1 市場出清電價概率預測算例分析 75
3.5.2 風電功率概率預測算例分析 80
3.6 本章小結 88
參考文獻 89
第4章 自適應集成深度學習概率預測方法 91
4.1 概述 91
4.2 深度學習 91
4.2.1 深度學習基礎 91
4.2.2 深度學習方法 93
4.3 集成學習 99
4.3.1 集成學習定義 99
4.3.2 集成學習算法基礎 100
4.3.3 集成學習組合策略 103
4.4 自適應集成深度學習 104
4.4.1 初級集成深度學習模型構建 104
4.4.2 自適應混合集成 108
4.4.3 概率預測模型 110
4.5 算例分析 112
4.5.1 算例描述 112
4.5.2 模型參數(shù)確定 113
4.5.3 確定性預測性能分析 115
4.5.4 概率預測驗證 118
4.6 本章小結 121
參考文獻 122
第5章 機器學習直接區(qū)間預測 123
5.1 概述 123
5.2 直接區(qū)間預測模型 123
5.2.1 區(qū)間預測概述 123
5.2.2 預測區(qū)間分數(shù) 124
5.2.3 直接區(qū)間預測模型構建 125
5.3 基于分位數(shù)的預測區(qū)間 127
5.3.1 預測區(qū)間與分位數(shù) 127
5.3.2 分位水平靈敏度分析 128
5.4 自適應雙層優(yōu)化模型 129
5.4.1 *短可靠預測區(qū)間 129
5.4.2 自適應雙層優(yōu)化模型 129
5.4.3 雙層模型的解耦 134
5.4.4 改進分支定界算法 135
5.5 算例分析 141
5.5.1 算例描述 141
5.5.2 直接區(qū)間預測 142
5.5.3 對稱與非對稱預測區(qū)間 143
5.5.4 自適應預測區(qū)間 145
5.6 本章小結 149
參考文獻 150
第6章 機器學習*優(yōu)區(qū)間預測 152
6.1 概述 152
6.2 預測區(qū)間帕累托*優(yōu) 152
6.2.1 區(qū)間預測的目標 152
6.2.2 多目標優(yōu)化模型構建 154
6.2.3 帕累托*優(yōu)性 154
6.2.4 非支配排序遺傳算法 155
6.3 機會約束極限學習機區(qū)間預測 158
6.3.1 機會約束與區(qū)間預測的關系 158
6.3.2 機會約束極限學習機模型 158
6.3.3 機會約束問題的參數(shù)*優(yōu)化模型 160
6.3.4 基于凸差優(yōu)化的二分訓練算法 163
6.4 算例分析 169
6.4.1 算例描述 169
6.4.2 帕累托*優(yōu)分析 170
6.4.3 多季節(jié)預測區(qū)間分析 171
6.4.4 多置信度區(qū)間預測分析 173
6.4.5 多提前時間區(qū)間預測分析 174
6.4.6 預測區(qū)間分位水平分析 175
6.4.7 求解算法分析 176
6.5 本章小結 178
參考文獻 179
第7章 直接分位數(shù)回歸非參數(shù)概率預測方法 181
7.1 概述 181
7.2 分位數(shù)回歸理論 181
7.2.1 參數(shù)化與非參數(shù)化概率預測 181
7.2.2 分位數(shù)與概率預測 182
7.2.3 分位數(shù)回歸 184
7.2.4 分位數(shù)回歸的評價 186
7.3 極限學習機直接分位數(shù)回歸 186
7.3.1 直接單分位數(shù)回歸 186
7.3.2 直接多分位數(shù)回歸 187
7.3.3 基于線性規(guī)劃的訓練算法 189
7.3.4 對直接分位數(shù)回歸方法的討論 190
7.4 算例分析 191
7.4.1 算例描述 191
7.4.2 多置信水平分位數(shù)預測 192
7.4.3 多提前時間分位數(shù)預測 194
7.4.4 計算效率分析 197
7.5 本章小結 198
參考文獻 198
第8章 數(shù)據(jù)驅(qū)動非參數(shù)概率預測 200
8.1 概述 200
8.2 基礎理論與總體框架 200
8.2.1 理論支撐 200
8.2.2 總體預測框架 201
8.3 相似模式挖掘 202
8.3.1 特征選擇 202
8.3.2 相似性度量 205
8.3.3 相似模式數(shù)目確定 208
8.4 自適應集成密度估計 209
8.4.1 密度估計 209
8.4.2 自適應權重確定 212
8.5 算例分析 214
8.5.1 算例描述 214
8.5.2 多提前時間多季節(jié)概率預測 214
8.5.3 計算效率比較 223
8.6 本章小結 223
參考文獻 224
第9章 概率預測-決策一體化 226
9.1 概述 226
9.2 成本驅(qū)動的預測區(qū)間 226
9.2.1 預測區(qū)間的價值 226
9.2.2 成本驅(qū)動預測區(qū)間的構建 227
9.3 電力系統(tǒng)運行備用的確定性量化方法 228
9.3.1 電力系統(tǒng)運行備用基本概念 228
9.3.2 基于某一準則的確定性分析方法 228
9.3.3 基于可靠性的不確定性分析方法 229
9.3.4 基于成本效益的不確定性分析方法 230
9.4 基于概率預測的電力系統(tǒng)運行備用量化 231
9.4.1 備用需求與概率預測的關系 231
9.4.2 備用量化的評估 233
9.5 備用量化的概率預測-決策一體化模型 234
9.5.1 基于極限學習機的預測區(qū)間 234
9.5.2 目標函數(shù) 235
9.5.3 概率預測與運行備用約束 236
9.5.4 模型線性化 237
9.5.5 模型求解策略 240
9.6 算例分析 244
9.6.1 算例描述 244
9.6.2 備用量化性能總體評估 246
9.6.3 備用量化統(tǒng)計特性分析 248
9.6.4 不同置信度下備用量化性能分析 250
9.6.5 計算效率分析 252
9.7 本章小結 253
參考文獻 254
前言
第1章 預測科學基礎 1
1.1 概述 1
1.2 預測的基本原理 1
1.2.1 預測的定義 1
1.2.2 預測的一般步驟 2
1.2.3 預測時間尺度 4
1.2.4 新能源電力系統(tǒng)預測對象 5
1.3 常用預測模型與方法 9
1.3.1 物理預測模型 10
1.3.2 時間序列預測模型 10
1.3.3 統(tǒng)計法預測模型 12
1.3.4 機器學習預測模型 14
1.3.5 組合預測模型 20
1.4 預測科學的挑戰(zhàn) 20
參考文獻 22
第2章 概率預測的數(shù)學原理與應用價值 24
2.1 概述 24
2.2 預測不確定性 24
2.2.1 預測誤差統(tǒng)計特性分析 24
2.2.2 預測不確定性的來源 32
2.3 概率預測數(shù)學原理 34
2.3.1 概率預測的數(shù)學本質(zhì) 34
2.3.2 概率預測基本形式 35
2.3.3 概率預測評價指標 39
2.3.4 概率預測方法分類 45
2.4 概率預測的電力系統(tǒng)應用 49
2.4.1 不確定性環(huán)境下的決策方法 49
2.4.2 新能源電力系統(tǒng)不確定性分析 51
2.4.3 新能源電力系統(tǒng)運行控制 53
2.4.4 新能源電力系統(tǒng)優(yōu)化規(guī)劃 55
2.4.5 電力市場交易與需求響應 56
參考文獻 57
第3章 自舉極限學習機概率預測方法 60
3.1 概述 60
3.2 極限學習機 60
3.2.1 單隱藏層前饋神經(jīng)網(wǎng)絡 60
3.2.2 經(jīng)典梯度下降訓練算法 62
3.2.3 極限學習機*小二乘訓練算法 63
3.2.4 極限學習機的應用優(yōu)勢 64
3.3 預測不確定性 65
3.3.1 預測區(qū)間與置信區(qū)間 65
3.3.2 總體不確定性 65
3.4 自舉極限學習機 66
3.4.1 自舉法 66
3.4.2 真回歸估計 70
3.4.3 模型不確定性方差 71
3.4.4 梯度下降神經(jīng)網(wǎng)絡殘差估計 71
3.4.5 自舉極限學習機殘差估計 73
3.5 算例分析 75
3.5.1 市場出清電價概率預測算例分析 75
3.5.2 風電功率概率預測算例分析 80
3.6 本章小結 88
參考文獻 89
第4章 自適應集成深度學習概率預測方法 91
4.1 概述 91
4.2 深度學習 91
4.2.1 深度學習基礎 91
4.2.2 深度學習方法 93
4.3 集成學習 99
4.3.1 集成學習定義 99
4.3.2 集成學習算法基礎 100
4.3.3 集成學習組合策略 103
4.4 自適應集成深度學習 104
4.4.1 初級集成深度學習模型構建 104
4.4.2 自適應混合集成 108
4.4.3 概率預測模型 110
4.5 算例分析 112
4.5.1 算例描述 112
4.5.2 模型參數(shù)確定 113
4.5.3 確定性預測性能分析 115
4.5.4 概率預測驗證 118
4.6 本章小結 121
參考文獻 122
第5章 機器學習直接區(qū)間預測 123
5.1 概述 123
5.2 直接區(qū)間預測模型 123
5.2.1 區(qū)間預測概述 123
5.2.2 預測區(qū)間分數(shù) 124
5.2.3 直接區(qū)間預測模型構建 125
5.3 基于分位數(shù)的預測區(qū)間 127
5.3.1 預測區(qū)間與分位數(shù) 127
5.3.2 分位水平靈敏度分析 128
5.4 自適應雙層優(yōu)化模型 129
5.4.1 *短可靠預測區(qū)間 129
5.4.2 自適應雙層優(yōu)化模型 129
5.4.3 雙層模型的解耦 134
5.4.4 改進分支定界算法 135
5.5 算例分析 141
5.5.1 算例描述 141
5.5.2 直接區(qū)間預測 142
5.5.3 對稱與非對稱預測區(qū)間 143
5.5.4 自適應預測區(qū)間 145
5.6 本章小結 149
參考文獻 150
第6章 機器學習*優(yōu)區(qū)間預測 152
6.1 概述 152
6.2 預測區(qū)間帕累托*優(yōu) 152
6.2.1 區(qū)間預測的目標 152
6.2.2 多目標優(yōu)化模型構建 154
6.2.3 帕累托*優(yōu)性 154
6.2.4 非支配排序遺傳算法 155
6.3 機會約束極限學習機區(qū)間預測 158
6.3.1 機會約束與區(qū)間預測的關系 158
6.3.2 機會約束極限學習機模型 158
6.3.3 機會約束問題的參數(shù)*優(yōu)化模型 160
6.3.4 基于凸差優(yōu)化的二分訓練算法 163
6.4 算例分析 169
6.4.1 算例描述 169
6.4.2 帕累托*優(yōu)分析 170
6.4.3 多季節(jié)預測區(qū)間分析 171
6.4.4 多置信度區(qū)間預測分析 173
6.4.5 多提前時間區(qū)間預測分析 174
6.4.6 預測區(qū)間分位水平分析 175
6.4.7 求解算法分析 176
6.5 本章小結 178
參考文獻 179
第7章 直接分位數(shù)回歸非參數(shù)概率預測方法 181
7.1 概述 181
7.2 分位數(shù)回歸理論 181
7.2.1 參數(shù)化與非參數(shù)化概率預測 181
7.2.2 分位數(shù)與概率預測 182
7.2.3 分位數(shù)回歸 184
7.2.4 分位數(shù)回歸的評價 186
7.3 極限學習機直接分位數(shù)回歸 186
7.3.1 直接單分位數(shù)回歸 186
7.3.2 直接多分位數(shù)回歸 187
7.3.3 基于線性規(guī)劃的訓練算法 189
7.3.4 對直接分位數(shù)回歸方法的討論 190
7.4 算例分析 191
7.4.1 算例描述 191
7.4.2 多置信水平分位數(shù)預測 192
7.4.3 多提前時間分位數(shù)預測 194
7.4.4 計算效率分析 197
7.5 本章小結 198
參考文獻 198
第8章 數(shù)據(jù)驅(qū)動非參數(shù)概率預測 200
8.1 概述 200
8.2 基礎理論與總體框架 200
8.2.1 理論支撐 200
8.2.2 總體預測框架 201
8.3 相似模式挖掘 202
8.3.1 特征選擇 202
8.3.2 相似性度量 205
8.3.3 相似模式數(shù)目確定 208
8.4 自適應集成密度估計 209
8.4.1 密度估計 209
8.4.2 自適應權重確定 212
8.5 算例分析 214
8.5.1 算例描述 214
8.5.2 多提前時間多季節(jié)概率預測 214
8.5.3 計算效率比較 223
8.6 本章小結 223
參考文獻 224
第9章 概率預測-決策一體化 226
9.1 概述 226
9.2 成本驅(qū)動的預測區(qū)間 226
9.2.1 預測區(qū)間的價值 226
9.2.2 成本驅(qū)動預測區(qū)間的構建 227
9.3 電力系統(tǒng)運行備用的確定性量化方法 228
9.3.1 電力系統(tǒng)運行備用基本概念 228
9.3.2 基于某一準則的確定性分析方法 228
9.3.3 基于可靠性的不確定性分析方法 229
9.3.4 基于成本效益的不確定性分析方法 230
9.4 基于概率預測的電力系統(tǒng)運行備用量化 231
9.4.1 備用需求與概率預測的關系 231
9.4.2 備用量化的評估 233
9.5 備用量化的概率預測-決策一體化模型 234
9.5.1 基于極限學習機的預測區(qū)間 234
9.5.2 目標函數(shù) 235
9.5.3 概率預測與運行備用約束 236
9.5.4 模型線性化 237
9.5.5 模型求解策略 240
9.6 算例分析 244
9.6.1 算例描述 244
9.6.2 備用量化性能總體評估 246
9.6.3 備用量化統(tǒng)計特性分析 248
9.6.4 不同置信度下備用量化性能分析 250
9.6.5 計算效率分析 252
9.7 本章小結 253
參考文獻 254
展開全部
新能源電力系統(tǒng)概率預測理論與方法 節(jié)選
第1章 預測科學基礎 1.1 概述 預測科學是對未知事件做出事先估計與推斷的科學，是人們認識自然、經(jīng)濟、社會發(fā)展變化規(guī)律的基礎。科學技術發(fā)展使得環(huán)境、資源、市場、信息越來越呈現(xiàn)出更新速率快、數(shù)據(jù)復雜度高等特點，這就要求在進行預測活動時需要做到穩(wěn)定、準確、精細。在現(xiàn)代信息社會中，預測科學不能僅提供概括性的定性表述，更要依靠計算機科學、信息處理、數(shù)理統(tǒng)計等科學技術的發(fā)展，對預測對象未來發(fā)展變化給出全面、準確、可靠的定量描述，從而為經(jīng)濟社會運行、企業(yè)經(jīng)營管理、水文環(huán)境管理及其他決策場景提供更加精準、個性化的信息支撐[1-4]。 電力系統(tǒng)是世界上*復雜的人造系統(tǒng)，其空間分布廣泛，動態(tài)特性復雜，數(shù)學模型具有顯著的高維、非線性、時變特性。近年來，以風電、光伏等為代表的間歇性新能源發(fā)電大規(guī)模接入，使得電力系統(tǒng)不確定性顯著提升。新能源電力系統(tǒng)中，預測能夠為系統(tǒng)的決策調(diào)度、電力市場化交易、能源規(guī)劃等場景提供可靠信息支撐，從而更好地保障新能源電力系統(tǒng)的安全、經(jīng)濟運行，促進新能源在電力系統(tǒng)中的高比例接入和消納[5]。本章從預測的一般步驟、時間尺度、新能源電力系統(tǒng)預測對象等方面闡述預測的基本原理，綜述物理預測模型、時間序列預測模型、統(tǒng)計法預測模型、機器學習預測模型、組合預測模型等基本的預測模型與方法，進而從數(shù)據(jù)冗余、預測問題的多學科交叉、預測不確定性量化、高分辨率預測、預測方法泛化性能檢驗與提升、預測理論與方法創(chuàng)新下的實際應用探索等多個角度總結概括預測科學面臨的挑戰(zhàn)。 1.2 預測的基本原理 1.2.1 預測的定義 預測是利用科學的計量與統(tǒng)計方法，根據(jù)歷史和現(xiàn)實規(guī)律，綜合考慮多類型、多維度信息，得到預測對象自身發(fā)展變化的規(guī)律特征及其與外部因素的變化聯(lián)系，對不確定事件或未知事件進行估計或描述，從而對預測對象未來的可能變化情況做出事先推斷的科學[6]。預測基于一個前提，即利用當前和過去的知識可以推測未來。特別是對于時間序列而言，可以從歷史統(tǒng)計數(shù)據(jù)中識別變化規(guī)律，并且可以預測未來的變化趨勢[7]。簡而言之，預測是通過分析對事物的現(xiàn)有認識，做出對預測對象的未來評估。 科學預測理論中，預測對象可視為隨機變量。預測對象在時刻的實際測量值可以看作是隨機變量的一個實現(xiàn)。那么，在時刻可以根據(jù)給定的預測模型、預測模型參數(shù)和預測信息集合做出對時刻的預測，定義為 (1-1) 預測信息集合是在時刻可以獲取到的與預測對象相關的所有信息，是預測決策者做出對預測對象未來發(fā)展變化規(guī)律正確估計的基礎。做出科學預測不僅需要考慮預測對象自身的自相關特性，也要關注外部相關變量對預測對象的影響，如在風電功率預測中要考慮風速風向等外部環(huán)境信息對風電功率的影響。預測信息集合包括以下幾部分信息： (1)預測對象的歷史時刻統(tǒng)計信息，其中為歷史統(tǒng)計時長。 (2)外部解釋變量的歷史時刻統(tǒng)計信息。 (3)外部解釋變量的預測信息。 1.2.2 預測的一般步驟 預測通常包含以下幾個步驟。 1. 預測關鍵要素抽象化 預測問題研究中，首先需要從現(xiàn)實場景的預測問題中，抽象出預測問題的關鍵要素。對于具體的預測場景，需要對預測任務進行明確定義，包括預測對象、預測時間尺度、預測輸入信息、可供選擇的預測方法、預測性能要求等。預測關鍵要素的抽象化有助于預測信息的篩選、預測模型的選取、模型超參數(shù)的設定及便于預測結果的表達。 2. 預測輸入信息獲取及預處理 預測輸入信息需選擇與預測對象相關性高的信息，同時需平衡預測性能與數(shù)據(jù)冗余。預測輸入信息還需經(jīng)過預處理，主要包括以下內(nèi)容。 (1)缺失值處理：對于缺少部分數(shù)值的預測信息，根據(jù)輸入信息的分布特性和對預測對象影響的重要性采用數(shù)據(jù)插值、啞變量填充等方式處理。 (2)離群點處理：對于輸入信息中存在的超出一般區(qū)域范圍的“噪點”，可根據(jù)箱線圖、原則、絕對離差中位數(shù)、數(shù)值聚類等方式加以清除，或利用鄰近樣本替換。 (3)維度變換：對于高維復雜數(shù)據(jù)，采用數(shù)值聚類、主成分分析、奇異值分解等方式，在保證數(shù)值信息完整性的前提下實現(xiàn)數(shù)據(jù)降維，從而更高效地實現(xiàn)信息利用。 (4)數(shù)值規(guī)范化處理：不同輸入信息其數(shù)值范圍存在不同，不宜直接作為統(tǒng)一的輸入信息輸入預測模型，需進行數(shù)值規(guī)范化處理，如min-max規(guī)范化、Z-score規(guī)范化、log變換等。 3. 預測模型構建與評估 對于給定原始數(shù)據(jù)集，將劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集，兩個數(shù)據(jù)集相互獨立。用于訓練預測模型，用于評估預測模型的性能。在測試集中，預測結果的生成應當模擬實際的預測情形，即利用時刻已知的信息集合估計時刻的預測對象。 通常情況下，預測誤差是難以避免的，預測因而被視為具有天然的不確定性。單一的評價指標不足以得出某一預測方法性能優(yōu)劣的結論，因此可以從多個角度進行評價預測誤差。常用的預測誤差評價指標有平均偏差(mean bias error，MBE)、平均絕對誤差(mean absolute error，MAE)、平均絕對百分誤差(mean absolute percentage error，MAPE)、均方誤差(mean square error，MSE)及均方根誤差(root mean square error，RMSE)等。單個預測值誤差定義為 (1-2) 式中，和分別為實際值與預測值。則MBE定義為 (1-3) 其中，為測試集樣本數(shù)。 MBE是預測性能的一個基本方面，它表明該方法是否傾向于高估或低估預測對象，一般很難說明預測方法的實際性能。即便MBE為零，也不能說明預測方法提供了完美的預測結果，很多情況下只是因為正負誤差值在測試集上相互抵消。 表示正誤差和負誤差對預測偏差貢獻度的一個常用度量方法是平均絕對誤差，它是測試集上絕對值誤差的平均值： (1-4) MAPE在MAE基礎上計算預測誤差相對于真實值的相對值，再計算均值，定義為 (1-5) MAPE避免了數(shù)據(jù)大小對誤差計算的影響，但當真實值接近于零時，很小的預測誤差也會帶來很大的MAPE值，從而影響對預測結果的客觀評價。 另一種常用的預測精度測量方法是均方誤差，它是測試集上誤差平方的平均值： (1-6) 或以其平方根形式表示為均方根誤差 (1-7) 不同于MSE，RMSE與預測對象具有相同單位。 除RMSE之外，還可以考慮誤差的樣本標準差(standard deviation of the error， SDE)，表示為 (1-8) 在統(tǒng)計上，MBE和MAE的值與預測誤差分布的一階矩有關，因而它們是與預測誤差均值直接相關的量度。RMSE和SDE的值與二階矩有關，反映的是預測誤差分散程度。與MAE相比，RMSE對離群值、異常值等錯誤數(shù)據(jù)更敏感，而MAE則表現(xiàn)更加穩(wěn)健。因此，如果在預測結果中離群值或異常值較多的情況下，應將MAE作為主要評判標準。否則，將會出現(xiàn)由于異常值過多導致RMSE誤差過大，從而得出預測性能不佳的結論。 1.2.3 預測時間尺度 預測時間尺度是指做出預測所提前的時間跨度。預測時間尺度是根據(jù)決策應用場景而確定的。對于長期規(guī)劃類、評估類場景，需要開展中長期時間尺度預測，而對于實時控制決策則要求開展高精度的短期、超短期時間尺度的預測。 在新能源電力系統(tǒng)中，按照不同時間尺度，可以分為超短期、短期、中期和長期預測[5]。不同時間尺度的預測采用的輸入變量和預測方法不同，對預測結果精度要求也有所不同，預測結果應用場景亦有所差別。目前對預測時間尺度的明確定義尚未形成共識，本節(jié)主要介紹一般意義上的時間尺度分類。 1. 超短期預測 超短期預測一般指秒級、分鐘級的預測，主要利用實際歷史統(tǒng)計數(shù)據(jù)，有些場合下還考慮實測氣象信息等外部變量。超短期預測采用數(shù)據(jù)驅(qū)動模型如時間序列模型、人工神經(jīng)網(wǎng)絡方法，挖掘歷史數(shù)據(jù)內(nèi)在統(tǒng)計規(guī)律，對未來時刻出力情況做出預測。新能源電力系統(tǒng)中，超短期預測通常用在實時控制和實時經(jīng)濟調(diào)度等對實時性要求高的場合。 2. 短期預測 短期預測一般指對未來數(shù)小時到數(shù)天的預測，除利用歷史統(tǒng)計數(shù)據(jù)外，通常會結合數(shù)值天氣預報等外部信息，一般采用考慮外部輸入的人工神經(jīng)網(wǎng)絡模型、時間序列模型等做出預測。對于統(tǒng)計數(shù)據(jù)多樣性強、信息量豐富的場合，還會進行相似日分析以提升預測準確度。新能源電力系統(tǒng)中，短期預測常用于短期控制調(diào)度、機組組合優(yōu)化、備用安排、電力市場交易等場合。 3. 中期預測 中期預測一般指對未來一周到數(shù)月的預測，易受外部因素特別是氣象信息影響，在統(tǒng)計特性上常呈現(xiàn)出周期性、季節(jié)性特征，預測過程中需要更多外界變量的補充。新能源電力系統(tǒng)中，通常采用考慮氣象信息和相似特征提取的物理模型或時間序列模型，用于制定一段時間內(nèi)的檢修計劃和運行方式。 4. 長期預測 長期預測一般指季度或年度預測，受外部因素影響較大。新能源電力系統(tǒng)中，氣象信息、政策信息、成本信息等都是影響預測結果的重要因素，常利用氣象統(tǒng)計信息作為決策輸入變量，對電站選址、電力系統(tǒng)規(guī)劃、新能源資源評估等場景提供規(guī)劃指導。 不同預測時間尺度下預測應用場景有所不同。新能源電力系統(tǒng)中，各時間尺度的預測應用場景可概括為表1.1。 1.2.4 新能源電力系統(tǒng)預測對象 1. 電力負荷 負荷主要受季節(jié)、溫度等因素影響，而間歇性、波動性顯著的分布式新能源大規(guī)模接入電網(wǎng)，使得用電模式復雜性大大增加，新能源電力系統(tǒng)中負荷的隨機波動性顯著增強[8，9]。圖1.1展示了華東某城市110kV變電站在有光伏和無光伏接入情況下，凈負荷曲線呈現(xiàn)出不同特點。在有光伏接入的情況下，凈負荷曲線在午間出現(xiàn)低谷，呈現(xiàn)出“鴨型曲線”的特征，負荷波動性更強，甚至在光伏出力較強的情況下出現(xiàn)負荷小于零的現(xiàn)象。此外，電力市場和需求響應等外界影響因素的增加，使得用戶用電模式的復雜性增強，負荷預測的不確定性進一步加劇[10]。 表1.1 不同時間尺度下新能源電力系統(tǒng)預測應用場合 圖1.1 華東某城市110kV變電站不同情形下凈負荷曲線
新能源電力系統(tǒng)概率預測理論與方法 作者簡介
萬燦，浙江大學研究員（長聘）、博士生導師，電力能源互聯(lián)及其智能化研究所副所長，愛思唯爾“中國高被引學者”，中國電工技術學會人工智能與電氣應用專業(yè)委員會副秘書長，以第一/通訊作者發(fā)表IEEE PES Trans.論文35篇，主持國家重點研發(fā)計劃重點專項課題、國家自然基金面上項目，獲國家科技進步二等獎、教育部自然科學一等獎等獎勵，獲中國科協(xié)“青年人才托舉工程”、浙江省杰出青年基金、中國電力優(yōu)秀青年科技人才獎，從事新能源電力系統(tǒng)不確定性預測、分析與控制研究。 宋永華，英國皇家工程院院士、歐洲科學院外籍院士、IEEE Fellow，澳門大學校長，智慧城市物聯(lián)網(wǎng)國家重點實驗室主任，中國電工技術學會副理事長。長期從事電力系統(tǒng)研究。1989年獲中國電力科學研究院博士學位，2002年獲布魯內(nèi)爾大學科學博士學位，2014年獲巴斯大學榮譽工程博士學位，2019年獲愛丁堡大學榮譽科學博士學位。以第一完成人獲國家科技進步二等獎1項、何梁何利基金科學與技術進步獎1項、省部級自然科學一等獎2項、省部級科技進步一等獎2項。
書友推薦
- >
回憶愛瑪儂
- >
我與地壇
- >
伊索寓言-世界文學名著典藏-全譯本
- >
史學評論
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
伯納黛特,你要去哪(2021新版)
- >
隨園食單
- >
名家?guī)阕x魯迅:朝花夕拾
本類暢銷
