Uncertainty Characterization of Power Grid Net Load of Dirichlet Process Mixture Model Based on Relevant Data
-
摘要: 针对电网净负荷时序数据关联的特点, 提出基于数据关联的狄利克雷混合模型 (Data-relevance Dirichlet process mixture model, DDPMM)来表征净负荷的不确定性. 首先, 使用狄利克雷混合模型对净负荷的观测数据与预测数据进行拟合, 得到其混合概率模型; 然后, 提出考虑数据关联的变分贝叶斯推断方法, 改进后验分布对该混合概率模型进行求解, 从而得到混合模型的最优参数; 最后, 根据净负荷预测值的大小得到其对应的预测误差边缘概率分布, 实现不确定性表征. 本文基于比利时电网的净负荷数据进行检验, 算例结果表明: 与传统的狄利克雷混合模型和高斯混合模型 (Gaussian mixture model, GMM)等方法相比, 所提出的基于数据关联狄利克雷混合模型可以更为有效地表征净负荷的不确定性.Abstract: Considering the time sequence correlation of the net load in power grids, this paper proposes a non-parametric Bayesian framework based on the data-relevance Dirichlet process mixture model (DDPMM). First, the Dirichlet process mixture model is used to fit the observation data and the forecast data of net load, in order to obtain a joint mixed probability model. Then, we propose a modified variational Bayesian inference that considers the correlation of the time sequence to acquire optimal parameters of the mixture model. Afterwards, we obtain the corresponding net load forecast error probabilistic distribution according to different net load forecast values. Finally, this paper uses actual data from the Belgian power grid for verification. Compared with the traditional Dirichlet process mixture model and Gaussian mixture model (GMM), our proposed approach takes into account the correlation of time series. Therefore, it can better characterize the forecast error of the net load, and obtain the optimal number of component clusters that would capture the uncertainty of the net load with more efficiency.
-
电熔镁砂是一种生产航天、航空和工业所需耐火材料的原料. 电熔镁砂生产过程采用多台电熔镁炉, 熔炼菱镁矿石, 生产电熔镁砂. 电熔镁炉是一种重大耗能设备, 耗电成本占总生产成本的60%以上[1-2]. 需量是电熔镁砂生产过程的耗电指标, 供电部门规定需量为当前时刻和过去29个采样时刻的电熔镁砂生产用电功率的均值, 其采样周期为7秒[3]. 电熔镁砂生产企业采用需量监控系统监控需量值, 当需量达到其限幅值(22 300 kW)时会切断其中一台电熔镁炉的供电, 使需量不超过限幅值, 然而切断供电会破坏炉内温度场吸热和放热平衡, 降低产品质量[4].
在电熔镁砂生产过程中, 当原料杂质成分含量增大和颗粒大小变化等造成阻抗减小, 导致熔化电流增大、功率增大, 进而需量上升. 由于熔化电流设定值不变, 因此熔化电流控制系统使熔化电流下降, 需量下降, 出现需量先升后降的尖峰现象. 当需量尖峰值达到其限幅值会造成拉闸断电, 为了避免需量尖峰造成的不必要的断电, 需要对需量尖峰进行识别, 因此需要对需量进行多步预报.
需量多步预报的研究集中在城市用电领域. 文献[5]利用采样周期为1小时的用电需量数据, 提出一种自回归模型与三次样条曲线相结合的混合负荷多步预报方法, 预报大西洋城未来一天每小时的用电需量. 文献[6]利用采样周期为0.5小时的用电需量数据, 提出基于信号滤波和季节调整的多输出前馈神经网络与经验模态分解相结合的多步预报模型, 预报澳大利亚新南威尔士州未来一天每半小时的用电需量. 文献[7]利用采样周期为1分钟的需量数据, 提出基于非线性自回归神经网络的多步预报方法, 预报未来1分钟、10分钟、1小时和2小时的住宅用电需量. 文献[8]利用采样周期为0.5小时的用电需量数据, 提出基于多目标优化算法的最小二乘支持向量机的多步预报方法, 预报电力市场未来0.5小时、1小时、2小时和3小时的用电需量. 文献[9]利用采样周期为1天的用电需量数据, 提出基于支持向量机的多步预报模型, 预报某配电公司未来30天的每天最大用电需量. 文献[10]利用采样周期为0.5小时的用电需量数据, 提出基于支持向量机、极限学习机和多层循环神经网络的用电需量多步预报方法, 预报了未来1.5小时的每半小时的城市用电需量. 文献[11]利用采样周期为1小时的用电需量数据, 提出基于自回归滑动平均模型的某地区未来一天的用电需量预报方法. 文献[12]利用采样周期为1个月的用电需量数据, 提出基于多层神经网络的未来12个月的地区用电需量预报模型. 文献[13]利用采样周期为1个月的用电需量数据, 提出基于神经网络的未来12个月的地区用电需量预报方法. 文献[14]利用采样周期为15分钟的用电需量数据, 提出基于变分模态分解的某地区未来1分钟、3分钟和5分钟的用电需量预报方法. 文献[15]利用采样周期为30秒的用电需量数据, 提出基于集成经验模态分解和卷积神经网络的某地区未来30秒、1分钟、1.5分钟和2分钟的用电需量预报方法. 电熔镁砂生产用电需量的变化是快变化的动态系统, 需量的采样周期为7秒, 发生需量尖峰的整个时间在70秒之内. 由于电熔镁砂生产过程是由多台电熔镁炉运行组成, 其用电需量变化过程是模型结构与系统阶次未知的非线性动态系统, 而城市用电需量变化是一个慢变化的系统, 可以采用上述静态建模方法[5-15]. 电熔镁砂生产用电需量的多步预报难以采用文献[5-15]方法进行需量尖峰的准确预报.
文献[16-17]利用采样周期为7秒的用电需量数据, 提出数据与模型驱动的电熔镁砂生产用电需量单步预报方法. 为了提高需量预报精度, 文献[18]采用用电需量大数据提出系统辨识与自适应深度学习相结合的电熔镁砂生产用电需量一步预报方法. 由于需量尖峰是需量先升高后下降, 需要对需量进行多步预报.
本文利用电熔镁砂生产过程熔化电流闭环控制系统方程, 建立了由线性模型和未知非线性动态系统组成的群炉需量多步预报模型, 将系统辨识与自适应深度学习相结合, 采用端边云协同结构, 提出了电熔镁砂生产用电需量多步智能预报方法. 采用电熔镁砂生产过程的工业大数据验证了所提方法可以准确预报用电需量的变化趋势.
1. 电熔镁砂需量监控过程描述
如图1所示, 电熔镁砂的生产过程由多台电熔镁炉控制系统, 供电系统和需量监控系统组成, 每台电熔镁炉控制系统由电熔镁炉、拉闸系统、加料系统、熔化电流控制系统组成[2]. 需量监控系统由功率采集装置和需量监控计算机组成. 电熔镁炉采用埋弧方式, 通过加料系统将原矿送入电熔镁炉内, 电流控制系统控制三相电极与原料之间的距离使产生的电弧电流达到生产工艺规定的熔化电流, 形成熔池. 边熔化边加料, 使熔池增高至炉口, 熔炼过程结束. 熔炼过程持续约10小时, 每台电熔镁炉每炉次耗电约40 MWh, 因此电熔镁炉是高耗能设备.
图 1 电熔镁砂生产用电需量监控流程图Fig. 1 An flow chart of electricity demand monitoring process for a fused magnesia production为了节能减排, 电力部门规定当前时刻和过去29个时刻的功率的平均值作为当前时刻的需量值并规定了需量的限幅值, 当需量实际值超过需量限幅值对用电企业罚款, 因此生产企业设立需量监控系统, 操作人员监视需量实际值, 当超过限幅值, 通过拉闸系统切断其中一台电熔镁炉的电源. 由于电熔镁砂生产过程常出现尖峰现象, 导致不必要的拉闸. 为避免尖峰导致的不必要的拉闸断电, 需要对尖峰进行预报, 由于尖峰现象是需量先升高后下降, 因此需要对需量进行多步预报.
2. 电熔镁砂生产用电需量多步预报模型
需量$ \bar{p}(k) $为$ k $时刻群炉功率$ p(k) $与过去29个采样周期的群炉功率的均值, 即
$$ \begin{split} \bar{p}(k)=\;& \frac{1}{30}\sum_{j = 0}^{29} p(k-j) =\\ &\bar{p}(k-1)+\frac{p(k)-p(k-30)}{30} \end{split} $$ (1) 其中, $ k = 1 $表示采样周期7秒, $ (k+n) $时刻的需量$\bar{p}(k+n)$为
$$ \begin{split} \bar{p}(k+n) = &\frac{1}{30}\sum_{j = 0}^{29} p(k+n-j)=\frac{1}{30}\sum_{i = 0}^n{p}(k+n-i)\;+\\&\frac{1}{30}\sum_{j = 0}^{29-n} p(k-j)=\bar{p}(k)\;-\\ &\frac{1}{30}\sum_{i = 0}^n{p}(k-30+i)+\frac{1}{30}\sum_{i = 1}^n p(k+i)\ \end{split} $$ (2) 其中, 群炉功率$ p(k+1), \cdots, p(k+n) $未知, 因此需要建立群炉功率多步预报模型.
2.1 群炉功率多步预报模型
首先需建立群炉功率$ p(k) $的动态模型. 电熔镁炉群炉功率$ p(k) $为 $M$个电熔镁炉功率之和$ \sum_{s = 1}^M p_s(k) $.
采用文献[18]的方法建立第$ s $个电熔镁炉的功率$ p_s(k) $的动态模型. 第$ s $个电熔镁炉的熔化电流$ y_s(k) $为电流闭环控制系统的输出, 其动态模型为
$$ \begin{align} T_s(z^{-1})y_s(k) = G_s(z^{-1})y^*+v_s(k) \end{align} $$ (3) 其中, $ y^* $是已知的熔化电流设定值, $ v_s(k) $为未知非线性项, $ T_s(z^{-1}) $ 和 $ G_s(z^{-1}) $为关于$ z^{-1} $的多项式, 即$ T_s(z^{-1}) = 1+t_{s1}(z^{-1})+t_{s2}(z^{-2})+t_{s3}(z^{-3}) $, $G_s(z^{-1}) = g_{s0}+g_{s1}(z^{-1})+g_{s2}(z^{-2})$.
第$ s $个电熔镁炉的功率动态模型为
$$ \begin{split} p_s(k) =\; &\sqrt{3}Uy_s(k)\cos \phi =-\;t_{s1}p_s(k-1)\;-\\ &t_{s2}p_s(k-2)-t_{s3}p_s(k-3)\;+\\ &d_{s0}p^*+v_s(k) \end{split} $$ (4) 其中, $ p^* $是熔化电流设定值 $ y^* $对应的功率; $p_s(k- 1) $, $p_s(k-2) $, $ p_s(k-3)$为$ (k-1) $, $ (k-2) $, $(k- 3) $时刻的第$s$个电熔镁炉功率; $d_{s0} =g_{s0}+ g_{s1}+ g_{s2} $.
采用未知常数$ t_{1}, t_{2}, t_{3}, d_{0} $代替式(4)中的$ t_{s1}, t_{s2}, t_{s3}, d_{s0} $, 群炉功率$ p(k) $为
$$ \begin{split} p(k) =\; &\sum_{s = 1}^{M} p_s(k)= -\;t_{1}p(k-1)-t_{2}p(k-2)\;-\\ &t_{3}p(k-3)+d_{0}p^*+v(k) \end{split} $$ (5) 其中, $ v(k) $为$v(k) = \sum_{s = 1}^{M}\left((t_1-t_{s1})p(k-1)+\right. (t_2-$ $t_{s2})p(k-2) $ $+\;(t_3\;-\;t_{s3})p(k-3)\;-\;(d_0\;-\;d_{s0})p^*\;+$ $v_s(k) ). $
由式(5)可得$ (k+1) $时刻的群炉功率$ p(k+1) $为
$$ \begin{split} {p}(k+1) =\; &{\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^1+{v}(k+1)=\\ &{\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^1+{r}(k+1) \end{split} $$ (6) 其中, ${\boldsymbol{\varphi}}(k) \,= \,( p(k),\, p(k-1),\, p(k-2), p(k-3) )$, $ {{\boldsymbol{\theta}}}^1 = ( {\theta}_1^1, {\theta}_2^1, {\theta}_3^1, {\theta}_4^1)^{\rm{T}} = (-t_{1}, -t_{2}, -t_{3}, d_{0})^{\rm{T}} $, ${r}(k\;+ 1) = {v}(k+1).$ $ (k+2) $时刻的群炉功率 $ p(k+2) $为
$$ \begin{split} {p}(k+2) =\; &{\boldsymbol{\varphi}}(k+1){\boldsymbol{\theta}}^1+v(k+2)=\\ &({\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^1+{v}(k+1), p(k), p(k-1),\\ & p^* ){\boldsymbol{\theta}}^1+v(k+2)=\\ &p(k)((\theta_1^1)^2+\theta_2^1)+p(k-1)(\theta_1^1\theta_2^1+\theta_3^1)\;+\\ &p(k-2)\theta_3^1\theta_1^1+p^*(\theta_1^1\theta_4^1+\theta_4^1)\;+\\ &r(k+1)\theta_1^1+v(k+2)=\\ &{\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^2(k)+r(k+2) \\[-10pt]\end{split} $$ (7) 其中, 线性模型参数${{\boldsymbol{\theta}}}^2 = ({\theta}_1^2, {\theta}^2_{2}, {\theta}^2_{3}, {\theta}^2_{4})^{\rm{T}},{\theta}_1^2 = (\theta_1^1)^2\, +$ $\theta_2^1, {\theta}^2_{2} = \theta_1^1\theta_2^1+\theta_3^1, {\theta}^2_{3} = \theta_3^1\theta_1^1, {\theta}^2_{4} = \theta_1^1\theta_4^1+\theta_4^1$, 未知非线性项$ r(k+2) $ 为 ${r}(k+2) \;=\; {r}(k+1)\theta_1^1(k+1)\;+ v(k+2)$.
采用数学归纳法可以证明假设$ (k+n-1) $时刻的群炉功率$ p(k+n-1) $为式(8)成立, 则$ (k+n) $时刻的群炉功率$ p(k+n) $表达式(9)成立
$$ {p}(k+n-1) = {\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^{n-1}+ {r}(k+n-1) $$ (8) $$ {p}(k+n) = {\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^n+ {r}(k+n) $$ (9) 其中, ${{\boldsymbol{\theta}}}^{n-1} = ({\theta}_1^{n-1}, {\theta}^{n-1}_{2}, {\theta}^{n-1}_{3}, {\theta}^{n-1}_{4})^{\rm{T}}$, ${{\boldsymbol{\theta}}}^n = ({\theta}_1^n,$${\theta}_2^n, {\theta}^n_{3}, {\theta}^n_{4})^{\rm{T}}, {\theta}_1^n = {\theta}_1^{n-1}\theta_1^1+{\theta}_1^{n-2}\theta_2^1+{\theta}_1^{n-3}\theta_3^1$, ${\theta}_2^n = $ ${\theta}_2^{n-1}\theta_1^1+{\theta}_2^{n-2}\theta_2^1+{\theta}_2^{n-3}\theta_3^1$, $ {\theta}_3^n = {\theta}_3^{n-1}\theta_1^1+{\theta}_3^{n-2}\theta_2^1\;+ $ ${\theta}_3^{n-3}\theta_3^1 $, $ {\theta}_4^n = {\theta}_4^{n-1}\theta_1^1+{\theta}_4^{n-2}\theta_4^1+{\theta}_4^{n-3}\theta_3^1+\theta_4^1$, 未知非线性项$ {r}(k+n) $为${r}(k+n) = {r}(k+n- 1)\theta_1^1+{r}(k\;+ n-2)\theta_2^1+{r}(k+n-3)\theta_3^1+{v}(k+n)$. 因此群炉功率多步预报模型为
$$ \begin{align} {P}(k+n) = &\Theta^{\rm{T}}\varphi^{\rm{T}}(k)+ {R}(k+n) \end{align} $$ (10) 其中, $ {P}(k+n) = (p(k+1), \cdots, p(k+n))^{\rm{T}} $, 模型参数$ \Theta = ({\boldsymbol{\theta}}^1, \cdots, {\boldsymbol{\theta}}^n) $, $R(k+n) = (r_1(k+1), \cdots, r_i(k\,+ i), \cdots, r_n(k+n))^{\rm{T}}$.
由式(10)可知模型参数$ \Theta $的辨识方程为
$$ \begin{align} P_s(k) = \begin{pmatrix} {\boldsymbol{\varphi}}(k-1){\boldsymbol{\theta}}^1\\ \vdots\\ {\boldsymbol{\varphi}}(k-i){\boldsymbol{\theta}}^i\\ \vdots\\ {\boldsymbol{\varphi}}(k-n){\boldsymbol{\theta}}^n \end{pmatrix} + {R_s}(k) \end{align} $$ (11) 其中, $ n\times 1 $的向量$ P_s(k+n) $为
$$ P_s(k+n) = (p(k), \cdots, p(k))^{\rm{T}} $$ $$ {R_s}(k) = (r_1(k), \cdots, r_i(k), \cdots, r_n(k))^{\rm{T}} $$ 采用最小二乘算法[19]离线辨识模型参数$ \Theta $, 由式(10)和式(11)可得群炉功率预报模型为
$$ \begin{align} {P}(k+n) = \hat{\Theta}^{\rm{T}}{\boldsymbol{\varphi}}^{\rm{T}}(k)+ \bar{R}(k+n) \end{align} $$ (12) 其中, $\hat{\Theta}^{\rm{T}} = ({\hat{\boldsymbol{\theta}}}^1, \cdots, {\hat{\boldsymbol{\theta}}}^n), \bar{R}(k+n) = (\Theta-\hat{\Theta}^{\rm{T}})\varphi^{\rm{T}}(k)\,+$ $R(k+n) = (\bar{r}_1(k+1), \cdots, \bar{r}_i(k+i), \cdots, \bar{r}_n(k + n))^{\rm{T}}$,
$$ \begin{split} \bar{r}_i(k+i) =\;& f_i(p(k), p(k-1), \cdots, \\ &\bar{r}_i(k), \bar{r}_i(k-1), \cdots) \end{split} $$ (13) 其中, $ f(\cdot) $是模型结构与阶次未知的未知非线性函数, $i = 1, \cdots, n$. 由式(11)知
$$ \begin{align} {\bar{R}_s}(k) = P_s(k)- \begin{pmatrix} {\boldsymbol{\varphi}}(k-1){\hat{\boldsymbol{\theta}}}^1\\ \vdots\\ {\boldsymbol{\varphi}}(k-i){\hat{\boldsymbol{\theta}}}^i\\ \vdots\\ {\boldsymbol{\varphi}}(k-n){\hat{\boldsymbol{\theta}}}^n \end{pmatrix} \end{align} $$ (14) 其中, $ \bar{R}_s(k) = \left(\bar{r}_{1}(k), \cdots, \bar{r}_{i}(k), \cdots, \bar{r}_{n}(k)\right) $.
2.2 需量多步预报模型
由式(2)和式(12)可以得到需量多步预报模型为
$$ \begin{split} \bar{P}\left( k+n \right) =\; &\left( \begin{matrix} \bar{p}(k) \\ \bar{p}(k) \\ \vdots \\ \bar{p}(k) \\ \end{matrix} \right)-\frac{1}{30}\left( \begin{matrix} p(k-29) \\ \displaystyle\sum\limits_{i = 1}^{2}{p(k-30+i)} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{p(k-30+i)} \\ \end{matrix} \right)+\\ & \frac{1}{30}\left( \begin{matrix} p(k\text+1) \\ \displaystyle\sum\limits_{i = 1}^{2}{p(k+i)} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{p(k+i)} \end{matrix} \right) =\\ &\left( \begin{matrix} \bar{p}(k) \\ \bar{p}(k) \\ \vdots \\ \bar{p}(k) \end{matrix} \right)-\frac{1}{30}\left( \begin{matrix} p(k-29) \\ \displaystyle\sum\limits_{i = 1}^{2}{p(k-30+i)} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{p(k-30+i)} \end{matrix} \right)+\\ &\frac{1}{30}\left( \begin{matrix} {\boldsymbol{\varphi}} (k){{{\hat{\theta }}}^{1}} \\ \displaystyle\sum\limits_{i = 1}^{2}{{\boldsymbol{\varphi}} (k){{{\hat{\theta }}}^{i}}} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{{\boldsymbol{\varphi}} (k){{{\hat{\theta }}}^{i}}} \\ \end{matrix} \right)+\frac{1}{30}\left( \begin{matrix} \bar{r}(k) \\ \displaystyle\sum\limits_{i = 1}^{2}{\bar{r}(k+i)} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{\bar{r}(k+i)} \\ \end{matrix} \right) =\\ &{\bar{P}_S(k)}+\frac{1}{30}AP(k+n-30)\;+\\ &\frac{1}{30}A\hat{\Theta}^{\rm{T}}{\boldsymbol{\varphi}}^{\rm{T}}(k)+ \frac{1}{30}A\bar{R}(k+n) \\[-10pt]\end{split} $$ (5) 其中, $\bar{P}(k+n) = (\bar{p}(k+1), \cdots, \bar{p}(k+n))^{\rm{T}}$, ${\bar{P}_S(k)} = (\bar{p}(k), \cdots, \bar{p}(k))^{\rm{T}}$, $P(k+n-30) = (p(k-29), \cdots, p(k-n+30))^{\rm{T}}$, $ \bar{R}(k+n) $ 为 $(\bar{r}_1(k), \cdots, \bar{r}_i(k+ i), \cdots, \bar{r}_n(k+n))^{\rm{T}}$, $ A $为非0元素为1的$ n\times n $维下三角阵. 式(15)中$ {\bar{P}_S(k)}, P(k+n-30), \hat{\Theta}^{\rm{T}}{\boldsymbol{\varphi}}^{\rm{T}}(k) $已知, 向量$ \bar{R}(k+n) $是模型结构阶次与参数未知的非线性动态系统.
3. 需量多步智能预报方法
3.1 需量多步预报策略
采用文献[18]方法建立式(15)的未知非线性动态系统的由在线深度学习多步预报模型、自校正深度学习多步预报模型和自校正机制组成的自适应深度学习多步预报模型.
采用图2所示的端边云协同结构实现电熔镁砂生产用电需量多步智能预报算法, 其中端−需量监控系统实时采集电熔镁砂生产过程中的群炉功率$ p(k) $与需量$ \bar{p}(k) $, 边−需量预报计算机执行数据处理、在线计算$ \hat{\Theta}^{\rm{T}}\varphi^{\rm{T}}(k) $, 采用窗口长度为$ N $的数据和$ \bar{R}(k\;+ n) $的在线深度学习多步预报模型获得$ \hat{\bar{R}}(k+n) $, 采用式(15)求取需量多步预报值$ \hat{\bar{P}}(k+n) $, 云−数据服务器和人工智能计算平台采用$ k $时刻以及以前所有时刻的输入输出数据和$ \bar{R}(k+n) $的自校正深度学习多步预报模型更新自校正深度学习多步预报模型的全部权值参数和偏置参数. 自校正机制在线监控$ \bar{R}(k+n) $的在线深度学习多步预报模型的预报精度, 当不满足精度要求时, 采用自校正深度学习多步预报模型的参数校正在线深度学习多步预报模型的参数, 从而保证需量的预报精度.
图 2 端边云协同需量多步智能预报结构图Fig. 2 Schematic of multi-step intelligent forecasting of demand with edge-cloud coordination3.2 $ \bar{R}(k+n) $的自适应深度学习多步预报算法
首先建立$ \bar{R}(k+n) $的自适应深度学习多步预报算法. 采用长短周期记忆(Long short-term memory, LSTM)[20-22]的网络架构提出如图3所示的需量第$ i $步预报$ \bar{r}(k+i) $的深度学习预报模型结构. 结合$ \bar{r}(k+i) $动态特性, 将其输入变量作为单个神经元的输入, 未知阶次用神经元个数$ t $来表示, 由式(13)和式(14)可知$ \bar{r}(k+i) $的深度学习网络的第$ j $个神经元的输入为 ${\boldsymbol{x}}_i(k-j+1) = (p(k- j\;+ 1), \bar{r}_i(k-j+1))^{\rm{T}}$, 其中 $\bar{r}_i(k-j+1) = p(k- j\;+ 1)-{\boldsymbol{\varphi}}(k- i-j+1){\hat{\boldsymbol{\theta}}}^i$, $ j = 1, \cdots, t $. 采用文献[18]的训练方法, 利用30个炉次(150000组)的群炉功率数据离线训练$ \bar{r}(k+i) $的深度学习模型结构, 确定神经元个数$ t = 25 $、神经元的节点个数$ \bar{h} = 200 $、隐藏层数$ L = 3 $、在线训练数据窗口长度$ N = 2\,000 $. 采用该深度学习预报模型结构, 提出由在线深度学习预报模型、自校正深度学习预报模型和自校正机制组成的$ \bar{r}(k+i) $的自适应深度学习预报算法.
图 3 $ \bar{r}(k+i)$的深度学习预报模型结构Fig. 3 Structure of deep learning prediction model of $ \bar{r}(k+i)$采用窗口长度$ N $的实时数据在线校正$ \bar{r}(k+i) $的在线深度学习预报模型的输出层权值与偏置参数. 校正算法为
$$ \begin{align} \hat{\bar{r}}_i(k+i) = {\hat{\boldsymbol{\beta}}}_i(k){\boldsymbol{h}}_i^3(k)+\hat{b}_i(k) \end{align} $$ (16) 其中,
$$ {\hat{\boldsymbol{\beta}}}_i(k) = {\hat{\boldsymbol{\beta}}}_i(k-1)-\alpha\frac{\partial L_i(k)}{\partial {{\boldsymbol{\beta}}}_i(k-1)} $$ (17) $$ \hat{b}_i(k) = \hat{b}_i(k-1)-\alpha\frac{\partial L_i(k)}{\partial{b}_i(k-1)} $$ (18) $$ L_i(k) =\frac{1}{N}\sum_{m = 0}^{N-1}||\Delta \bar{r}_i(k-m)||_2 $$ (19) 其中, $ \Delta\bar{r}_i(k-m) = \bar{r}_i(k-m)-\hat{\bar{r}}_i(k-m) $.
采用当前时刻$ k $以及以前所有时刻的实时数据校正自校正深度学习预报模型的全部权值和偏置参数. 其输出层的权值与偏置参数采用式(16) ~ (19)校正. 第$ l $层第$ j $个神经元的输出
$$ \begin{split} {\boldsymbol{h}}_i^l(k-j+1) =\;& {\boldsymbol{o}}_i^l(k-j+1) \;\odot\\ &\tanh( C_i^l(k-j+1)) \end{split} $$ (20) 其中, $ \odot $为哈达玛积[22], $ \tanh(\cdot) $为双曲正切函数, $ ( C_i^l(k-j+1)) $和$ {\boldsymbol{o}}_i^l(k-j+1) $表示第$ l $层第$ j $个神经元的状态和输出门的输出, 采用文献[12]方法计算, 其中, 第$ l $层第$i $个神经元的输出门的权值与偏置参数的校正算法为
$$ W_i^l(k-j+1) = W_i^l(k-j)-\alpha\frac{\partial L_i(k)}{\partial W_i^l(k-j)} $$ (21) $$ b_i^l(k-j+1) = b_i^l(k-j)-\alpha\frac{\partial L_i(k)}{\partial b_i^l(k-j)} $$ (22) $$L_i(k) =\frac{1}{k}\sum_{m = 0}^{k-1}||\Delta \bar{r}_i(k-m)||_2 $$ (23) 其中, $ \Delta\bar{r}_i(k-m) = \bar{r}_i(k-m)-\tilde{r}_i(k-m) $.
为了准确预报需量尖峰, 需要保证需量预报误差精度和需量变化趋势预报精度, 由式(15)知需量预报精度取决于$ \bar{r}(k+i) $的预报精度. 采用自校正机制监控$ \bar{r}(k+i) $的在线深度学习预报模型的预报误差和变化趋势的预报精度, 当不满足精度要求时, 采用自校正深度学习预报模型的各层权值参数与偏置参数校正在线深度学习预报模型的权值参数与偏置参数.
自校正机制采用$ \bar{r}(k+i) $的预报误差$ \Delta \bar{r}_i(k) $, 未知非线性系统第$ i $步上升趋势预报准确率$ { TPR_i(k)} $和第$ i $步下降趋势预报准确率$ { TNR_i(k)} $三项指标, 即
$$ |\Delta\bar{r}_i(k)| = |\bar{r}_i(k)-\hat{\bar{r}}_i(k)| $$ (24) $$ { TPR_i(k)} = \frac{\sum\limits_{m = 0}\limits^{N-1}{ TP}_i(k-m)}{\sum\limits_{m = 0}\limits^{N-1}{ TP}_i(k-m)+\sum\limits_{m = 0}\limits^{N-1}{ FP}_i(k-m)} $$ (25) $$ { TNR_i(k)} =\frac{\sum\limits_{m = 0}\limits^{N-1}{ TN}_i(k-m)}{\sum\limits_{m = 0}\limits^{N-1}{ TN}_i(k-m)+\sum\limits_{m = 0}\limits^{N-1}{ FN}_i(k-m)} $$ (26) 其中, $ {TP}_i(k), { FP}_i(k), { TN}_i(k), { FN}_i(k) $的计算方式如表1所示.
表 1 $ { TP}_i(k), { FP}_i(k), { TN}_i(k), {FN}_i(k)$的计算方式Table 1 Formula mode of ${ TP}_i(k), { FP}_i(k), $ ${ TN}_i(k), {FN}_i(k) $$\hat{\bar{r} }_i(k)-\hat{\bar{r} }_i(k-1)\geq 0$ $\hat{\bar{r} }_i(k)-\hat{\bar{r} }_i(k-1) < 0$ $\bar{r}_i(k)-\bar{r}_i(k-1)\geq 0$ ${TP}_i(k)=1$ ${FP}_i(k)=1$ $\bar{r}_i(k)-\bar{r}_i(k-1)< 0$ ${FN}_i(k)=1$ ${TN}_i(k)=1$ $ k $时刻在线深度学习预报模型的预报误差$ |\Delta\bar{r}_i(k)|\geq \delta_i $ ($ \delta_i $为预报误差上界), 自校正深度学习预报模型的预报误差$ |\Delta\bar{r}_i(k)|< \delta_i $, 且在线深度学习预报模型的上升趋势和下降趋势预报准确率均小于自校正深度学习预报模型的上升趋势和下降趋势预报准确率, 采用自校正深度学习预报模型的全部权值参数和偏置参数校正在线深度学习预报模型的全部权值参数和偏置参数.
3.3 需量多步智能预报算法
由式(15)可得需量多步预报模型为
$$ \begin{split} \hat{\bar{P}}(k+n) =\; &{\bar{P}_S(k)}-\frac{1}{30}AP(k+n-30)\;+\\ &\frac{1}{30}A\hat{\Theta}^{\rm{T}}\varphi^{\rm{T}}(k)+ \frac{1}{30}A\hat{\bar{R}}(k+n) \end{split} $$ (27) 其中,
$$ \begin{split} \hat{\bar{P}}(k+n) =\;& (\hat{\bar{p}}_1(k+1), \cdots, \hat{\bar{p}}_i(k+i), \cdots,\\ &\hat{\bar{p}}_n(k+n))^{\rm{T}}\\ \hat{\bar{R}}(k+n) =\;&(\hat{\bar{r}}_1(k+1), \cdots, \hat{\bar{r}}_i(k+i), \cdots,\\ &\hat{\bar{r}}_n(k+n))^{\rm{T}} \end{split} $$ 端边云协同的需量多步智能预报算法:
1)端−需量监控系统实时采集电熔镁砂生产过程中的群炉功率$ p(k) $与需量$ \bar{p}(k) $;
2) 边−需量预报计算机执行数据处理和需量在线多步预报模型. 在线计算$ \hat{\Theta}^{\rm{T}}\varphi^{\rm{T}}(k) $, 由式(14)计算$ \hat{\bar{R}}(k+n) $. 采用窗口长度为$ N $的输入输出数据由$ \bar{R}(k+n) $的在线深度学习多步预报模型得其预报值$ \hat{\bar{R}}(k+n) $, 由需量多步预报模型式(27)得需量多步预报值$ \hat{\bar{P}}(k+n) $;
3)云−数据服务器和人工智能计算平台采用$ k $时刻以及以前所有时刻的输入输出数据和$ \bar{R}(k+n) $的自校正深度学习多步预报模型得其预报值$ \hat{\bar{R}}(k+ n) $. 采用自校正机制的三项指标式(24) ~ (26), 当$ \bar{R}(k+n) $的在线深度学习多步预报模型的预报误差超过预报精度上界时, 采用自校正深度学习多步预报模型的权值参数和偏置参数校正在线深度学习多步预报模型的权值参数和偏置参数.
4. 实验结果
采用某电熔镁砂生产企业的实际功率和需量数据进行了本文提出的需量多步智能预报方法的实验, 并与文献[9]提出的基于支持向量机、极限学习机和循环神经网络的用电需量多步预报方法进行了对比实验.
采用30个炉次的150000组功率数据离线确定$ \bar{r}(k+i) $的深度学习预报模型结构, 神经元个数$ t = 25 $、神经元的节点个数$ \bar{h} = 200 $、隐藏层数$ L = 3 $. 校正算法中的式(17)、式(18)、式(21)和式(22)中的学习率为$ \alpha = 0.1 $, 在线训练数据窗口长度$ N = 2\,000 $. 自校正机制中的预报误差上界$ \delta_i = 100 $.
由于发生需量尖峰的整个时间小于70秒, 而需量的采样周期为7秒, 因此选择需量预报步数$ i = 1, \cdots, 10 $. 采用线性模型参数辨识方程式(11)得模型参数$ \hat{\Theta} $为
$$ \begin{split} &{{{\hat{\boldsymbol{\theta}} }}^{1}} = {{\left( {0}{.140, 0}{.075, -0}{.157, 0}{.869} \right)}^{\rm T}}\\ & {{{\hat{\boldsymbol{\theta}} }}^{2}} = {{\left( {0}{.201, 0}{.135, -0}{.042, 0}{.587} \right)}^{\rm T}} \\ & {{{\hat{\boldsymbol{\theta}} }}^{3}} = {{\left( {0}{.204, 0}{.146, 0}{.061, 0}{.431} \right)}^{\rm T}}\\ &{{{\hat{\boldsymbol{\theta}} }}^{4}} = {{\left( {0}{.201, 0}{.109, 0}{.103, 0}{.411} \right)}^{\rm T}} \\ & {{{\hat{\boldsymbol{\theta}} }}^{5}} = {{\left( {0}{.203, 0}{.103, 0}{.068, 0}{.427} \right)}^{\rm T}}\\ &{{{\hat{\boldsymbol{\theta}} }}^{6}} = {{\left( {0}{.207, 0}{.103, 0}{.063, 0}{.409} \right)}^{\rm T}} \\ & {{{\hat{\boldsymbol{\theta}} }}^{7}} = {{\left( {0}{.208 , 0}{.103 , 0}{.066, 0}{.389} \right)}^{\rm T}} \\ &{{{\hat{\boldsymbol{\theta}} }}^{8}} = {{\left( {0}{.204, 0}{.103, 0}{.069, 0}{.374} \right)}^{\rm T}}\\ &{{{\hat{\boldsymbol{\theta}} }}^{9}} = {{\left( {0}{.203, 0}{.097, 0}{.071, 0}{.364} \right)}^{\rm T}}\\ &{{{\hat{\boldsymbol{\theta}} }}^{10}} = {{\left( {0}{.202, 0}{.095, 0}{.067, 0}{.358} \right)}^{\rm T}}\end{split} $$ 采用上述30个炉次的150000组需量数据离线建立文献[9]的用电需量多步预报模型:
$$ \begin{split} \hat{\bar{p}}(k+i) =\; &{{W}_{1}}{{\hat{\bar{p}}}_{svm}}(k+i)+{{W}_{2}}{{\hat{\bar{p}}}_{elm}}(k+i)\;+\\ &{{W}_{3}}{{\hat{\bar{p}}}_{rnn}}(k+i) \end{split} $$ 其中, $ \hat{\bar{p}}_{svm}, \hat{\bar{p}}_{elm}, \hat{\bar{p}}_{rnn} $分别为支持向量机、极限学习机和循环神经网络的输出, 上述模型的阶次$ t = 25 $, 支持向量机中径向基函数的期望为150、方差为0.08, 循环神经网络的每层节点数为$ \bar{h} = 150 $, 隐藏层数为$ L = 2 $, 权参数$W_1 = 0.16, W_2 = 0.34, W_3 = 0.71$.
采用实时采集的70个炉次的350000组的需量与功率数据对本文所提需量多步预报算法与文献[9]多步预报算法进行了预报步数$ i = 1, \cdots, 10 $的对比实验. 采用文献[23]的均方根误差(Root mean square error, RMSE)式(28), 文献[24]的拟合优度$ R^2 $式(29), 文献[17]的平均绝对百分比误差(Mean absolute percentage error, MAPE)式(30), 需量第$ i $步预报的上升趋势预报准确率$ {TPR}_i $式(25)和下降趋势预报准确率$ { TNR}_i $式(26)指标对本文所提需量多步预报算法和文献[9]多步预报算法的实验结果进行评估. 实验结果见表2.
表 2 需量预报精度对比Table 2 Precision comparison of demand forecast预报步数$i$ 1 2 3 4 5 6 7 8 9 10 $R^2_i\;(\%)$ 本文 99.96 99.62 99.59 99.47 99.39 99.31 98.99 98.51 98.03 97.95 文献[9] 90.34 90.05 89.77 89.54 88.73 88.48 88.01 87.76 87.33 86.94 ${{RMSE} }_i$ 本文 9.93 11.06 11.99 13.03 13.89 14.73 16.05 16.83 17.93 18.78 文献[9] 24.92 30.01 34.49 39.99 44.79 50.23 54.93 60.05 65.32 70.64 ${{MAPE} }_i\;(\%)$ 本文 0.04 0.05 0.05 0.06 0.06 0.07 0.07 0.08 0.08 0.08 文献[9] 0.11 0.13 0.15 0.18 0.20 0.22 0.24 0.27 0.29 0.32 $TPR_i\;(\%)$ 本文 94.88 93.21 92.19 91.42 90.17 89.77 88.21 90.05 91.55 89.66 文献[9] 86.12 82.11 80.05 80.11 78.94 79.33 79.11 77.06 80.15 79.02 $TNR_i\;(\%)$ 本文 93.22 94.67 92.19 92.01 94.21 93.18 90.96 89.99 88.12 90.01 文献[9] 81.12 80.04 80.67 83.72 79.99 80.15 77.56 86.77 80.15 76.91 $$ {{RMSE}}_i = \sqrt{\frac{1}{N_t}\sum\limits_{k = 1}^{N_t} \left( \bar{p}(k)-\hat{\bar{p}}_i(k)\right)^2} $$ (28) $$ { R}_i^2 = \frac{\sum\limits_{k = 1}\limits^{N_t}\left( \hat{\bar{p}}_i(k)-{\tilde{p}}_i\right)^2 }{\sum\limits_{k = 1}\limits^{N_t}\left(\bar{p}_i(k)-\tilde{p}_i \right)^2 }\times 100{\text{%}} $$ (29) 其中, $ \tilde{p}_i = \frac{1}{N_t}\sum_{k = 1}^{N_t} \bar{p}(k+i-1) $.
$$ {{MAPE}}_i = \frac{1}{N_t}\sum\limits_{k = 1}^{N_t}\left|\frac{\bar{p}(k)-\hat{\bar{p}}_i(k)}{\bar{p}(k)}\right|\times 100{\text{%}} $$ (30) 为了能清楚地对比实验结果, 采用图4 ~ 图6表示从在线的350000组数据的实验结果中随机抽取100组$ i = 1, 5, 10 $步需量预报结果, 虚线为本文需量预报结果, 实线为文献[9]需量预报结果, 点线为需量真实值. 可以看出本文需量预报方法与文献[9]方法相比, 预报精度明显提高.
从表2可以看出, 本文的方法与文献[9]方法的$ i = 1, 5, 10 $步预报结果相比, $ R^2 $提高$ 11.01{\text{%}} $, $ {{RMSE}}_i $降低51.86, $ {{MAPE}}_i $降低$ 0.24{\text{%}} $, 上升趋势$ { TPR}_i $提高$ 10.23{\text{%}} $, 下降趋势$ { TNR}_i $提高$ 14.22{\text{%}} $. 对比实验结果表明本文方法比文献[9]方法的需量多步预报精度和需量变化趋势的预报精度明显提高.
5. 结论
本文通过电熔镁砂生产过程熔化电流闭环控制系统方程建立需量动态模型, 在此基础上建立了由线性模型和未知非线性动态系统组成的需量多步预报模型, 采用文献[18]方法建立了未知非线性动态系统的自适应深度学习多步预报模型, 在此基础上提出了端边云协同的电熔镁砂生产过程需量多步智能预报方法. 采用70个炉次的电熔镁砂生产过程的实际数据的实验结果表明本文的方法与文献[9]方法的$ i = 1, 5, 10 $ 步预报结果相比, $ R^2 $提高$ 11.01{\text{%}} $, $ {{RMSE}}_i $降低51.86, $ {{MAPE}}_i $降低$ 0.24{\text{%}} $, 上升趋势$ { TPR}_i $提高$ 10.23{\text{%}} $, 下降趋势$ { TNR}_i $提高$ 14.22{\text{%}} $, 验证了本文所提的预报方法可以准确预报需量的变化趋势, 为实现需量尖峰的准确预报和控制创造了条件.
-
图 10 基于2019年净负荷数据的DDPMM与DPMM迭代曲线
Fig. 10 DDPMM and DPMM iterative curves based on net load data in the year of 2019
图 11 不同预测值下的净负荷预测误差条件概率分布
Fig. 11 The PDF of net load forecast error conditions under different forecast values
表 1 对数似然比较
Table 1 Comparison of log-likelihood
模型 Log-L/103 (test) DDPMM (5) 1.639 DPMM (15) 1.625 GMM-AIC (20) 1.612 GMM-BIC (13) 1.611 
下载: 导出CSV
表 2 卡方拟合优度比较
Table 2 Comparison of goodness of fit of Chi-square
Test (a) (b) (c) (d) (e) (f) (g) (h) (i) (j) DDPMM 4.36 3.03 3.58 1.63 1.54 1.96 1.59 1.96 5.32 5.11 DPMM 4.87 3.15 4.46 2.46 1.37 1.79 1.98 1.31 4.92 7.08 GMM-AIC 5.32 3.54 4.20 2.87 2.01 2.01 2.42 1.95 5.94 5.58 GMM-BIC 5.64 3.46 3.95 2.63 2.34 2.53 2.07 2.84 4.99 5.98
下载: 导出CSV
表 3 0.95置信度下2020年3月区间指标
Table 3 Interval index for March 2020 with 0.95 confidence level
模型 Winkler/102 PICP CWC AIS MPICD/102 DDPMM 33.57 0.80 4.14 −1.03 6.03 DPMM 37.18 0.70 22.58 −1.56 6.05 GMM-AIC 39.11 0.63 78.71 −1.84 6.07 GMM-BIC 36.86 0.69 26.93 −1.51 6.08
下载: 导出CSV
表 4 0.95置信度下2020年6月区间指标
Table 4 Interval index for June 2020 with 0.95 confidence level
模型 Winkler/102 PICP CWC AIS MPICD/102 DDPMM 29.84 0.93 0.50 −0.58 4.59 DPMM 30.91 0.86 1.18 −0.68 4.61 GMM-AIC 33.19 0.75 6.68 −1.02 4.65 GMM-BIC 31.46 0.84 1.56 −0.77 4.63
下载: 导出CSV
表 5 0.95置信度下2020年9月区间指标
Table 5 Interval index for September 2020 with 0.95 confidence level
模型 Winkler/102 PICP CWC AIS MPICD/102 DDPMM 30.60 0.89 0.93 −0.70 5.02 DPMM 32.59 0.80 3.71 −0.96 5.03 GMM-AIC 34.90 0.72 13.76 −1.32 5.03 GMM-BIC 32.85 0.79 3.68 −1.01 5.02
下载: 导出CSV
表 6 0.95置信度下2020年12月区间指标
Table 6 Interval index for December 2020 with 0.95 confidence level
模型 Winkler/102 PICP CWC AIS MPICD/102 DDPMM 39.18 0.72 20.4 −1.97 7.45 DPMM 44.51 0.61 138.23 −2.77 7.44 GMM-AIC 46.02 0.59 173.46 −3.00 7.42 GMM-BIC 43.31 0.64 82.32 −2.59 7.42
下载: 导出CSV
表 7 0.8置信度下2020年6月区间指标
Table 7 Interval index for June 2020 with 0.8 confidence
模型 Winkler/102 PICP CWC AIS DDPMM 32.76 0.77 0.41 −0.91 DPMM 34.70 0.68 1.34 −1.20 GMM-AIC 37.53 0.56 9.86 −1.66 GMM-BIC 35.41 0.66 1.90 −0.32
下载: 导出CSV
表 8 0.5置信度下2020年6月区间指标
Table 8 Interval index for June 2020 with 0.5 confidence
模型 Winkler/102 PICP CWC AIS DDPMM 39.84 0.49 0.16 −1.93 DPMM 41.73 0.38 0.73 −2.30 GMM-AIC 44.26 0.31 2.19 −2.73 GMM-BIC 42.33 0.38 0.66 −2.40
下载: 导出CSV
-
[1] 黄博南, 王勇, 李玉帅, 刘鑫蕊, 杨超. 基于分布式神经动态优化的综合能源系统多目标优化调度. 自动化学报, DOI: 10.16383/j.aas.c200168Huang Bo-Nan, Wang Yong, Li Yu-Shuai, Liu Xin-Rui, Yang Chao. Multi-objective optimal scheduling of integrated energy systems based on distributed neurodynamic optimization. Acta Automatica Sinica, DOI: 10.16383/j.aas.c200168 [2] 唐昊, 刘畅, 杨明, 汤必强, 许丹, 吕凯. 考虑电网调峰需求的工业园区主动配电系统调度学习优化. 自动化学报, 2019, 47(10): 1-15Tang Hao, Liu Chang, Yang Ming, Tang Bi-Qiang, Xu Dan, Lv Kai. Learning-based optimization of active distribution system dispatch in industrial park considering the peak operation demand of power grid. Acta Automatica Sinica, 2021, 47(10): 2449-2463 [3] 姜兆宇, 贾庆山, 管晓宏. 多时空尺度的风力发电预测方法综述. 自动化学报, 2019, 45(1): 51-71Jiang Zhao-Yu, Jia Qing-Shan, Guan Xiao-Hong. A Review of Multi-temporal-and-spatial-scale Wind Power Forecasting Method. Acta Automatica Sinica, 2019, 45(1): 51-71 [4] Sun M, Zhang T, Wang Y, Strbac G and Kang C. Using Bayesian deep learning to capture uncertainty for residential net load forecasting. IEEE Transactions on Power Systems, 2019, 35(1): 188-20 [5] Wang Y, Zhang N, Chen Q, Kirschen D S, Li P, Xia Q. Data-driven probabilistic net load forecasting with high penetration of behind-the-meter PV. IEEE Transactions on Power Systems, 2017, 33(3): 3255-3264 [6] Rajbhandari N, Li W F, Du P W, Sharma S, Blevins B. Analysis of net-load forecast error and new methodology to determine non-spin reserve service requirement. In: Proceedings of the 2016 IEEE Power and Energy Society General Meeting, Boston, MA, USA: IEEE, 2016: 1−5 [7] Alvarado-Barrios L, Alvaro R, Valerino B, et al. Stochastic unit commitment in microgrids: Influence of the load forecasting error and the availability of energy storage. Renewable Energy, 2020, 146: 2060-2069 doi: 10.1016/j.renene.2019.08.032 [8] Tang C, Jian X, Sun Y, et al. A versatile mixture distribution and its application in economic dispatch with multiple wind farms. IEEE Transactions on Sustainable Energy, 2017, 8(4): 1747-1762 doi: 10.1109/TSTE.2017.2709755 [9] Dong B, Li Z, Rahman S M M, et al. A hybrid model approach for forecasting future residential electricity consumption. Energy and Buildings, 2016, 117: 341-351 doi: 10.1016/j.enbuild.2015.09.033 [10] 赵书强, 张婷婷, 李志伟, 等. 基于数值特性聚类的日前光伏出力预测误差分布模型. 电力系统自动化, 2019, 43(13): 36-45 doi: 10.7500/AEPS20180405002Zhao Shu-qiang, Zhang Ting-ting, Li Zhi-wei, et al. Distribution Model of Day-ahead Photovoltaic Power Forecasting Error Based on Numerical Characteristic Clustering. Automation of Electric Power Systems, 2019, 43(13): 36-45 doi: 10.7500/AEPS20180405002 [11] Yang Y, Wu W, Wang B, Li M. Analytical Reformulation for Stochastic Unit Commitment Considering Wind Power Uncertainty With Gaussian Mixture Model. IEEE Transactions on Power Systems, 2020, 35(4): 2769-2782 doi: 10.1109/TPWRS.2019.2960389 [12] Sun W, Zamani M, Hesamzadeh M R, Zhang H. Data-Driven Probabilistic Optimal Power Flow with Nonparametric Bayesian Modeling and Inference. IEEE Transactions on Smart Grid, 2020, 11(2): 1077-1090 doi: 10.1109/TSG.2019.2931160 [13] Brockwell P J, Davis R A, Berger J O, Fienberg S E, Singer B. Time Series: Theory and Methods. Berlin: Springer-Verlag, 2015. 48−59 [14] Kun Il Park. Fundamentals of Probability and Stochastic Processes with Applications to Communications, Berlin: Springer, 2018. 171−183 [15] Han L, Jing H, Zhang R, et al. Wind power forecast based on improved Long Short-Term Memory network. Energy, 2019: 116300 [16] Blei D M, Jordan M I. Variational inference for Dirichlet process mixtures. Bayesian Analysis, 2006, 1(1): 121-143 [17] Li Z, Li Y, Liu Y, Wang P, Lu R, Gooi H B. Deep Learning Based Densely Connected Network for Load Forecasting. IEEE Transactions on Power Systems, 2021, 36(4): 2829-2840 doi: 10.1109/TPWRS.2020.3048359 [18] McLachlan G J, Peel D. Finite Mixture Models. Wiley Series in Probability and Statistics. John Wiley & Sons Inc. 2000, 521−541 [19] Bishop C M. Pattern Recognition and Machine Learning. Journal of Electronic Imaging, 2006, 16(4): 140-155 [20] Bouguila N, Ziou D. A Dirichlet Process Mixture of Generalized Dirichlet Distributions for Proportional Data Modeling. IEEE Transactions on Neural Networks, 2010, 21(1): 107-122 doi: 10.1109/TNN.2009.2034851 [21] Sethuraman J. A Constructive Definition of the Dirichlet Prior. Statistica Sinica, 1994, 4(2): 639-650 [22] Dong H, Dwk B, Csp C. Prior selection method using likelihood confidence region and Dirichlet process Gaussian mixture model for Bayesian inference of building energy models. Energy and Buildings, 2020, 224: 110293 doi: 10.1016/j.enbuild.2020.110293 [23] Akaike H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, 1976, 19(6): 716-723 [24] Wang Y, Liu Q. Comparison of Akaike information criterion and Bayesian information criterion in selection of stock–recruitment relationships. Fisheries Research, 2006, 77(2): 220-225 doi: 10.1016/j.fishres.2005.08.011 [25] Khosravi A, Nahavandi S, Creighton D, et al. Lower Upper Bound Estimation Method for Construction of Neural Network-Based Prediction Intervals. IEEE Transactions on Neural Networks, 2011, 22(3): 337-346 doi: 10.1109/TNN.2010.2096824 期刊类型引用(7)
1. 张喜铭，徐欢，杨秋勇，高伟，张睿喆. 考虑电力系统数据治理智能化的数据库生成方法研究. 制造业自动化. 2024(02): 160-165+171 . 
百度学术2. 祝健杨，辛明勇，代奇迹. 基于深度神经网络的数字电网边缘侧数据迁移. 电子设计工程. 2024(08): 55-58+63 . 百度学术3. 张福胜，张扬，薛志胜，彭驰. 基于物联网的煤矿井下机电设备状态智能监测. 机械与电子. 2024(04): 45-49 . 百度学术4. 于秋玲，梁锦照，陈康平. 基于云边协同的交直流混联电网线路过负荷协调控制方法. 沈阳工业大学学报. 2024(03): 241-247 . 百度学术5. 陈琳，赵冬，尹建兵，王明昶，徐航. QoS数据不确定性下电力业务服务自适应选取模型. 电子设计工程. 2024(13): 131-134+139 . 百度学术6. 李远征，任潇，葛磊蛟，彭靖轩，徐秋实，李曦. 基于可逆固体氧化物电池的电氢耦合微电网全生命周期规划-运营研究. 中国电机工程学报. 2024(13): 5169-5185 . 百度学术7. 金义，宋永春，马路遥，曹雨，宋树，贺琳. 高维时序空间大数据关联特征精准挖掘算法. 电子设计工程. 2024(16): 161-165 . 百度学术其他类型引用(3)
-
下载:
计量
- 文章访问数: 819
- HTML全文浏览量: 459
- PDF下载量: 176
- 被引次数: 10
