新能源電力系統(tǒng)概率預(yù)測理論與方法
《新能源電力系統(tǒng)概率預(yù)測理論與方法=Theory and Methodology of Probabilistic Forecasting for Renewable Power Systems》系統(tǒng)地介紹了新能源電力系統(tǒng)概率預(yù)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(guān)鍵可靠信息支撐，助力新能源電力系統(tǒng)安全和經(jīng)濟(jì)運(yùn)行。《新能源電力系統(tǒng)概率預(yù)測理論與方法=Theory and Methodology of Probabilistic Forecasting for Renewable Power Systems》共9章，主要內(nèi)容包括：預(yù)測科學(xué)基礎(chǔ)，概率預(yù)測的數(shù)學(xué)原理與應(yīng)用價(jià)值，自舉極限學(xué)習(xí)機(jī)概率預(yù)測方法，自適應(yīng)集成深度學(xué)習(xí)概率預(yù)測方法，機(jī)器學(xué)習(xí)直接區(qū)間預(yù)測，機(jī)器學(xué)習(xí)*優(yōu)區(qū)間預(yù)測，直接分位數(shù)回歸非參數(shù)概率預(yù)測方法，數(shù)據(jù)驅(qū)動非參數(shù)概率預(yù)測，概率預(yù)測-決策一體化。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
適讀人群 ：新能源電力系統(tǒng)規(guī)劃、經(jīng)濟(jì)調(diào)度、穩(wěn)定控制、市場交易等科研和工程技術(shù)人員，高校有關(guān)專業(yè)的本科生和研究生，計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、控制科學(xué)、經(jīng)濟(jì)金融、管理等領(lǐng)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(yùn)行管理、市場交易等研究和技術(shù)人員閱讀參考，也可作為高校有關(guān)專業(yè)學(xué)生學(xué)習(xí)教材和參考資料，同時(shí)也可為經(jīng)濟(jì)金融、統(tǒng)計(jì)決策、管理等領(lǐng)域從業(yè)者提供參考。
本書是作者及其研究團(tuán)隊(duì)耕耘十年的成果總結(jié)，旨在推動概率預(yù)測基礎(chǔ)理論研究及其工程應(yīng)用。
萬燦，浙江大學(xué)研究員（長聘）、博士生導(dǎo)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(xué)者”，中國電工技術(shù)學(xué)會人工智能與電氣應(yīng)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(diǎn)研發(fā)計(jì)劃重點(diǎn)專項(xiàng)課題、國家自然基金面上項(xiàng)目，獲國家科技進(jìn)步二等獎、教育部自然科學(xué)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(yù)測、分析與控制研究。
宋永華，英國皇家工程院院士、歐洲科學(xué)院外籍院士、IEEE Fellow，澳門大學(xué)校長，智慧城市物聯(lián)網(wǎng)國家重點(diǎn)實(shí)驗(yàn)室主任，中國電工技術(shù)學(xué)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(xué)研究院博士學(xué)位，2002年獲布魯內(nèi)爾大學(xué)科學(xué)博士學(xué)位，2014年獲巴斯大學(xué)榮譽(yù)工程博士學(xué)位，2019年獲愛丁堡大學(xué)榮譽(yù)科學(xué)博士學(xué)位。以第一完成人獲國家科技進(jìn)步二等獎1項(xiàng)、何梁何利基金科學(xué)與技術(shù)進(jìn)步獎1項(xiàng)、省部級自然科學(xué)一等獎2項(xiàng)、省部級科技進(jìn)步一等獎2項(xiàng)。
目錄
前言
第1章 預(yù)測科學(xué)基礎(chǔ) 1
1.1 概述 1
1.2 預(yù)測的基本原理 1
1.2.1 預(yù)測的定義 1
1.2.2 預(yù)測的一般步驟 2
1.2.3 預(yù)測時(shí)間尺度 4
1.2.4 新能源電力系統(tǒng)預(yù)測對象 5
1.3 常用預(yù)測模型與方法 9
1.3.1 物理預(yù)測模型 10
1.3.2 時(shí)間序列預(yù)測模型 10
1.3.3 統(tǒng)計(jì)法預(yù)測模型 12
1.3.4 機(jī)器學(xué)習(xí)預(yù)測模型 14
1.3.5 組合預(yù)測模型 20
1.4 預(yù)測科學(xué)的挑戰(zhàn) 20
參考文獻(xiàn) 22
第2章 概率預(yù)測的數(shù)學(xué)原理與應(yīng)用價(jià)值 24
2.1 概述 24
2.2 預(yù)測不確定性 24
2.2.1 預(yù)測誤差統(tǒng)計(jì)特性分析 24
2.2.2 預(yù)測不確定性的來源 32
2.3 概率預(yù)測數(shù)學(xué)原理 34
2.3.1 概率預(yù)測的數(shù)學(xué)本質(zhì) 34
2.3.2 概率預(yù)測基本形式 35
2.3.3 概率預(yù)測評價(jià)指標(biāo) 39
2.3.4 概率預(yù)測方法分類 45
2.4 概率預(yù)測的電力系統(tǒng)應(yīng)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(yùn)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(yīng) 56
參考文獻(xiàn) 57
第3章 自舉極限學(xué)習(xí)機(jī)概率預(yù)測方法 60
3.1 概述 60
3.2 極限學(xué)習(xí)機(jī) 60
3.2.1 單隱藏層前饋神經(jīng)網(wǎng)絡(luò) 60
3.2.2 經(jīng)典梯度下降訓(xùn)練算法 62
3.2.3 極限學(xué)習(xí)機(jī)*小二乘訓(xùn)練算法 63
3.2.4 極限學(xué)習(xí)機(jī)的應(yīng)用優(yōu)勢 64
3.3 預(yù)測不確定性 65
3.3.1 預(yù)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(xué)習(xí)機(jī) 66
3.4.1 自舉法 66
3.4.2 真回歸估計(jì) 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(luò)殘差估計(jì) 71
3.4.5 自舉極限學(xué)習(xí)機(jī)殘差估計(jì) 73
3.5 算例分析 75
3.5.1 市場出清電價(jià)概率預(yù)測算例分析 75
3.5.2 風(fēng)電功率概率預(yù)測算例分析 80
3.6 本章小結(jié) 88
參考文獻(xiàn) 89
第4章 自適應(yīng)集成深度學(xué)習(xí)概率預(yù)測方法 91
4.1 概述 91
4.2 深度學(xué)習(xí) 91
4.2.1 深度學(xué)習(xí)基礎(chǔ) 91
4.2.2 深度學(xué)習(xí)方法 93
4.3 集成學(xué)習(xí) 99
4.3.1 集成學(xué)習(xí)定義 99
4.3.2 集成學(xué)習(xí)算法基礎(chǔ) 100
4.3.3 集成學(xué)習(xí)組合策略 103
4.4 自適應(yīng)集成深度學(xué)習(xí) 104
4.4.1 初級集成深度學(xué)習(xí)模型構(gòu)建 104
4.4.2 自適應(yīng)混合集成 108
4.4.3 概率預(yù)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(yù)測性能分析 115
4.5.4 概率預(yù)測驗(yàn)證 118
4.6 本章小結(jié) 121
參考文獻(xiàn) 122
第5章 機(jī)器學(xué)習(xí)直接區(qū)間預(yù)測 123
5.1 概述 123
5.2 直接區(qū)間預(yù)測模型 123
5.2.1 區(qū)間預(yù)測概述 123
5.2.2 預(yù)測區(qū)間分?jǐn)?shù) 124
5.2.3 直接區(qū)間預(yù)測模型構(gòu)建 125
5.3 基于分位數(shù)的預(yù)測區(qū)間 127
5.3.1 預(yù)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(yīng)雙層優(yōu)化模型 129
5.4.1 *短可靠預(yù)測區(qū)間 129
5.4.2 自適應(yīng)雙層優(yōu)化模型 129
5.4.3 雙層模型的解耦 134
5.4.4 改進(jìn)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(yù)測 142
5.5.3 對稱與非對稱預(yù)測區(qū)間 143
5.5.4 自適應(yīng)預(yù)測區(qū)間 145
5.6 本章小結(jié) 149
參考文獻(xiàn) 150
第6章 機(jī)器學(xué)習(xí)*優(yōu)區(qū)間預(yù)測 152
6.1 概述 152
6.2 預(yù)測區(qū)間帕累托*優(yōu) 152
6.2.1 區(qū)間預(yù)測的目標(biāo) 152
6.2.2 多目標(biāo)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(jī)會約束極限學(xué)習(xí)機(jī)區(qū)間預(yù)測 158
6.3.1 機(jī)會約束與區(qū)間預(yù)測的關(guān)系 158
6.3.2 機(jī)會約束極限學(xué)習(xí)機(jī)模型 158
6.3.3 機(jī)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(xùn)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(yù)測區(qū)間分析 171
6.4.4 多置信度區(qū)間預(yù)測分析 173
6.4.5 多提前時(shí)間區(qū)間預(yù)測分析 174
6.4.6 預(yù)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(xiàn) 179
第7章 直接分位數(shù)回歸非參數(shù)概率預(yù)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(yù)測 181
7.2.2 分位數(shù)與概率預(yù)測 182
7.2.3 分位數(shù)回歸 184
7.2.4 分位數(shù)回歸的評價(jià) 186
7.3 極限學(xué)習(xí)機(jī)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(xùn)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(yù)測 192
7.4.3 多提前時(shí)間分位數(shù)預(yù)測 194
7.4.4 計(jì)算效率分析 197
7.5 本章小結(jié) 198
參考文獻(xiàn) 198
第8章 數(shù)據(jù)驅(qū)動非參數(shù)概率預(yù)測 200
8.1 概述 200
8.2 基礎(chǔ)理論與總體框架 200
8.2.1 理論支撐 200
8.2.2 總體預(yù)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(yīng)集成密度估計(jì) 209
8.4.1 密度估計(jì) 209
8.4.2 自適應(yīng)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(shí)間多季節(jié)概率預(yù)測 214
8.5.3 計(jì)算效率比較 223
8.6 本章小結(jié) 223
參考文獻(xiàn) 224
第9章 概率預(yù)測-決策一體化 226
9.1 概述 226
9.2 成本驅(qū)動的預(yù)測區(qū)間 226
9.2.1 預(yù)測區(qū)間的價(jià)值 226
9.2.2 成本驅(qū)動預(yù)測區(qū)間的構(gòu)建 227
9.3 電力系統(tǒng)運(yùn)行備用的確定性量化方法 228
9.3.1 電力系統(tǒng)運(yùn)行備用基本概念 228
9.3.2 基于某一準(zhǔn)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(yù)測的電力系統(tǒng)運(yùn)行備用量化 231
9.4.1 備用需求與概率預(yù)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(yù)測-決策一體化模型 234
9.5.1 基于極限學(xué)習(xí)機(jī)的預(yù)測區(qū)間 234
9.5.2 目標(biāo)函數(shù) 235
9.5.3 概率預(yù)測與運(yùn)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(jì)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(jì)算效率分析 252
9.7 本章小結(jié) 253
參考文獻(xiàn) 254
書單推薦
