新能源電力系統(tǒng)概率預測理論與方法

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(jié) 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(gòu)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(jié) 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(gòu)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(jié) 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(gòu)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(guān)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(jié) 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(jié) 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(quán)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(jié) 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(gòu)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(guān)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(jié) 253
參考文獻 254