久久国产劲爆∧V内射,国产精品欧美亚洲韩国精品,激吻亲胸抹胸视频

本文以電力系統(tǒng)負荷預測為切入點,，從市場主體實用的角度出發(fā)探討系統(tǒng)負荷預測的基本研究思路，并提出了一套具體方法供讀者參考,。

1電力系統(tǒng)負荷預測對市場主體的必要性

電力系統(tǒng)負荷作為影響價格的強相關(guān)影響因素,，對市場主體進行中長期交易分析有著重要參考意義。因此電力系統(tǒng)負荷預測作為輔助決策依據(jù),，能在一定程度上指導電力交易員規(guī)避交易風險,，幫助市場主體客觀分析市場形勢。因此,，在用戶負荷特性的研究之外,，我們針對電力系統(tǒng)負荷預測也開展了一定的研究。然而在與市場主體的交流和調(diào)研中我們發(fā)現(xiàn)：由于缺乏完備的數(shù)據(jù)來源,，某些在電力系統(tǒng)運行中有著廣泛應用的數(shù)據(jù)算法無法直接遷移,。此外作為交易判斷依據(jù)，市場主體普遍希望預測算法能具備一定的解釋性,。同時預測方法總體應從簡,，便于市場主體進行調(diào)整或拓展。

綜上,，我們將研究目標定位為設(shè)計市場主體既能便于直接應用，又可拓展研究的系統(tǒng)負荷預測方法,。目前先以短期負荷預測為切入,，逐漸推廣至中長期分析，希望能幫助市場主體更好地適應市場變化,，規(guī)避風險,。

本文以講解預測思路和方法為主，摘錄了萬里揚能源科技研究團隊近期發(fā)表的負荷預測技術(shù)研究主題相關(guān)論文（EI檢索）部分內(nèi)容,，以沿海某省運行日系統(tǒng)負荷預測為例,，展示了團隊如何一步步將預測算法精度和實用性提高的過程。本文在闡述的過程中不可避免引入部分公式,，但均有簡單的示意和解釋,。希望讀者朋友能各取所需，有鉆研精神的大神可深入研究公式背后的含義,，像小編一樣懶于動腦但又想了解專業(yè)研究內(nèi)容的朋友也必過度費神,，遇到一時看不懂的地方也不必焦慮,，可以先行收藏，需要用時再翻出來斟酌,。

2.1刪繁就簡,，利用多元回歸確立預測基本方法

電力系統(tǒng)負荷預測是電力系統(tǒng)運行安排的必需支撐，也有許多成熟的相關(guān)研究和應用方法,，如考慮負荷近期變化趨勢的時間序列分析法,、負荷求導法，考慮負荷關(guān)聯(lián)因素的回歸,、參數(shù)估計或神經(jīng)網(wǎng)絡(luò),，考慮負荷分類特征的灰度預測法、多種距離聚類算法以及考慮實際運行經(jīng)驗的相似日法,、負荷成因分析法等,。然而上述大部分負荷預測方法大多需要電網(wǎng)運行數(shù)據(jù)或調(diào)度運行經(jīng)驗的支撐，并不可完全套用于市場主體,。實際上市場主體對系統(tǒng)負荷預測的需求也與電網(wǎng)運行部門有所差異,。

我們通過相關(guān)前期調(diào)研和探討，認為適用于市場主體的系統(tǒng)負荷方法應具備下列幾個特征：1,、預測方法需完全基于市場公有信息和公布數(shù)據(jù),。由于市場主體無法掌握全面的電網(wǎng)運行數(shù)據(jù)，因此某些在電網(wǎng)運行負荷預測中表現(xiàn)優(yōu)良的數(shù)據(jù)模型或算法反而在市場主體側(cè)難以直接移植或套用,，不得不面臨“巧婦難為無米之炊”的困境,。因此作為交易決策的輔助手段，市場主體適用的預測方法應完全基于市場公有信息和數(shù)據(jù)開展,；2,、預測方法的可解釋性強。便于在實用中進行復盤修正,，根據(jù)實際信息和預測經(jīng)驗不斷提高預測精確度,；3、預測方法允許一定的誤差,，但需保證復雜性低,，收斂性好，計算資源要求低,。避免交易員在交易分析時花費過多的精力在調(diào)整參數(shù),、調(diào)通數(shù)據(jù)模型和分析因果等事項。

綜上,，我們在研究負荷預測時優(yōu)先考慮使用回歸模型,。本文以多元線性回歸作為基本方法為例，通過對沿海某省近一年的工作日歷史負荷進行回歸分析。

研究案例省份近年歷史負荷數(shù)據(jù)示意

由于電力負荷在時間上具有一定的慣性,，我們首先嘗試以歷史負荷作為回歸變量進行預測,。首先，考慮了該省市場實際負荷較運行日日前負荷信息的發(fā)布時延,，簡單粗暴地以目標日和目標日前兩個同類型日（考慮市場公有信息發(fā)布延時）建立了線性回歸模型,。表達式如下所示：

其中，xrl-day-2代表了運行日D-2天的實時系統(tǒng)負荷,，yrl代表模型預測的運行日系統(tǒng)負荷,。

回歸模型建立后，我們采用決定系數(shù)R2來評估模型的準確度,?？吹竭@的讀者朋友可能會有疑問：這個決定系數(shù)到底決定了什么呢？原來,，線性回歸模型中因變量的實際值可認為由兩部分組成：一部分源自自變量和因變量線性關(guān)系（SSR）,，代表回歸關(guān)系中可解釋的部分。另一部分是來自自變量以外的其他無法預測因素的干擾（殘差干擾（SSE））,，不可用回歸關(guān)系解釋,。為了得到較精確度線性回歸模型，一般希望模型可解釋的部分占比越高,，無法被解釋的部分占比越小,。即用于擬合的自變量對因變量具有決定性的影響作用。因此定義了決定系數(shù)R2來反映因變量能通過回歸關(guān)系被自變量解釋的比例,，即回歸正確率,。其表達式如下所示。

由上述表達式可見決定系數(shù)R2總是一個[0,1]區(qū)間內(nèi)的值,。舉個例子,，若R2=0.7，即意味著該回歸模型的自變量和因變量間的回歸關(guān)系可解釋70%的因變量變化規(guī)律,。因此決定系數(shù)越趨近于1,，則誤差越小，回歸效果越好,，即模型精準度越高,。一般認為R2達到0.8以上則模型有較好的擬合特性,。在我們的研究案例中,，通過僅以歷史負荷數(shù)據(jù)作為自變量進行擬合所述的線性回歸模型R2的值約0.5911?？梢姰斍澳Ｐ偷臏蚀_度明顯不足,，推測是還有未予考慮但與負荷強相關(guān)因素所致。

我們通過查閱負荷預測文獻和實地調(diào)研，發(fā)現(xiàn)無論是學術(shù)研究還是行業(yè)生產(chǎn)上均認為天氣條件對沿海省份的負荷影響較大,。因此我們在歷史負荷模型的基礎(chǔ)上嘗試加入了歷史天氣信息,，因此形成了第二階段的線性回歸模型，希望能顯著提升模型精度,。

其中,，L(weather data)是基于天氣數(shù)據(jù)的線性組合。在這個階段的模型里,，我們加入了該省兩個作為主要負荷中心的城市相關(guān)的天氣數(shù)據(jù),。

這里還出現(xiàn)了一個有趣的情況：天氣數(shù)據(jù)實際上包含著相當豐富的要素，包括但不限于最高溫度,、最低溫度,、天氣狀況、濕度,、氣壓,、風力和風向等。由于前期未著重對于天氣條件這一要點開展充分調(diào)研,，因此我們無法直觀上認定哪些天氣要素對負荷起到了關(guān)鍵的影響作用,，無奈之下只好將所有天氣信息都放入模型中。伴隨著天氣信息的不斷豐富,，模型的R2值確實較之前有所上升,，但卻在0.65左右停滯不前。即使多加入幾個城市的天氣信息,，R2值也僅獲得數(shù)個百分點的提升,。我們意識到一味粗暴地加入天氣信息無法進一步提升模型精度，原因是某些和負荷弱相關(guān)的因素妨礙了回歸模型的有效擬合,。

此外,，堆砌海量的天氣信息導致模型的復雜度異常大，光是維護起來也夠嗆,。因此我們中止了加入更多參數(shù),，轉(zhuǎn)而尋求有效的方法，希望能篩除與負荷相關(guān)度低的要素,。

最終赤池法則脫穎而出被我們選中,，該方法原理是什么，又是如何解決問題的,，請在下一篇文章中一探究竟,。

作者：萬里揚能源科技研究院