文摘
在竞争激烈的电力市场,电力价格反映了电力供应和需求之间的关系,起着重要的作用在市场参与者的战略行为。随着能源存储系统后电能表的发展,准确的价格预测变得越来越重要在能源储能系统的管理和控制。由于电价的不确定性,一般的电价预测模型的性能不满意的在实践中采用。因此,在本文中,我们提出一种新颖的电价预测策略应用于优化调度的电池储能系统。首先,提出了多个非平稳的分解提取最重要的组件的价格系列,它们表达显著的区别的特性在价格波动回归预测。此外,所有提取组件传输到设计深度与多尺度卷积神经网络扩张内核的多步预测价格。最后,更高级的价格波动检测服务的优化运行电池储能系统在安大略发电微型电网。足够的消融研究表明,我们建议的价格预测策略提供了主要性能与最先进的方法相比,意味着一个有前途的前景的电池储能系统的经济效益。
1。介绍
在过去的几十年,电网操作提供了越来越多的压力,当用电量急剧增加。此外,使用化石燃料发电带来的环境问题,特别是在高峰时间当电网运行时不符合其操作限制和变得更加精致。behind-the-meter (BTM)储能系统能够统一通信、自动控制、传感器技术重塑电力消费活动高效、广泛应用微型电网的并网和坐落操作(1]。因为代内的违规行为部分,重要模块的BTM取决于负载的编制效率优化。此外,BTM系统旨在为用户提供更好的电力消费服务基于他们的反应需求通过连接到家庭终端(2]。因此,任务的BTM操作系统探索更有效的方法来降低操作成本,提高能源效率,平衡需求和供给的需求(3]。有吸引力的电力市场,电力的价格经常波动市场的供给和需求的变化。此时,BTM系统可以用来控制峰值大客户(价格4),他们希望购买电力以一个相对低的价格和交付最终用户以更高的价格。因此,在这篇文章中,我们给最关注一个多步受益的电价预测方法优化调度的贝丝的经济目标。
电价预测方法在实践中提供更多的意义,因为他们将在能源管理领域产生利润,需求反应(博士)、网格操作等。5]。短期负荷预测的比较,电价的不确定性更加复杂,这在电力档案显示了伟大的非线性关系。电力买卖双方表达他们的需求与投标的电力交易市场和价格的投标解决所有市场参与者形成一个统一的市场清算价格(MCP) [6]。BTM电池储能系统(贝丝)应该为一大群客户一般在当地电网和操作考虑更全面的因素。例如,安大略省,贝丝不仅可以为当地提供电力消费者满足实时需求还提供冗余的权力,上层为有利可图的销售网格的买家。
一般来说,大部分的价格预测的研究主要集中在短期内,这与能源管理和实时调度有着密切关系的贝斯。研究分为三类:单点,概率,multithreshold预测(7]。只点预测提供了一个简单的值(8),而相比之下,概率预测提供了分位数间隔量化不确定性对短期价格波动(9,10]。在实践中,电价预测的目标没有确切的需求预测,但指定价格阈值在决策的过程相反,比如博士,具有更重要的意义在电力市场商业决策(11- - - - - -13]。
具体来说,电价预测也不能完全满足所有需求的优化在贝丝。如果检测更高级的价格飙升,贝丝的经济储蓄应给予更多的权力使用高级统计或机器学习模型。这些受欢迎的模型依赖于历史数据集的价格变化和其他因素,如节假日,温度趋势,定期字符,和博士计划为深入分析和提取优秀的手工制作的特性。自回归(AR)模型被广泛使用统计算法,引入时间序列分析在跟踪价格波动显示了出色的能力。递归动态因子分析(RDFA)提出的吴et al。14),统一的卡尔曼滤波模型来演示一个先进的战略,为价格上涨超过了最先进的研究预测。Amjady和Keynia15)提出了一个新的电价峰发生和峰预测策略,基于信息理论,包括一个新的闭环预测机制。克里斯腾森et al。16)建立了一个非线性的基于“增大化现实”技术条件风险模型来模拟峰值检测的电价交易过程在澳大利亚电力市场。赵et al。17)制定了一项新颖的功能选择器以歧视特定属性相对于峰值基于数据挖掘方法的事。Fragkioudaki et al。18和陆等。19]同样训练一个分类器通过手工特性来自电价出现。尽管上述方法基于统计或机器学习达到了一定的精度和应用价值,它们通常依赖于低分辨率每小时时间序列数据集包含的信息相对较少,不能预测飙升中获益。此外,统计或机器学习模型为非线性关系相对有限的学习能力在电价波动时间序列异常的强烈。相比之下,使用深卷积神经网络预测技巧(DCNN) [20.- - - - - -23)已经成功合理的短期负荷预测,证明了自己的主要学习能力区别的特性非线性序列分析,这可能是画的灵魂。Lago et al。24)提供了四种不同深度学习模型预测电价与深层神经网络实现和演示技能主要精度而不是传统的统计和机器学习的。邓et al。25)设计了一个结构复杂的神经网络使用扩张卷积内核和周期编码检测价格飙升和捕获严重的市场价格变化的概要文件,获得极大的改善。贾汗季et al。26)分配适当的双向长期短期记忆预测电价系列的单位不同的形状集群和k - means高斯支持向量机。哈菲兹·et al。27)设计了一种新颖的特征提取过程考虑熵和互信息,在候选人输入探索为了消除不必要的输入的影响根据评估的潜在价值。消除电价波动,他们使用一个LSTM模型美联储在提取特性来提高预测的准确性。这些最近的作品证明了深层神经网络的巨大潜力在电价预测,特别是处理大波动的价格适当。另一方面,与单步未来电价预测相比,多步预测更有价值在实践中,在电力市场交易或安排贝丝操作,深度学习熟练。
然而,独立的模型不能在所有情况下都有效,和他们每个人都有自己的优点和缺点,尤其是对电价的变化。深度学习的技能,他们的缺点主要有局部最优解和hyperparameters设置,这把不满意的预测性能。巨大的差异在电力消耗和其他外生因素导致波动和复杂性在信号表现。因此,一个独立的美联储预测模型在一个原始单一价格不能优序列表达的确切关系。为了解决这个问题,结合模型与不同的机制可能价格预测的改进的可能性取决于各自的优势(28]。信号分解方法和经验模态分解(EMD),互补的整体经验模态分解(CEEMD)变分模态分解(VMD)和奇异谱分析(SSA)用来探索更重要的潜在特性位于电价的波动。
一般来说,研究人员把价格系列分解为几个组件,然后送到各自的预测单元。每个组件的总和的预测结果是导致了最后的预测。加州电力和布伦特原油价格短期预测,Lahmiri [29日)提出了一个VMD-based GRNN集成预测模型。他们使用粒子群优化(PSO)收购GRNN hyperparameters。这种混合模型优于传统的基于机器学习算法和可能是一个有前途的价格预测方法。邱et al。30.)采用EMD分解原始电价为几个组件,称为固有模态函数(IMF)。然后,提供先进的预测模型为每个国际货币基金组织(IMF)提取的倾向。最后,他们给了SVR模型将所有货币的预测结果和获得一个聚合的电价预测。然而,EMD端效应的有一个缺点,它会导致负面影响分解精度。改善这种情况下,变异的EMD出现不断像合奏经验模态分解(EEMD) [31日)、快速集成经验模态分解(FEEMD) [32),改善经验模态分解(IEMD) [33),和改进的完整的整体经验模态分解与自适应噪声(ICEEMDAN) [34]。一种新颖的基于EEMD混合神经模型和随机复发性提出了小波(SRW) (31日),提高能源价格指数预测的精度和鲁棒性。尤其是在他们的工作,EEMD了处理类似的价格分解的首选方式。混合进化和自适应模型是由江和Xuejiao [32为电力系统预测使用FEEMD方法,从深层神经网络借贷更多的优势。Zhang et al。33)提供了更多复杂的混合物模型包括IEMD ARIMA,和小波神经网络算法),hyperparameters也选择的果蝇优化算法。他们的实验表明,分解策略对优秀的特征提取与加载配置文件。另一个混合模型依赖于双分解得到了更多的关注[34],它克服了单步分解在实践中潜在的缺点,为电力预测带来更多的灵感。
虽然这些流行的混合模型使用EMD或延长EMD方法提取的显著特性,使预测模型更多的力量,不规则的非平稳的货币基金与高频强干扰会影响预测单元的性能。因此,重要的是妥善处理非平稳的货币。为了解决这个问题,我们提出一个新颖的多个非平稳的战略分解原始电价信号分解为稳定和重要组件,它提供了额外的区别的特性深层神经网络而不是EMD或延长EMD方法。此外,我们设计出一个深卷积神经网络作为预测单元。与递归神经网络相比,LSTM和门复发单元(格勒乌),它提供了更强大的学习能力的非线性关系电价波动和检测瞬间峰值。本文的贡献总结如下:(我)我们建议多个非平稳的分解提取最重要的组件的价格系列,它们表达显著的区别的特性在价格波动回归预测。(2)提取组件被送入一个设计深度与多尺度卷积神经网络扩张内核的多步预测价格。这种结构可以加强学习能力在电价波动非线性关系。(3)更高级的价格飙升检测符合电池储能系统的优化操作在安大略省网格连接的微型智能电网"。足够的实验表明,我们建议的电价预测模型提供了出色的表演与最先进的方法展现前景光明的经济效益在贝丝操作。
因此,本文的主要贡献是提出了多个非平稳的分解电价预测模型,用于优化电池储能系统的运行调度表的后面。本文主要关注两个方面,一个侧重于价格预测模型的改进,操作和其他试图增强经济储蓄在贝丝依靠深识别电力价格趋势。本文将结构如下:部分2介绍了关键技术,描述了我们的方法的细节。部分3介绍了实验装置,讨论了性能对比实验。结论给出了部分4。
2。方法
在本节中,贝丝的操作描述详细考虑第二天预测策略。我们提出了电价预测模型的组件描述。
2.1。贝丝的操作
当贝丝正在运作背后的米,和兆赫都相对较低,可以存储在此期间减少本地电网运行成本。如果网格生长在高峰时期的压力,然后储存能量可以救回当地电网,减少必要的用电总量将收购批发电力交易市场以更高的价格,这能够提高利润的贝丝的所有者。除此之外,我们不考虑一些贝丝的外生因素会影响经济目标在我们的研究中,如维护成本和投资贷款的利益。我们的研究试图最大化贝丝运营经济效益合理的调度计划如下: 目标方程(1)打算扩大净储蓄使用复杂的操作方法,指出 。 表达一个固定的贝丝调度单位,在我们的研究中提前一天计划。的单位百万瓦特(MW),告诉贝丝的充电/放电行为。在细节,是用电总量排放 在时间销售在当地的微型智能电网"炭化 从电力交易市场。 给出了电价预测时间 。的目标方程(1)下获得最大的一组约束贝丝操作期间,涉及电池剩余容量,充电/放电、安全应急电源等。35- - - - - -37]。我们的任务主要是决定炭化或卸货的在时间 ,因此在每个步骤中,预测的结果贝丝调度优化问题中起着关键作用的一个方面的经济储蓄。
在传统中,电力市场采用日前贝丝操作策略。根据历史价格趋势,公用事业给第二天预测结果和调度地平线计划没有任何变化。因为巨大的变化实时电价,日前调度计划将导致大的电价预测错误,造成经济损失的贝斯企业管理。缓解巨大的价格波动预测,一个可行的方法叫做贝丝的滚动地平线模型调度根据更新价格预测one-hour-ahead,有效地在微型智能电网"经济管理系统(38]。这个模型预测未来电价每小时,告诉如果下一个小时是飙升的价格在当前的一天。事实上,这个过程包括一步和多步预测峰值检测。我们假设我们的调度计划应用于有一天, 在实践中,调度地平线可能会随着时间不断改变。下午2点,运行调度计划正规化按照价格动态预测在接下来的10个小时。滚动地平线模型预测下午3:00点,剩下的9个小时电价和法官是否下午3:00是贝丝的峰值为决策调度。因此,在下午3点时,调度地平线包含下一个9小时。
近年来,高分辨率数据集与5分钟兆赫已经应用在电价预测和贝丝操作的优化调度11),它提供了更多的信息和福利提高预测的准确性。随着高分辨率,价格波动的不确定性可以有效地捕获和Chitsaz et al。11)给另一个方法interhours滚动地平线(IRH)。表达了一个小时的比例加入当前小时MCP预测。这个hyperparameter可以根据用户的要求定制。例如,当 和 ,IRH模型使用前5兆赫预测十点MCP和5兆赫和它的最后24小时兆赫预测11点下午AM-24:00 MCP。联盟的一步和多步预测,10:00 AM IRH试图检测是否位于贝丝的价格飙升,以调整运营调度的经济目标。
然而,是一种阈值指定的体验和更高的灵敏度。固定的常数会影响性能预测模型在不同区域或数据集。此外,如果太大,新指令调度的贝丝完全不得进行其他的当前的小时。在我们以前的工作(25),一个创新的运营调度方法的贝丝,允许5分钟兆赫预测不再局限于一个完整的小时但小时之间的60分钟,如图1。Hyperparameter已弃用和滚动窗口5分钟能滑步向前,直到一天结束的时候。在这项研究中,我们采用了策略设计了预测模型优化运行调度的贝丝。
2.2。EEMD
非平稳是电价系列中最引人注目的特性,通常展现巨大的波动和顶点,使严重困难的回归模型。研究人员正在试图将原价序列分解为重要和固定组件,设置有识别力的机器学习模型或深神经网络特性。黄等人首次发表EMD,试图获得一个聚合的货币基金和残留信号逼近原始。EMD拥有优越的字符的适应性非线性数据分析,它是广泛的各研究领域(进口28]。EMD有很强的假设为了获得可接受的分解结果:(1)原始信号包含至少两个极值点,包括最大和最小值(2)时间尺度在极端点决定人物的初始信号在当地时间域(3)如果只有拐点数据中没有一个极端点,极端值可以通过差异化策略反复生成最终的分解结果的集成
在我们的研究中,我们使用的价格数据集符合三个假设和EMD理论上应该是有效的。为一个特定的信号 ,程序流程如下:(1)搜索极端点位于原始信号(2)三次样条插值法用于适应较低的信封和上面的信封(3)意思是信封 ,如果接近0,迭代过程终止(4) (5)让 是一个新的原始信号,重复EMD分解过程(1)- (4)
通过筛选过程EMD分解过程是递归的,重复步骤(1)-(4)为原始序列的分解 。当平均值是0或停止准则是满意,迭代过程停止。在每个迭代中,一个是生成的,和相应的剩余信号仍然是作为一个新的原始信号的分解。通过迭代之前,极端点的数量减少的一代新货币基金挪用原始目的变得重要的组件 。
模式混合的现象是一个严重的缺点的EMD分解,在一个国际货币基金组织(IMF)由多个信号不同的频率和振幅。这些货币不稳定,不利于神经网络预测模型无论机器学习或深。此外,非平稳的货币不同频率或振幅不能揭示歧视电价波动的非线性关系的交易市场。随后,Flandrin et al。39]提出EEMD方法解决模式混合的问题。白噪声模型混合成初始系列的基础上单调性随机噪声的频率分布。白噪声的帮助下,原系列的固定特征在不同程度上改善,和混合模式是有效处理的问题。当然,EEMD EMD为优化模型是一个惊人的突破,和它的工作原理非常改善EMD的有效性和鲁棒性。同时,CEEMD等扩展EMD方法不断出现,致力于减轻加白噪声的影响。然而,在实践中,EEMD和扩展EMD仍然不可避免地导致不稳定货币不同的频率和振幅。和不稳定的频率较高的信号并不适合手工特性预测模型。如图2,分解结果明显的非平稳IMF1-IMF4组件与更高的频率,占50%的总货币基金和代表原始信号信息的不可或缺的一部分。如果这些非常不稳定货币完全无视,没有注意到预测模型和一些研究人员(40- - - - - -42),失去了信息无疑伤害了价格预测的准确性,使大的晋升空间服务深度学习模型。
2.3。VMD
VMD是另一个扩展信号分解方法具有更高的适应性提出了201443),它能够将电价序列分解为几个有趣的模式。完全nonrecursive quasiorthogonal VMD实现卓越的品质。变分迭代模式探索的有效的策略来识别每个分类模式的中心频率和带宽。方程(2)显示VMD的变分问题。
在方程(2), 代表了模式获得VMD的分解。 代表每个模式的中心频率。表示输入信号。
两个主要参数和VMD的分解结果,有很大的影响是VMD平衡参数。这些参数的合理选择可以提高分解的影响,预测的准确性将会提升。
包络谱熵方法(ESE)是用于选择这两个参数。的熵值信号分解由ESE VMD估计。初始值的和在分解随机选择和总熵的分解模式将最小化。熵值的计算公式所示以下方程: 在哪里信号的包络谱吗和计算表达式如下: 在哪里与瞬时值和相角通过希尔伯特变换。最优和可以选择根据充分的实验的结果。在我们的研究中,和分别设置为8和图5。我们试图分解非平稳的IMF1和IMF2高频在图2。此外,数据3和4说明VMD分解的结果。发现结果IMF1的分解和IMF2往往是平坦的频率相对较低,它可以被选择作为额外的手工特性预测模型。与此同时,它解决的问题不稳定货币,不适当的提供价格预测,这将是借用了创新精神的电价预测和优化运行调度贝斯。
2.4。TCMS-CNN模型
目前,大多数研究表明电价预测模型基于深度学习提供更优越的性能,而不是统计和机器学习。近期作品中使用深度学习技能多数关注LSTM或电流的模型(26,27)和深卷积神经网络已经验证了非线性关系的提取能力相比之下,RNN [20.,44,45在短期负荷预测。
在这项研究中,我们优化我们的以前的工作多尺度卷积神经网络使用time-cognition (TCMS-CNN)单一和多步短期电价预测。我们提出的框架模型如图5。
TCMS-CNN模型是一个多尺度卷积神经网络的混合网络和time-cognition模型。在图5有两个子网,构成整个网络。左边子网主要由多尺度扩张卷积层,提供不同的扩张率和服务学习局部和全局特征的能力。这种机制的好处提取电价波动的复杂的非线性关系。右分支包含大量的完全连接层上美联储定期编码小时每天,每周天。周期编码强调时间的唯一性,为深入分析外生特性提供了更多的上下文。在实践中,我们设计的编码风格依靠独特的标记和功能。同样,左分支的输入矩阵分成两部分,价格向量每周填写每一行和相应的周期编码hours-week连续的其他部分。的两个分支,一个功能融合层提供单个或多步电价预测。价格系列的时间的人物都是提取优在我们的工作中,它提供了一种先进的预测优化运行调度的贝斯。
2.5。多个非平稳的分解电价预测
自电价反映大变化和锋利的山峰一般,一些微不足道的货币基金由EEMD持有字符高和不稳定的频率和振幅,这表达了不规则的特性和影响深度卷积神经网络的性能价格预测。在本文中,我们提出多个非平稳的分解模型和一个端到端的结构优化特征选择信号分解的好处电力的深度学习模型预测。
详细描述在图6,我们采用EEMD将原始信号分解成首先用不同的频率。 和得到了。在下一步中,我们需要选择一些不稳定的货币基金,应该进一步处理。有一些方法来定义候选人。我们的方法计算模糊信息的价值在每个国际货币基金组织和队伍。2首先大熵可以选择进一步VMD分解。事实上,阈值2可以作为实验经验。之后,我们使用VMD这些候选人首先分解为固定和重要模式,获取模式,分别。然后,这些产品的EMD和VMD一起交付给一个复杂的TCMS-CNN模型改进的价格预测的准确性。的两个分支预测最终价格预测结果。在另一个角度来看,我们理解这一过程EEMD-VMD-CNN。
3所示。案例研究
3.1。数据集描述
在这项研究中,我们评估的有效性和经济节约利用安大略省的市场电价数据集,提出模型大消费者被称为峰值需求超过50千瓦。IESO决定批发价格根据实时市场的买家和供应商之间的关系,和投标价格动态变化的每小时(25]。
在安大略省的每小时电力价格(HOEP) predispatch价格(PDP)生成IESO电价预测。IESO pdp在每小时发布在网站上在接下来的三个小时。然而,有一个明确的pdp和HOEPs之间的不一致。相关的偏差位于2015年38.49%左右,根据定义 。如果我们打算实现盈利最大化的贝丝运行,这是不可取的操作调度决策依赖于PDP,不能包括价格飙升的足够的信息。因此,有必要设计一个有效的价格预测模型提供准确价格预测自适应的短期和长期影响。如图7系列,价格不稳定的波动显著和地点每日峰值分布随机的观点。结合短长术语价格预测,IESO可以简单地给一个结论如果当前小时交易市场价格达到顶峰。安大略市场明确价格的信息,需求,总代,等等,都包含在数据集。兆赫,设置每隔五分钟,用于单步预测,HOEP,每小时12兆赫的平均值,支持多步预测。
一些外生因素可以被纳入电力价格短期预测和贝丝的调度模型,包括天气、周期信息,和经济条件46]。研究评估性能的几个外生因素的任务HOEP预测(47]。在我们的实验中,一些电力交易功能,包括状态加载配置文件,电力消费需求,选择代大小和流作为输入来设计模型。此外,其他研究报告明显兆赫对价格预测的影响(11]。因此,我们进口历史兆赫考虑价格短期预测。增加额外的周期性的重要特性,还包含了正弦余弦编码。
在一开始,这个数据集,少量的数据丢失和冗余,我们最近的邻居插值恢复丢失的数据,删除冗余信息。此外,该数据集分为训练集,验证集和测试集80%,10%,10%。最后,MCP安大略省数据归一化到0 - 1,可以减少实验结果的误差由于激烈的梯度变化。
3.2。神经网络训练
两个子网MS-CNN和完全连接网络,建立的基线模型基于多尺度卷积神经网络。左边的子网MS-CNN,输入数据序列包含历史负荷,节日,和期刊的编码。子网右边两个完整的连接层,输入的许多预测周期编码步骤。表示向量两个子网连接的输出作为输入的顶级完全连接层生成负载预测的步骤。这个框架保证了模型获得足够的特点,提高了对数据的理解。我们基于深度学习提出模型的参数如表所示1。
我们提出了深度学习的训练过程模型图中描述820世纪后,目标函数的损失将接近0.00。整个稳定训练代表一个更好的鲁棒性深度学习计算的复杂性,这意味着优秀的有效性提出的多尺度扩张卷积神经网络对电力价格预测。在实验中,向前推理的平均时间是0.02秒。所有实验在一个云服务器上有两个NVIDIA P4计算卡和8核的CPU。机器学习工具的实现是基于StatsModels scikit-learn包,分别。其他神经网络模型与Tensorflow Keras框架实现的后端。
3.3。评价指标
本节计算电价预测的性能从统计的角度。我们的预测模型训练数据集从电力市场在安大略省,加拿大,从2012年- 2014年和2015年的数据进行测试。训练的损失函数采用均方误差(MSE)和它的计算公式如下: 在哪里表示数据样本的总数,表示地面真理,和表达了预测值。
平均绝对误差 ,均方根误差 ,和r平方作为评价指标,以及相关公式定义为方程(6)- (8),分别。前两个评价标准是不同的描述形式的错误和一个更小的值是首选,反映了一个更好的预测结果。在 ,分子部分代表平方之和区别真正的价值和预测价值,分母部分告诉平方之和实际值和平均值的区别。的值范围是 。如果结果是0,模型拟合效果很差;如果结果= 1,模型误差是免费的。一般来说,一个更大的价值成立,拟合效果更容易接受。表示样本的平均值。
3.4。统计分析
为了展示我们的有效性提出了电价预测多个非平稳的分解,我们使用EEMD分解原始电价系列和证明的负面影响首先用更高的模糊信息熵预测模型的性能。在实践中,我们选择的24分多步预测价格基于ResNet消融研究预测模型。实验结果见图9。
在实验中,我们获得了8货币基金和res组件交付预测模型,分别为24点预测以滚动的方式。具有相同hyperparameters和白噪声环境中,24分地面真理(GT)也分解成8首先和res GT。分解信号和GT的区别是用红色标注的。很容易发现IMF1和IMF2大距离,因为他们的服务和不同的频率更高,反映非平稳的EEMD首先会影响价格预测的性能。
因此,为了进一步提高预测的准确性,我们建议采用VMD多个非平稳的分解,分解非平稳的货币。在我们的工作中,阈值进一步分别是2和2货币被认为是。所有产品从EMD或VMD分别送往TCMS-CNN进行价格预测。分支的总和是最终的预测结果。来验证提出模型EEMD-VMD-CNN的优势,我们比较它与先进的作品。TCMS-CNN证明了其巨大的优势在短期负荷预测20.),加入我们的比较研究。此外,EEMD和CNN模型一直在流行的预测区域提供有吸引力的表演48,49),这也是选为一个叫做EEMD-CNN主题进行比较。方法基于VMD和CNN最近出现在预测另一个焦点话题(50,51摘要]叫VMD-CNN。公平的烧蚀研究中,TCMS-CNN CNN模型和数据集取决于安大略省的市场电价数据集。表2和3显示24小时的单步和多步预测的结果CNN, EEMD-CNN, VMD-CNN,根据MSE和EEMD-VMD-CNN, RMSE,美,和R2分别。
在表2R2、MSE、梅、RMSE和我们提出的模型EEMD-VMD-CNN 0.1583, 0.0801, 0.3978,和0.8632,分别在单步预测价格。24小时内多步预测,MSE,梅,RMSE,和混合模型的R2 EEMD-VMD-CNN是0.4865,0.2424,0.6975和0.5791。预测模型EEMD-VMD-CNN提出了最小均方误差值,RMSE值,美价值,和最大R2值表明,模型的预测效果非常优越。此外,EEMD-CNN更可接受的性能比VMD-CNN预测目标。VMD试图在另一个语义空间,提取特征及其实验结果暗示工艺品特性的弱点歧视。价格预测仅仅基于CNN证明缺点很明显,因为提取显著特征的数量落后于其他混合动力车型。此外,累计错误导致准确预测对多步预测的一个步骤。结果我们的烧蚀研究证明我们建议的方法的优势,拥有一个有前途的前景在电价预测。
为了显示我们提出的模型的预测能力更直观,每个模型的单步和多步预测结果相比,绘制地面真理。如数据所示10和11,真正的价格系列的红线可以匹配预测曲线和有效地捕获大波动尤其是大幅飙升。结果表明,本文提出的混合模型EEMD-VMD-CNN拥有迷人的单步或多步预测电价预测能力。
为了验证我们提出EEMD-VMD-CNN单步和多步预测电价,我们导入另一个电价数据集来自新南威尔士(NSW)来评估我们的性能和质量提出的混合模型。实验结果如表所示4,发现我们的提议在MSE模型提供了更具竞争力的表现,美,RMSE, R2指标。虽然电价数据集的另一个数据集是研究测试,EEMD-VMD-CNN曾接受稳定的评估,这表明更好的鲁棒性,而不是最先进的作品。具体来说,演出使用的新南威尔士州数据集和其他模型相对比安大略省的平庸的结果不同分辨率的数据集。安大略省的市场电价数据集5分钟兆赫包含价格波动的信息来描述非线性关系。然而,新南威尔士州数据集30分钟决议和不擅长反射足够的电价序列的潜在规则。
3.5。经济分析
我们评估多个非平稳的分解为电价预测从经济的角度来看。因此,电价预测EEMD-VMD-CNN依赖我们的混合模型应用于操作和调度的贝丝在当地的一个微型智能电网",加拿大安大略省。的微型智能电网"中扮演着关键角色备份主电网供电时的应急电源切断。微型智能电网"建设的关键负荷应由一个500千瓦的锂离子电池提供。电池容量的一部分需要紧急准备的利用率。和其他能力的存储可以用于能源交易主网格。在实验中,应急负荷的容量被定义为150千瓦。电池的放电深度(DOD)运行约70%和200千瓦可以参与的交易市场。
根据实时电价的变化,电力市场的终端用户可以采取相应措施来解决电价的变化在不同的时间在每天为了减少他们的权力运行成本(52]。与微型智能电网"的总负载相比,电池体积较小,所以任何大国流问题不会发生在电池运行。贝丝调度优化的目的是实现利润最大化。从另一个角度来看,有必要减少总能量从高峰期的电力市场购买的高电价。同时,贝丝的微型智能电网"注入的高峰期,因为价格高电价。此外,可再生能源等非价格因素波动或负载平衡也会影响电池的正常操作系统在一个微型智能电网"。这些因素也应该考虑当运营商制定相应的充放电策略。这些因素影响较少,不是我们研究的重点,这里不考虑他们。
根据电价预测和历史数据,为了方便比较,以下四种充放电策略被认为是:(1)我们建议的策略:该模型表示我们提出了电价预测多个非平稳的分解,如图6,采用了TCMS-CNN提供一个很好的价格波动非线性关系的能力。多步预测部门关注小时标准变化来预测价格在一天休息小时,而单步执行分支更关注五分钟解决预测在接下来的60分钟。与预测目标,它提供了一个可靠的估计价格飙升的检测,而构建一个坚实的基础运营调度的贝斯。电池的操作是由比较单步预测和多步预测的输出。当当前单步预测价格高于所有后续多步预测价格,电池放电在价格上涨,反之亦然。(2)PDP调度:价格预测通过PDP公共数据集。然而,这些公共数据集提供较大的粒度小时标准提供有限的信息,不能受益贝丝调度优化操作。(3)特殊策略# 1:平均价格在2003和2014小时计算,分别支持电力价格估算。获得确切的时间卸货,候选人时间是决定当平均值最高,这是类似于收费的决定。(4)特殊策略# 2:放电或充电是否决定根据前一天的经验价格波动的影响。
在实验中,计算每个月的利润比较模型,如图12。通过一天的最大和最小之间的区别,贝丝调度能够获得高达4553美元的潜在利润超过2015年。具体来说,充电时的决策电价位于统计的数据集的最低水平,反之亦然。相比之下,运用我们提出多个非平稳的分解模型,86.99%的潜在储蓄可以捕获完全(3960美元)。PDP调度的策略持有的潜在节省12.28%的利润总额(559美元)。此外,# 1和# 2的特殊策略为39.26%和26.99%(完全1787美元和1229美元)。PDP调度只生活在每小时分辨率数据集,利润率相对较低,这表明我们的混合模型的有效性与细粒度的决议。这些统计结果反映了我们非凡的性能提出了电价预测模型。
我们的战略在每个月最高的经济效益,和2月是最好的。
表5显示了每种策略的比例在2015年相对于12个月可能的最大利润。统计上,我们提出了多个非平稳的分解模型优于其他每个月达到95.069 - 5%的最高收入(总计740美元,779美元的期望)。与其他方法相比,我们提出的方法可以增加收入最大43.270 - 7%和25.542 4%最低,至少分别。模型基于PDP调度提供了不可接受的表演,因为低分辨率数据集,无法提供更多有价值的信息。特殊的策略# 1和# 2有类似的特殊战略每月平均表演但截然不同。他们是由统计经验,没有令人信服的结果微型智能电网"最终用户的结构和行为的变化。只有one-hour-ahead预测能掌握实时电力市场的趋势。
4所示。结论
与新兴的混合模型与信号分解,流行的方法,如EMD和扩展EMD方法不能解决的问题不稳定分解组件,它有一个负面影响性能的预测单元。在本文中,我们提出一个创新的电价预测模型的优化运行调度在贝丝从经济视角。首先,我们使用EEMD收购首先从原始价格系列。除了不稳定成分较高的频率和振幅不同,采用VMD进程,产生更稳定的模式。此外,所有产品从EEMD VMD喂给我们设计了多尺度和时间识别卷积神经网络价格预测,分别。所有的分支都总结的结果作为最终的预测。最先进的方法相比,我们提出的方法反映出显著的优越性能,增强优化调度在贝丝为目的的经济利润。通过足够的经济分析,另一种调度策略相比,我们的方法获得最大的利润显然储蓄,这体现在电力市场前景广阔。
有很强的假设我们的贝丝是一个较小的容量与整个交易市场相比,不能影响投标价格,可以不考虑市场因素操作。相比之下,如果贝丝的规模变得更大,操作应考虑的影响。除了设备维修成本和折旧、投资利益不被认为是在我们的工作,在实践中不应该被忽视。
未来工作包含设计更先进的多任务深入学习网络改善性能价格预测和检测,应该适应在不同电力市场使用转移学习技能,为了提高我们工作的泛化和鲁棒性。此外,在线学习应该学习促进电力预测模型的可行性。
数据可用性
原始数据支持了本文的结论将由作者没有提供过度的预订。
的利益冲突
作者声明,关于这项工作他们没有利益冲突。
确认
这个项目是由“中央大学的基础研究基金”,N2017001之下。这个项目还在辽宁省自然科学基金的支持下,在任何。2019 - ms - 112。