精华内容
下载资源
问答
  • 摘要:一个企业用电有多浪费?一度度电在日常不起眼的小细节中被消耗走,日积月累中形成不小的数字。企业需要降本,国家需要减耗,可是如何能在生活中正真实施起来?华南理工大学的师生项目团队针对此开启了“智慧用...
    摘要:一个企业用电有多浪费?一度度电在日常不起眼的小细节中被消耗走,日积月累中形成不小的数字。企业需要降本,国家需要减耗,可是如何能在生活中正真实施起来?华南理工大学的师生项目团队针对此开启了“智慧用能”之路,他们究竟是如何节约用电的?一起来看看他们怎么说吧!

    一个企业用电有多浪费?

    走进任意一间写字楼里,夏天的空调冷风吹得让人直打颤,耗能巨大;大多职员们都没有随手关灯、关电脑、关打印机的习惯,所有人都忙着眼前的工作,却没有注意到在这些细枝末节中一度度的电正在被浪费,单单只是大量待机造成的能耗,在日积月累中都是一个不小的数字。

    企业需要降低成本,国家需要降低电力资源损耗,可是如何能在生活中正真实施起来,这是不小的难题。 在高速发展的今天,要想实现节能环保,不只依靠人力的自我约束,还可以用科技的干预。 在今年第六届中国国际“互联网+”大学生创新创业大赛中,一个创业团队就带着自己的项目在总决赛拿下了金奖,这一项目就是通过科技来解决节能、环保的难题,用科技实现智慧用电。

    让每一度电更聪明、更经济

    收到华南理工大学电气专业的录取通知书时,刘泽健心里的石头落了地,毕业后找一份电力公司的工作,也算能安安稳稳度过一辈子了。 但他不知道,接下来大学生活的发展轨迹与预想完全不同,自己所从事的行业正在经历翻天覆地的变化。 从大三开始刘泽健就跟着杨苹教授一起接触能源领域的课题研究,每一次与杨老师的接触都让刘泽健感到一种莫名的敬畏感,尤其看到老师为了做好电气方面的研究,在实验室中反复实践、反复论证,只为在电力领域找到新的突破口和研究方向。 老一辈的知识分子有着这般情怀与追求,深深感染了刘泽健,他学着导师那般,不断钻研提高专业技能,以便让自己的所学发挥最大的价值。

    而在此时,中国电力体制也发生了一场重大的市场化改革。2015年,随着“电改九号文”的发布,意味着我国电力体制将借助电力市场机制逐步迈入绿色低碳、节能减排、安全可靠和实现综合资源优化配置的新型电力治理体系。 这将意味着企业必须得做好节能、省电工作,如果不做改变,按照过去的用电方式,将会大幅增加用电成本,加大企业的开支。 对于刘泽健的同门师兄郑群儒来说,他看到了未来电力行业巨大的发展前景,兴奋地找到刘泽健,希望能抓住这次电力变革的大好时机。

    从市场需求到行业现状,郑群儒做了细致的分析。因为这次电力改革,全国360万工商企业都需要从技术、服务、商业模式做升级,尽管市场上已有能够为他们提供升级服务的产品,但大多都停留在单一纬度,还没有一个可以做到系统性的升级。例如在节能方面,市场上的节能产品都是单点或单设备,无非就是中央空调、空压机、变频器等等方面的节能,这些根本无法满足电改后企业的省电目标,“与发达国家相比,我国在节能降费上还有很大的发挥空间”。 看着眼前这位同门师兄,刘泽健被说动了,两人一拍即合就成立了项目——能眼云E-eyes,能够帮企业实现智慧用电,不仅更安全、更低成本,还能实现大场景的快速部署,让每一度电更聪明、更经济。

    创新离项目落地,还差一个“华为云”

    虽然机遇是好的,但所遇到的难题同样也不少。作为华南理工大学孵化而成的初创公司,除了技术,团队更要考虑项目的落地性。 从2015年开始,郑群儒与刘泽健就带领团队经历了无数个把白天熬成黑夜的辛苦,整个解决方案融合了电力电子技术与云计算、大数据、人工智能、区块链、工业互联网等等多个信息技术领域,这才让能眼云E-eyes项目取得了阶段性成果。

    ▲刘泽健(左),郑群儒(右)

    2020年,团队带着能眼云项目参加了第六届互联网+大学生创新创业大赛,并取得全国总决赛金奖的好成绩,与华为的缘分也是在此结下的。 华为不仅仅是互联网+大赛的赞助商,在比赛的过程中,更是对项目提出了很多非常有效的建议,帮助演示效果得到了很好的提升。能眼云E-eyes项目本身是服务型云化的业务场景,项目组建之初有也遇到了很多云计算的问题,华为作为国内的主流云厂商,拥有成熟的生态及过硬的技术实力,再加上参赛过程中对华为云的良好印象,最终团队选择与华为云合作完成了项目落地版本。 如今这个项目在产品采集层、分析层、应用层和交易层上都有不同程度的技术突破,真正实现了企业智慧用电。

    实际上,采集层的设备是一个颠覆电表本身的设计,它通过非侵入式的边缘计算的方式,让不同时间尺度数据都能够实现从秒到分钟到小时级自适应的采集,从而获得更精准、更高维度的数据。只有足够精准的数据,才能决定是否能准确描绘出企业的画像,也为之后进一步的分析提供有效的数据支撑。 分析层采用人工智能的算法,基于华为云ModelArts平台进行数据标注和模型训练,快速上手,把人力从繁重的开发部署中解脱出来,确识别数据的安全隐患,如果一旦有危险会发生就会及时做出预警反应,这大大提高了企业用电的安全性,在很大程度上避免了悲剧的发生,减少了很多不必要的损失。

    企业电能质量的好坏,决定了设备对电的损耗率,因此维护好电能质量是一件十分重要的事情。应用层突破市场上围绕单一指标的局限性,能够在不平衡度、功率、无功补偿等等指标来改善企业的电能质量。 交易层解决用电成本问题。电改之后,电价在市场上的价格出现了上下波动的特性,这就导致明明用电量相同,最终电价却不同,甚至还相差很大。减少用电成本不能只靠用电量,这样的局限性太大。为了多用低价电量,能眼云E-eyes对企业能够灵活调节的装备进行优化调控,通过电价的波动来决定是否要进行通电,从而降低企业的购电成本。 整个团队在短短5年时间,就已经取得发明专利10项、实用新项4项、软件著作权26项这样的成果,赢得业内学者、专家的认可。

    单有技术是不够的,酒香也怕巷子深

    即使,能眼云已经取得不小的技术成果,但在走向市场的过程中也是挑战重重。 作为一家未来要走向市场的创业公司,单有技术是不够的,酒香也怕巷子深。在项目推广过程中,华为在技术和推广资源上提供了多方面的帮助,为能眼云团队带来了大量的客户资源,帮助项目辐射到更多企业,大大降低了项目推介的获客成本,成为能眼云快速占领能源节能市场的助推器。 经历了从0到1的艰难时刻,与能眼云E-eyes合作的企业越来越多,从第一家到第二家,再到第三、第四家企业……曾经无人问津的能眼云,目前已经服务企业数量超过了1700家 。 2019年的下半年,由广东省工信厅牵头,能眼云E-eyes项目团队、南方电网数字电网研究院等联合成立了园区智慧用能服务产业集群,其中包括一些优秀的能源互联网服务商、高校、科研机构、金融公司、园区行业协会等机构。能眼云团队主要负责肇庆国家高新区的216家企业,目前已经完成服务124家,覆盖率超过60%。 未来,能眼云E-eyes项目组将按照肇庆落地所取得的成功经验,将系统应用推广到全省的工业园区。

    智能基座,孕育未来高端人才

    目前,我国已经迈入了能源革命时代,节能环保必然是未来的主旋律。但如何在保护资源中兼济经济的飞速发展,这是一个急需解决的问题。 因此对于未来的规划,能眼云E-eyes项目还会继续探究技术与能源如果更好结合,正如2015年时的初心一样——要为国家能源发展贡献一份力量的初心,依靠不断升级的技术最大程度上减少能源的损耗,而并非只是依靠管理、依靠同理心。 对于未来,团队希望能够与业界处于领先地位的华为合作,用技术构建生态及驱动产业发展,在不远的未来助推项目快速占领能源节能市场。

     

    点击关注,第一时间了解华为云新鲜技术~

    展开全文
  • 分布式光伏电站的推广应用,需要全社会的了解、支持。但笔者在和一些企业沟通的时候,不少企业主存在一些对分布式光伏电站的误解
  • 用电监控管理是指:利用现代电子技术、通信技术、计算机及网络技术与电力设备相结合,将配电网在正常及事故情况下的监测、保护、控制、计量和供电部门的工作管理有机地融合在一起,改进供电质量,与用户建立更密切更...
  • 用电监控管理是指:利用现代电子技术、通信技术、计算机及网络技术与电力设备相结合,将配电网在正常及事故情况下的监测、保护、控制、...以合理的价格满足用户要求的多样性,力求供电经济性最好,企业管理更为有效。
  • 用电监控管理是指:利用现代电子技术、通信技术、计算机及网络技术与电力设备相结合,将配电网在正常及事故情况下的监测、保护、控制、...以合理的价格满足用户要求的多样性,力求供电经济性最好,企业管理更为有效。
  • 随着国家和人民对于环保要求的迫切提高,政府也出台措施推广安装... “环保用电平台”又叫“分表计电平台”、“治污设备监控平台”,该平台主要功能就是实时监测企业用电设备运行状况,根据总用电量判断是否按环保...

    随着国家和人民对于环保要求的迫切提高,政府也出台措施推广安装环保用电平台,该行业处于一个蓬勃发展的状态非常具有市场潜力,各地已初步开始授权落实,很多朋友对这块还是初步接触不太了解,下面就平台作用、厂家实力、项目推广方式、成本预算、利润几个方面给大家做简略介绍。
      “环保用电平台”又叫“分表计电平台”、“治污设备监控平台”,该平台主要功能就是实时监测企业用电设备运行状况,根据总用电量判断是否按环保局要求实施停限产计划、治污设备正常运行,对企业生产运行状况进行24小时监控并生成报表分析,执行情况异常报警,尽大限度发挥环保设备的作用,提高使用效率,并为政府部门能够动态掌握治污治理执行情况和异常预警提供支持,实现远程在线监控管理的目的。
      环保用电平台属于政府强制性推广安装项目,各地都有出台政策文件。为什么环保局要强制安装环保用电监管平台?
      1、改善环境质量的问题越来越受到人们重视,环保局对于污染排放这块抓的很严,但是只有少数有组织排放的规模化大企业纳入了自动监控,对绝大多数中小企业缺乏监管手段。
      2、监察人员有限,监察力度要求又非常大,人工排查耗时耗力,难免有疏漏,精确度不够,无法避免中小企业应付检查时管控排放,平时依然偷偷超标。环保监管24小时管控,分时段生成报表,支持手机APP联网查询,随时随地管控。
      3、企业数量多,行业类别多,工艺错综复杂,判断污染源耗费精力,人员奔波劳累,对于企业环保监管,缺乏有效的监管指标和预警手段,环保监管平台可排污和治污设备进行不间断用电监控,判断启停时间点,能够进行排污治污联动监控,企业总用电量情况,实现无死角监控。比如上个月用了10度电,这个月8度电,每月都会有精确到每一时段的数据报表,进行对比分析也可达到节能减排的目的。
      4、缺乏重污染天气下应急响应和对停产、限产、错峰生产企业的有效监控手段。环保局紧急下达命令后,可监管企业接收到信息后是否有立即执行停限产任务,弥补之前人工检查的痛点。对于异常操作行为实时报警上传监测数据。
      云平台架构
      目前该平台是由环保局出台政策推广,平台最终会接入环保局,所以第三方运维公司打算做环保这块项目的话需要做相关环保局的工作,考察清楚环保局是否有安装平台,如果已安装用的是什么品牌的平台,没安装的话是否有能力入围品牌,当地是否有印发红头文件等。
      除了做环保局的工作,另一个很重要的便是选择相应企业,能对接环保局项目的企业必须有一定实力,目前做环保这块的企业市场上寥寥可数,安科瑞是家上市公司,具备自主研发和生产的实力,安科瑞公司的模式是一个地区唯一授权一家有实力的运维公司去推广,主要是为了保护客户的利益维护市场稳定,选择企业后入围品牌协商价格,获取唯一授权,依据相关文件便可以向当地企业推广安装了。
      环保用电平台介绍
      1、该平台网关采用上行4G无线传输,下行LoRa无线上传模式,免布线,可选择穿刺取电或磁钢取电。
      2、监控模块采集数据:三相电流、电压、有功/无功功率、有功/无功电能、频率、功率因数、谐波畸变率、需量等,选配功能:温度测量。该模块有一路、多路两种,具体按项目现场情况选择。
      3、功能简介如图:
      
      在这里插入图片描述
      现场端监控系统的主要功能是提供基础数据来源、向中心端平台传输分析处理后的数据、支持多种方式查询现场数据,安装预测污染物排放的模型软件后分析处理输入模型数据和模型输出数据。
      排污单位总体用电情况信息录入,同时实现排污单位产污、治污设施的管理,以及产污、治污设施生产工艺上的启停联动关系,越限阈值等。可管理排污单位基本信息、联系人信息,以及在地图上查看排污单位具体位置。
      数据采集
      监测终端采用无线通讯方式组网,可采用LoRa、宽带载波、RS485、红外等技术,数据采集仪支持GRPS、以太网等。
      数据迁移
      为保证现场端数据采集的稳定、持续及完整,数据采集传输仪在停电或故障情况下,其所属的现场端采集设备,可以向其它的数据采集传输仪进行组网传输。数据采集设备在维护更换时,历史数据需支持备份还原。
      数据存储
      存储单元应具备断电保护功能,断电后所存储数据不丢失,数据存储时间不低于30天,可通过磁盘、U 盘、存储卡或专用软件导出数据。监测终端接收到下发的初始化命令后,应对硬件、参数区、数据区初始化,参数区置为缺省值,数据区清零或清除。命令执行时,监测终端应保证初始化事件记录不被清除。
      数据存储
      存储单元应具备断电保护功能,断电后所存储数据不丢失,数据存储时间不低于30天,可通过磁盘、U 盘、存储卡或专用软件导出数据。监测终端接收到下发的初始化命令后,应对硬件、参数区、数据区初始化,参数区置为缺省值,数据区清零或清除。命令执行时,监测终端应保证初始化事件记录不被清除。
      事件及报警功能
      事件及报警功能可配置,事件包括:
      停/上电、电压回路异常、清零指定数据、电流回路异常、电压越限、电流越限、电压不平衡度越限、电流不平衡度越限、谐波电压畸变率越限、参数变更、校时、状态量变位、谐波电流有效值越限、非电气量越限等。
      数据传输
      与中心端监控系统的通讯协议应符合HJ 212 标准要求,并符合本技术指南“6.信号采集与传输”部分的相关要求
      在这里插入图片描述

    展开全文
  • 光伏发电量和用电量的概率预测研究综述(1) 光伏发电量和用电量的概率预测研究综述(2) 目录 4.3. Day-ahead 4.4. Comparison between PSPF and PLF 5. Discussion 6. Conclusion Acknowledgments 4.3. Day-ahead...

    前言
      由于本篇综述实在太长,故分为三部分,此乃第三部分。

    1. 光伏发电量和用电量的概率预测研究综述(1)
    2. 光伏发电量和用电量的概率预测研究综述(2)

    4.3. Day-ahead

    在这里插入图片描述

      PSPF中主要使用NWP模型进行提前一天或者更长时间的预测,然后运用统计后处理技术创建预测区间,but在PLF中并不使用物理模型。
    在这里插入图片描述
    在这里插入图片描述
      太阳能。为了将气象系统的惯性考虑在内,Golestaneh等人[115]意识到必须考虑时空依赖性,因为聚合尺度上的PV发电显示出时间和空间的强依赖性。因此,结合ECMWF提供的NWP模型的输出变量,研究了三个相邻PV站点的每小时分辨率的时间序列。首先作者应用QR来构建每个位置和交付周期的预测边际密度。为了模拟不同提前期的位置之间的依赖性,采用高斯copula,这是多变量分布的一种形式。然后可以使用copula来生成在特定位置和前置时间的未来发电的若干场景,即轨迹。各个区域的CRPS分数显示出明显的光伏发电,例如剖面,其中误差在中午或深夜最高,达到标称产量的9%至11%。通过PIT直方图评估了copula预测的可靠性,该直方图显示接近均匀分布,因此轨迹可以被认为与预测分布几乎相同。
    在这里插入图片描述
      第一篇考虑非参数PSPF的论文,是由Bacher等人[91]撰写的。在他们的研究中,作者使用21个光伏系统的发电量来预测AR和带有外源输入(ARX)模型的AR提前36小时的发电量,其中NWP变量是后者的输入。由于上述模型受固定时间序列的约束,因此测量数据通过晴朗的天空发电量进行归一化,这是通过加权QR通过统计平滑找到的,而加权QR的权重由二维高斯平滑核确定。此外,RLS与用于光伏发电的自适应线性模型相结合可用于转换NWP预测,以便考虑条件的变化,例如面板上的污垢。此外,QR被用于构建几个分位数的预测密度,但不幸的是,没有使用概率度量来评估预测的效果。实际上,这在较早的研究中非常普遍,我们将在第5节中对此进行讨论。
    在这里插入图片描述
      另一篇最早考虑PSPF的论文是由Lorenz等人[8]进行的研究。目的是根据ECMWF的NWP模型,以每小时的分辨率为德国南部的11个分散光伏系统提供概率预报。然而,由于时间和空间分辨率都太粗糙,因此引入了三种方法来提高分辨率。第一种方法包括空间平均和线性时间插值,这表明在晴朗天空中显着降低rRMSE。第二种方法基于用晴天天气辐照度替换ECMWF的预报,即晴天覆盖(tcc)低于0.03。最终方法基于消除预测和测量之间的系统偏差,其中偏差由依赖于天顶角和晴空指数的多项式函数建模,然后从N-WP预测中减去。通过使用PV站点的集合,作者清楚地表明随着区域尺寸的增加,集合的误差减小,尽管他们注意到增加站点的数量最终将导致饱和并且不会导致额外的误差减少。最后,通过假设预测误差的正态分布,以参数方式建立预测区间,其中标准偏差由依赖于天顶角和晴空指数的四阶多项式函数建模。此外,为了建立集合的预测间隔,将单个站点的标准偏差乘以误差减少因子。为了评估预测区间,考虑了相对标准误差,并且对于95%标称置信水平实现了91%的经验覆盖率。有人指出,这可能是因为在所有气象条件下误差减少因子保持不变。
    在这里插入图片描述
    在这里插入图片描述
      Almeida等[116]研究了西班牙北部5个光伏电站的QRF与非线性输入相结合的非参数概率预测的可能性。为了分别处理不同位置和不同连续WRF模型运行的WRF运行引起的空间和时间不确定性,作者对附近位置的预测进行了考虑。但是,没有描述连续运行中预测错误之间的联系。此外,还构建了三种不同的训练集,以评估哪种方法最有效。第一个训练集仅仅是前N天,而第二个训练集是根据要预测的天的清晰度指数与数据库中的天数之间的相似性构建的。最终的训练集基于预测的整个分布与数据库中的天数的相似性,并且发现该方法获得了最佳结果。此外,设计了多种情景来评估不同输入变量的相对影响,作者指出,包括预测和计算的辐照度数据可以产生更好的结果。更重要的是,他们得出结论,增加NWP变量的数量并不能保证提高准确性。最后一个有趣的结果是,只要时间序列超过15天,训练集的长度对性能没有实质性影响。遗憾的是,没有使用第2.5.2节中定义的概率度量。
    在这里插入图片描述
      Alessandrini等人将基于NWP历史预报集的AnEn与QR和PeEn进行了比较,这三个地点代表了不同的气候区。由于这些方法已经在第3节中进行了全面的评估,我们将在这里立即讨论结果。作为第一个度量,三种方法的统计一致性通过秩直方图的手段进行比较,这是一种工具,以评估整体成员是否统计上相同的观察。AnEn显示了优于其他方法的性能,并产生了更可靠的预测密度。然而,令人惊讶的是QR的低扩散行为,表明没有足够的扩散预测。作者指出,这可能是由于优化过程,它设置遗忘因素相对较低,有利于CPRS。因此,QR在CRPS方面的平均表现较好,尽管有时它的表现不如AnEn和PeEn,主要是在太阳高程较低的时期。作者指出,这可能是由于过去的NWP预报与这些时期的发电量观测之间的相关性较低,AnEn处理这个问题更好,因为它只考虑过去的某些NWP预报,而不是全部
    在这里插入图片描述
      Le Cadre等人[117]提出了一种ELM,用于为法国南部的一个地区构建30分钟分辨率的参数预测区间。通过使用来自该地区几个气象站的专家,并评估哪位专家提供的信息最有价值,作者可以对可能增加模型偏见的输入加以歧视。这是通过为该区域内的每一站引入一个损失函数来实现的,然后确定权重,以选择有价值的专家,即站,并抛弃过时的专家。他们发现,结合光伏发电的降水测量提供了最高的精度,PICP为0.916,PINAW为0.098,同时利用了该地区13个站点中的8个的数据。

    在这里插入图片描述
    在这里插入图片描述
      以与AnEn的做法相似,Yamazaki等人[118]提出了基于k-NN的每小时分辨率的预测区间估计,以便在数据库中查找类似的历史事件。这项研究是对[119]研究的改进。在邻居中,通过确定查询点和历史数据之间的欧几里德距离来选择k。然而,AnEn和这种方法的主要区别在于,预测密度是通过KDE估算的,而不是结合过去的预测来构建预测密度。利用高斯函数作为核来估计最能描述历史数据与当前观察之间的概率关系的密度函数。然而,由于核函数没有关于查询点和邻居之间的距离的任何信息,因此所呈现的设置显示出对最高分位数的显着偏差,并且因此权衡所有邻居等于构建预测密度。为了提高性能,作者通过三元组函数引入了加权核密度估计,该函数以非线性方式为邻居赋予权重。此外,还基于欧几里德距离调整高斯函数的标准偏差,从而为最近邻居分配较低的标准偏差。偏差显着降低,同时具有可靠性。遗憾的是,没有使用定量指标来评估预测间隔。
    在这里插入图片描述
      与Yamazaki等人[118]的研究相似,FonsecaJr.等[87]利用欧几里德距离来识别前60天的每小时预测的输入数据与当前预测的输入数据之间的相似性。作者发现需要选择42小时来构建良好的预测区间。他们的方法基于支持向量回归(SVR),用于组织输入数据,结合计算的地外日照和网格点值预测与中尺度模型(GPV-MSM),其中预测小时的值并且后两者中的前一个用作输入。预测区间用高斯分布和拉普拉斯分布建模。作为基准,作者采用了一种不能被视为有效的非常规方法。它包括计算光伏系统的最大和最小功率输出,给定一小时的预测,然后这将提供100%的标称覆盖水平。显然,这些间隔的宽度将是如此之大以至于它们不实用,如作者所指出的那样,但如果所提出的方法将作为基准,则必须将其丢弃。结果表明,高斯分布倾向于低估低置信水平的预测误差覆盖率,并且拉普拉斯假设的误差分布与理想曲线更相似。作者没有根据PINAW量化预测间隔的宽度,而是将宽度标准化为PV系统的标称容量。他们发现,对于95%的置信水平,拉普拉斯分布和高斯分布的区间宽度分别为0.28和0.25。根据置信水平,发现PICP为97.1%至98.2%。
    在这里插入图片描述
      作为GEFCom2014的参与者,Huang和Perry[120]用ECMWFN-WP数据预测了三个光伏电站的每小时发电量。由于时间分辨率是一小时,作者决定为辐照高于零的每小时创建一个模型。为了使数据去趋势,使用傅立叶变换使用低通滤波器对辐照度和功率时间序列的年周期进行建模。然后,通过为每个电厂和每个小时建立模型,使用GB来创建确定性预测。为了解释由电厂彼此相邻的事实引起的空间和时间相关性,将所有电厂的预测因子用作GB的输入。通过寻找类似的场景来应用k-NN来创建预测密度,其中k经验地设置为200.实现了令人满意的分位数分数0.0121,但重要的是要注意该模型花费13分钟完成256-核并行平台。
    在这里插入图片描述
    在这里插入图片描述
      Pierro等人[121]对使用ECMWF和WRF的NWP数据作为输入的几种数据驱动方法的行为进行了广泛而有趣的研究。目的是调查多模型集成(MME)在多大程度上可以胜过该集成的最佳表现成员。该集合的潜在成员是具有外因输入的季节性自回归综合移动平均值(SARIMAX),SVM和两个不同的MLP,其中一个使用了几个NWP变量(称为RHNN),另一个仅使用NWPGHI和温度,与晴朗的天空模型(GTNN)。MLP是使用[122]中描述的优化程序创建的,它有效地创建了一个能够胜过单个MLP的大型集合。作为第一步,上述模型分别用确定性度量进行评估,其中发现具有ECMWF输入的GTNN是表现优异的模型,技能得分为42.5%,如式(2.37)中所定义。此外,发现表现优异的模型使用ECMWF而不是WRF作为输入,即使这有时会导致偏差增加。发现性能最佳的MME是利用所有NWP输入数据的那个,即ECMWF和WRF,以及所有数据驱动的模型,与性能最佳的成员相比,其改善RMSE为6.3%。最重要的原因是它能够通过平均来降低单个预测变量的噪声。为了提供预测密度,假设正态分布并采用与Lorenz等人[8]类似的方法被用来评估这些。虽然没有使用定量测量来评估预测间隔,但可以看出这些是可靠的,尽管太宽,特别是对于低置信水平。一个有趣的结论是机器学习模型在NWP模型中纠正偏差的能力,因此,该性能并不总是与NWP模型的准确性相关。
    在这里插入图片描述
      Sperati等人[89]应用ECMWF的集成预测系统(EPS)来提供0-72小时范围的概率预测。EPS通过在扰动的初始条件下运行模型几次来创建其整体,但是已知它是低分散的,这就是为什么需要应用后处理的原因。首先,采用NN来减少偏差并构建预测密度,然后应用和比较两种统计后处理技术。第一种方法估计导致EPS分散不足的方差不足(VD),而第二种方法,即EMOS,最小化整体数据集的CRPS。利用各种指标来评估绩效。用秩直方图评估统计一致性,尽管通过平滑直方图实现了对PeEn的改善,但是提出的具有VD和EMOS的模型仍然过于自信,即,它们显示缺乏扩散并且产生太窄的预测间隔。此外,以PeEn为参考的BSS表明,所提出的模型比PeEn表现更好,除了低太阳角度,即当预测和观测之间的相关性较小时,可能是由于阴影。在可靠性方面,两种方法都优于PeEn,而锐度稍微好一些。最后,两种方法在CRPS方面明显优于PeEn,当通过标称功率(NP)标准化时,两者均达到峰值8%至9%。
    在这里插入图片描述
      Bracale等人[123]研究的主要焦点不是要创建最具竞争力的预测模型,而是提出新的基于成本的指数。这些指数旨在将预测的经济后果考虑在内。预测模型基于BI,有趣的是没有考虑NWP预测,而是将GHI和清晰度指数的估计平均值(分别由Beta和Gamma分布建模)与气象变量的测量值联系起来。关于基于成本的指标,作者提出通过将CRPS乘以CEt/CEmaxC_{E_{t}}/C_{E}^{max}来扩展CRPS,其中CEtC_{E_{t}}CEmaxC_{E}^{max}分别代表在t时刻的能量的经济价值和最大经济价值。他们认为,由于能源价格是可变的,预测的经济后果会有所不同,这对于“预测消费者”(例如公用事业)来说是很重要的。所选择的预报时间范围为上午07:00至下午8:00,整个研究期间保持不变。此外,作者通过互相关选择了最有影响的变量,以减少计算负担,并发现这些变量基于响应变量即太阳辐照度或清晰度指数在同一地点变化。基于成本的CRPS始终低于CRPS,根据其定义应该是这种情况。此外,基于清晰度指数的模型显示CRPS相对于持续性提高了25%,而基于太阳辐照度的模型实际上表现更差,与持久性相比,CRPS增加了52%。尽管作者没有详细说明为什么会出现这种情况,但可以解释为特定小时的CDF显示出更大的扩散,因此比基于清晰度指数的模型更不清晰。
    在这里插入图片描述
    在这里插入图片描述
      Davò等人[124]采取了不同的方法,旨在预测美国俄克拉荷马州的日常太阳辐照度。由于这种方法需要来自11个NWP集合成员的大量数据用于144个网格点和98个站点的每日辐照度测量,因此采用主成分分析(PCA)来减少变量的数量。PCA评估相关数据并查找观察到的变量的线性组合,然后将其转换为一组线性不相关的变量,根据它们的方差排序。作者继续表明,对于确定性(NN)和概率(AnEn) 情况,PCA显着减少了大约90%的计算时间。此外,NN和AnEn的确定性性能大大受益于PCA,而NN的性能略好于AnEn。不幸的是,NN没有被用于概率预测,例如,通过LUBE方法,因此仅评估了AnEn,但是看看确定性预测的结果是否可以转换为概率预测将是有趣的。尽管如此,AnEn与PCA结合使用证明是可靠的,同时产生了明显的预测间隔,尽管可靠性表明中位数周围的方差很大。此外,根据季节,最大观察到的辐射能量密度(MED)归一化的CRPS在0.03%和0.06%之间变化,其中春季由于可变性增加而显示出最高的CRPS。
    在这里插入图片描述
      该研究由Zamo等人[52]完成,考虑了最长的预测范围,即66小时,结合日平均值的粗略时间分辨率。目的是评估由集合NWP数据提供的若干统计方法的性能和特征,以构建非参数预测密度。然而,不是直接使用集合NWP来提供密度,而是首先使用未受干扰的NWP成员训练QR和QRF模型,随后将其用于产生控制预测。然后,控制模型预测所有成员的分位数,之后为每个成员计算经验CDF。最后,对这些CDF进行平均,并从这些平均值中计算出分位数,以获得平均预测。结果表明,相对于基准,即气候学模型的改进范围为25%至50%。有趣的是,在总共八个基于QR的预测模型中,没有一个似乎始终比其他模型表现更好。此外,与本文讨论的先前研究类似,秩直方图显示校正后的预测分布不均,即没有显示出足够的传播。最后一个有趣的说明是,作者无法确定是否包括整体的所有成员都显着改善了预测性能。
    在这里插入图片描述
      与Takeda[113]的研究相似,Saint-Drenan等[125]提出了一种通过概率方法估算区域光伏发电量的方法,虽然本研究没有进行概率预测,但有可能检索概率信息。这种方法的动机有两个:首先,作者强调使用NWP变量作为区域内一组参考光伏电站预测模型的输入是次优的,因为它没有利用NWP模型产生的所有信息。其次,当选择一组参考PV设备时可能发生错误,因此建议使用关于PV设备的参数的统计数据。为了找到这些参数,进行了灵敏度分析,其中在最小化所需信息量和最大化模型精度之间进行了折衷。结果发现,两个取向角最有价值。然后,为了估计这些参数的相对发生,使用具有35.000个PV植物的数据库,之后根据标称容量对植物进行分箱,因为发现容量和方向之间存在明确的关系。然后,这些相对出现将用作参数的联合概率分布,然后可以利用相对简单的PV功率模型来估计功率产生。结果显示该模型平均表现比公用事业差,平均高0.5%。然而,作者指出,他们并不打算减少预测误差,而是计算区域的总发电量,本案例研究用于验证模型。
    在这里插入图片描述
      Chai等人[126]利用KDE和copula不仅预测特定的时间范围,而且还告知输出功率与所有中间时间范围的预测之间的相互依赖关系。上述方法背后的原因是预测误差与观测之间的相关性对总体不确定性具有一定的时间依赖性影响,应予以考虑。这里,copula用于建立KDE测量和预测之间的相互依赖关系。作为绩效指标,作者应用了区间分数,类似于Winkler分数,对锐度和可靠性进行了测试,尽管评估是以不可能用单个数量量化性能的方式进行的。
    在这里插入图片描述
    负荷
      刘等人[49]提出了一种有趣的方法,其中使用QR平均(QRA)将几个确定性预测整形为概率预测。确定性预测由所谓的姐妹模型创建,即具有相似结构但以不同时间滞后和不同训练数据长度运行的回归模型。此外,这些回归模型具有第2.4节中提到的新近效应。然后,应用QRA,其基于所有点预测最小化分位数q的分位数损失函数,以估计最佳参数集。使用了四种不同的训练数据长度,并使用滚动方案应用这些长度,这意味着更新了参数。在选择QRA模型的最佳组成时,作者表明,根据所使用的指标,即弹球,温克勒得分(50%)或温克勒得分(90%),QRA需要7或8个姐妹模型和183或365几天的校准数据。所提出的方法的显着优点在于它可以与许多点预测方法一起使用,在相同QRA模型中的不同方法与具有不同训练方案的单个方法一起使用。最好的QRA模型显示弹球得分为2.85,Winkler得分(50%)为25.04,Winkler得分(90%)为55.85。
    在这里插入图片描述
      虽然研究(参见例如,[43],[44])已经提供了证据,假设表示错误的分布通常是无效的,或者至少是次优的,Xie等人[68]试图从另一个角度接近关于预测密度的假设。作者不是试图证明假设是否无效,而是试图通过假设高斯分布来提高概率预测的质量。本文中使用的回归模型是2.4节中描述的Vanilla模型。这些模型取决于温度,因此,为了创建预测密度,使用30年的历史数据来创建30个天气情景,这些情景又用于创建30个确定性预测,利用这些预测可以计算所需的分位数。结果表明,正态性假设确实无效,但是,当残差基于压延变量分组时,KS检验的合格率是显着的。然后,添加额外的模拟高斯残差来检查更高的通过率是否导致更好的分位数分数,这导致了有趣的结论。首先,如果基础模型的准确性较差,则此方法有助于改进预测,但如果基础模型显示出良好的准确性,则这可以忽略不计。其次,在KS测试和分位数分数之间没有发现趋势,这导致了更高的合格率并不表示更好的分组选项的结论。为了评估其结论的有效性,人工神经网络也被采用并显示出类似的结果[68]。
    在这里插入图片描述
      Taieb等人[72]使用智能仪表数据在家庭层面上研究PLF的少数研究之一。预测方法基于增强附加QR,其在分位数的可加性假设下将加性QR与GB组合,即可以通过例如GB添加若干模型来估计每个分位数。在本文中,聚合和个人需求概况被认为是提前一天生成每小时的预测。除了考虑需求概况外,由于温度和电力消耗之间的高度相关性,还考虑了附近机场的温度曲线。此外,由于个人需求通常接近于零,作者进行了平方根变换以保证非零预测。结果表明,以一天中的时间为条件的基准,即考虑到日历变量,显示出比无条件基准显着改善,这导致确认这些变量的重要性。此外,对于增加的预测范围,该基准和QR在CRPS方面表现出类似的表现,这表明这些变量对于滞后的变量的重要性。最后,通过产生足够宽的预测密度来满足不稳定的需求,QR在分解规模上优于正常假设,超过了基准。然而,在汇总水平QR显示缺乏锐度。
    在这里插入图片描述
    在这里插入图片描述
      另一项考虑智能仪表数据的研究由Arora&&Taylor[53]执行,他们将非参数方法基于条件核密度(CKD)估计。然而,与Taieb等人[72]在智能电表数据预测中讨论的先前研究相反。由于潜在的有限可用性和可负担性,本作者未包括天气变量。结果发现,住宅消费者的需求模式在一周内没有显着变化,因此季节性因素被选择为每日和每周。为了考虑假期,将该日与前一个假日和上一个星期日进行比较,之后假期将被视为最相似的假期。关于CKD,它是KDE的扩展,作者估计变量x^\hat{x}的响应,以变量x为条件,有效地估计二维而不是一维的核。此外,已经提出了几种CKD结构,以确定最有效的结构,范围从以星期和一天的时间为条件到日内循环的类型。在这些方法中,有趣的是,实际上有四种基于CKD的方法和一种基于KDE的方法非常相似,后者基于考虑日内周期。发现CRPS介于0.013和0.055之间,最大的误差发生在易失时间段内。此外,该方法在预测时间为6小时的情况下也表现出最高的可靠性,而对于更长的交付周期,其他方法以及HWT基准也显示出非高的准确性。
    在这里插入图片描述
      巴塔等人[127]旨在利用欧洲输电系统电力运营商网络(ENT-SO-E)的开放获取数据,建立国家能源消费预测框架。为了构建预测密度,采用了GB回归树(GBRT),并根据各国自己提供的实际负荷数据和预测进行了基准测试。拟议的框架从收集和存储数据开始,之后建立GRBT模型并用于预测。数据仅包含滞后值,并汇总为每小时值。就点预测而言,拟议的框架表现出良好的表现,尽管相对于现有方法的相对改进取决于该国,因为一些人本身使用非常准确的预测,例如斯堪的纳维亚和比荷卢三国。此外,作者认为很难比较实现这些结果的模型,因为这不是透明的,类似于使用了哪些数据。平均弹球损失为38.144,但由于各国只公布了点预测,因此无法将其置于背景中。
    在这里插入图片描述
      Kou和Gao没有关注住宅用电量,而是提出了能源密集型企业(EIE)的PLF方法,特别是1000MW的钢铁厂。该方法基于高斯过程(GP),其假设方差是正态分布的。然而,由于假设高斯方差不被认为是现实的,作者应用异方差GP(HGP)进行本研究。此外,由于HGP的计算负担很大,作者对数据进行了细化,创建了简化的HGP(SHGP)模型。为了确定最有价值的数据作为回归模型的输入,作者采用了前贪婪的方法,将每个预测器分别合并并计算后续模型的预测误差,之后选择具有最低误差的组合并预测从候选集中删除。在可靠性方面,SHGP优于基准GP和样条QR(SQR),有趣地看到后一种方法一直低估每个分位数的需求。最后,SHGP模型的清晰度低于SQR,尽管不是很明显,使作者得出结论,所提出的模型是一种竞争性替代方案。
    在这里插入图片描述
    在这里插入图片描述
      另一种参数方法由Wijaya等人[128]采用,扩展了广义加性模型(GAM),它是响应变量线性地依赖于回归量的线性模型,扩展到GAM2,其中第二个GAM应用于平方残差。可以使用GARCH模型将该方法与平方残差建模进行比较,并且由于这些方法很少是同方差的,因此是必要的。首先,使用GAM函数估计平均值,随后将其用于预测,之后在与训练集进行比较时评估误差。然后在这些残差上安装另一个GAM。此外,在每天之后,通过用于添加模型的在线学习算法,向所提出的模型提供当天的数据,以便评估其错误并在必要时更新参数。在不添加在线学习算法的情况下,预测间隔没有覆盖整个置信水平,但是通过添加该算法可以实现。此外,作者表明预测间隔的宽度是令人满意的,尽管未使用2.5.2节中定义的宽度。此外,本文没有使用基准,因此阻碍了相对改进的比较。
    在这里插入图片描述
      Quan等人的两篇论文[64],[54]认为LUBE方法结合NN,在第3节中详细说明,用一周的时间来预测电力负荷。该方法的其他应用集中于最小化CWC,然而,作者认为,由于CWC具有许多参数并且对这些参数敏感,因此通过最小化宽度来解决优化问题可以更有效,同时限制覆盖概率。选择后者作为约束,因为这决定了预测区间的有效性[65]。为了解决优化问题,作者使用了PSO。此外,所提出的方法的性能对NN结构敏感,因此使用PINAW作为评估指标,已经构建了100个候选者,即两个隐藏层的10个神经元,并且对性能进行了测试。该模型显示多次运行的一致性,中位数PICP为90.81%至91.03%,中位PINAW为14.52%至36.53%,CWC为14.52%至36.53%,得分为86.59-4725.06,具体取决于每个城市的负荷变化。此外,它的表现优于基准模型ARIMA,ES和天真模型。最后,计算性能非常高,台式计算机上的预测间隔构建时间低于10毫秒。
    在这里插入图片描述
      为了提高QR的预测准确性并允许其考虑非线性关系,He等人[129]提出基于KDE将NN与QR结合使用。由于QR是线性模型,并且回归量和回归之间的关系通过非线性依赖性更准确地建模,因此作者主张将NN与QR结合起来,如前所述。这意味着每个分位数由NN估计,之后分位数函数被用作KDE的输入以估计和平滑密度函数。尽管该方法是有趣的,但是所呈现的数值结果不允许基准(即,径向基函数QR(RBFQR))与所提出的方法之间的公平比较。更具体地说,根据案例研究,RBFQR的PICP为0%至5.95%,PINAW为1.06e-05%至1.24%。显然,接近零的PINAW与极低的PICP相结合,几乎没有传达关于响应变量概率的信息,因此,所提出的模型总是优于这样的基准。不幸的是,作者没有详细说明这些统计数据,特别是因为他们的方法显示了有希望的结果。
    在这里插入图片描述
    在这里插入图片描述
      作为考虑非线性关系的另一种尝试,He等人[130]提出利用基于核的SVR与QR结合,因为难以用后者解决非线性问题。通过引入基于内核的SVR,QR的损失函数可以用于优化问题而不是SVR的复数惩罚函数,然后将内核用作相似函数来逼近输入向量的非线性依赖性。最后,为了量化并考虑输入变量(即电价和电力负荷)之间的相关性,作者使用了copula理论。这项研究中有趣的前提确实是实时价格和电力负荷之间的相关性,这表明它具有显着的相互依赖性。培训数据的数量取决于提前期,即提前一天预测的培训数据的十天和提前4天预测的25天的培训数据。对于日前预测,结果显示所提出的模型在PICP和PINAW方面表现良好,PICP为100%,PINAW在15.76%和16.48%之间,具体取决于所选的内核函数。此外,当通过copula考虑实时电价时,PINAW显着降低至11.75%-11.62%。考虑到4天视野的案例研究显示,PICP减少,PINAW增加分别为82.81-96.35%和23.69-30.65%。此外,包含实时电价的改善并不像第一个案例研究那么重要。最后,作者指出,无论使用何种方法,都应包括实时价格。
    在这里插入图片描述
      Xie和Hong[131]没有关注模型,而是比较了两个模型选择框架,特别是PLF。作者认为,PLF的模型选择可以通过点误差测量(第2.5.1节或概率误差测量(第2.5.2节))来完成,并且前者可以被认为是计算密集度较低但在应用于PLF。因此,作者研究了在使用概率误差测量时可以提高准确度的范围。作为模型,使用多元线性回归(MLR),其被馈送到多个温度场景以创建概率预测。使用的误差度量是确定性预测的MAPE和概率预的分位数分数。结果表明,后者的度量确实导致了比使用MAPE时更好的概率预测,但差异可以忽略不计。
    在这里插入图片描述
      以下论文已根据GEFCom2014发表,并在此处以随机顺序进行讨论。首先,盖拉德等人[132]也利用GAM的扩展,即分位数GAM(quantGAM)参与并最终赢得GEFCom2014。首先,通过捕获均值和回归量之间的非线性关系,GAM用于拟合上述均值。然后,作为用于找到均值的最小化过程的结果的平滑函数被用作训练QR的回归量,以便获得每个分位数的估计。由于电力需求在很大程度上取决于一天中的时间,作者将时间序列分成24个,每天一个小时,因此,安装了</font size = 4 color = red>24个不同的模型。此外,由于温度的影响及其不确定性,这些首先被分开了。这意味着首先预测取决于一年中的时间的温度,之后进行以温度为条件的负荷的预测。最后,后者对前者进行了平均,以获得最终的预测模型。该方法在比赛中获得第一名,弹球得分为3.98-10.73,具体取决于月份,夏季月份由于变异性较小而明显显示出更好的结果。此外,虽然未指定哪个模型被用作基准,但是在基准测试中实现了显着的改进。
    在这里插入图片描述
      谢和洪[133]提出了一个PLF框架,其中进行了预处理,预测和后处理。通过使用Vanilla基准模型清理数据来初始化预处理步骤。这是通过用所有可用数据训练模型并随后计算观察和预测之间的绝对百分比误差(APE)来完成的。如果误差大于50%,则该观察将被预测所取代,这是0.05%的数据的情况。预处理的第二部分涉及气象站选择,即哪个匿名气象站将提供最有价值的信息。第一次预测是通过多元线性回归(MLR),即Vanilla基准进行的,之后残差预测是四种方法的平均值,即未观察到的组分模型(UCM),ES,ANN和ARIMA。最终的预测是第一次预测和平均预测的结合。后处理基于Xie等人[68]的论文,其中发现残差的正态性假设可以改善概率预测,因此这里应用了这种方法。结果显示,残差的后处理导致分位数分数方面的改善,有趣的是,在该类别中,平均而言,基准实际上以7.908的分位数得分实际上表现最佳,因此优于模型。结合基准和前面提到的四种模型。不幸的是,作者没有提到为什么会这样。
    在这里插入图片描述
    在这里插入图片描述
      Mangalova和Shesterneva[134]采用了非参数方法拟合了一系列Nadaraya-Watson估计器。为了对基本模型进行优化,作者通过最小化分位数来寻找核的最优带宽。为进一步改进所提出的模型,虽然预测结果并无显著改善,但仍以温度作为输入变量。分位数得分在3.93到12.74之间,视月份而定。在夏季的几个月里,变化较少,分位数得分平均较低。该模型的主要优点是可以获得仅依赖于一个参数的预测密度。最后,作者得出结论,在比赛后对转换为分位数的方法进行修改,可以显著提高准确性。

    在这里插入图片描述
      Dordonnat等人[135]使用了GAM温度依赖的确定性负荷模型,基于广义交叉验证(GCV)评分选择了匿名气象站。然后,针对温度偏离移动平均的情况建立AR模型,生成N个样本,然后插入确定性负荷模型,获得N个负荷样本。最后,将确定性负荷模型预测样本与观测样本进行比较,评估误差,量化不确定性,并推导出其分位数。作者指出,MAPE最高的模型,即确定性度量,并不意味着它在用分位数分数评估时表现最好,这是一个明确的信号,表明绩效度量不能互换。表现最好的模型的平均分位数得分为7.37,这个分数确保了Dordonnat等人进入竞赛的前五名。
    在这里插入图片描述
      Ziel和Liu[136]提出了一种基于最小绝对收缩和选择算子(套索)估计的方法。选择了以负荷和温度为输入的VAR模型,并扩展了代表分段线性函数的阈值。这样做的原因是负载与温度之间的非线性关系。但是,为了减少潜在阈值函数的数量并因此减少了计算时间,应用了套索算法,该算法仅选择了显着的非线性影响。由于预测范围是一个小时且具有每小时的分辨率,因此考虑了之前的1200个时滞,即1200小时。此外,选择了八个随时间变化的系数,从而反映了与季节有关的最重要的系数,并尽可能减少了参数空间。相反,作者认为残差是同方的,这一假设在PLF中很少成立。拟议的模型在分位数方面优于Vanilla基准,在竞争中平均为7.44。
    在这里插入图片描述
    在这里插入图片描述
      Haben和Giasemidis[137]根据GEFCom2014发表了关于PLF的最终论文,我们将其纳入我们的综述。作者以Arora和Taylor[53]的工作为基础,建立了一个温度范围。但是,此处使用的衰减参数是对称的,这意味着将一年中的相似日期纳入预测。此外,QR还参与创建混合模型以通过添加这些模型来确定相对改进。结果发现,以温度为条件的CKD对于日间预报的效果最佳,但对于较长的视野效果较差,这是由于温度预测不准确所致。此外,将不同的CKD与QR结合使用,得出的结论是QR带来了这些组合中所见的大部分改进,并且被认为是平均而言最佳的非混合预测。不幸的是,没有给出平均分位数,但是从给出的图表中估计得出的分数约为8。
    在这里插入图片描述
      Takeda等[138]将EnKF与SSMs相结合,对东京及其周边地区的电力负荷进行了预测和分析。值得注意的是,作者并没有进行概率预测,但主要作者后来研究了EnKF在光伏发电的情况下,并在其中实际上进行了PSPF[113]。作者认为,将SSMs与EnKF结合使用的主要原因是,统计方法,如ann或MLR,不能提供任何关于电力消耗结构变化的洞见。为了进一步提高精度,作者采用了lasso和MLR。由于使用lasso和MLR的结果没有显着差异,他们建议使用lasso,因为它有避免过拟合的能力。在MAPE方面,EnKF+lasso模型获得了1.87%的分数,虽然它优于目前使用的MLR模型,但它没有优于第二个MLR模型的实用程序。

    在这里插入图片描述

    4.4. Comparison between PSPF and PLF

    在这里插入图片描述
      表1概述了在前面章节中已经讨论过的论文。它的目的是提供与概率预测相结合的最重要的方面的概述。此外,图2和图3给出了在已综述的文章中所采用的方法以及考虑的提前时间的概述。从图2可以清楚地看出,回归方法是PSPF和PLF最常用的方法。更具体地说,在PSPF的情况下,25%的论文采用物理或混合物理方法,这是相对较少的数量。其主要原因也可以从图3中推断出来,从图3中可以看出,大多数研究人员调查日内和小时内,其中统计方法是首选的。此外,统计方法也已用于日前预测。对于PLF,由于回归方法简单,并且PLF通常考虑聚合需求,这意味着时间序列比单个需求的情况下更平滑,因此更优选回归方法。由此得出结论,如果分辨率和范围相同,PSPF和PLF可以结合起来进行净需求预测。可以做出的另一个观察是,在PLF情况下提前时间更长,这主要是因为所综述的方法考虑了日历变量,即利用了电力需求的高度重复特性。

           图 2. 综述的研究中预测技术概览
    在这里插入图片描述
           图 3. 综述的研究中提前时间的概览
    在这里插入图片描述
    在这里插入图片描述
      PSPF和PLF之间数据需求的差异程度取决于所使用的方法和可利用的输入数据之间的相关性。例如,文献研究表明,温度和电力需求之间存在显著的相关性,这在PLF情况下经常被利用,如表1所示。虽然温度和辐照度之间也有相关性,但相关性不明显,因此,为了减少输入变量的数量,这种关系通常被忽略,而其他变量,例如降水,可能被认为更有价值。然而,如果利用一种结合相关变量的既适合PSPF又适合PLF的方法,则可以通过净需求预测同时预测两者。此外,在2.5.2节中定义的性能评估允许PSPF和PLF之间的直接比较。虽然在分离PSPF和PLF的情况下通常不需要这样做,但是由于变异性的差异和随后的预测精度的差异,评估和比较这一点是有用的。
    在这里插入图片描述
      从图4可以看出,非参数方法在PSPF和PLF中都占主导地位。然而,正态分布的假设仍然很重要,这通常与自回归方法(如AR或ARIMA模型,或物理模型)结合使用。自回归方法假定正常性的原因是这些方法固有的,因为误差应该是正态分布的。值得注意的是,最近的论文一般不作关于分布的假设,而是采用非参数方法。因此,如果一个人在较长的时间尺度上研究概率预测的论文,那么这些论文中很大一部分会采用参数方法。本质上,这种发展是合乎需要的,因为分布假设一般不合适[43],[44]。
    在这里插入图片描述
           图 4. 综述的研究中假设分布的概述
    在这里插入图片描述
      智能电表渗透率的提高使研究人员能够提高时间分辨率,从图5结合表1可以看出,这是一个相当近期的趋势。大部分论文仍集中在小时分辨率上,这对于日间市场而言是令人满意的,但对于日趋重要的日内市场而言却是粗糙的。在这个市场中,必须平衡发电量和需求量的短期波动,以维持系统的效率和安全性,而当时间分辨率太粗糙时,则无法控制这些波动。显然,如果将PSPF和PLF结合到净需求预测中,则在其上训练统计模型的数据的分辨率应相同。
    在这里插入图片描述
           图 5. 综述的研究中时间分辨率的概览
    在这里插入图片描述
    在这里插入图片描述
      图6指出了PSPF和PLF在空间分辨率方面的异同。如综述所示,大多数关于PLF的论文考虑的是总电耗,例如,市镇规模。而大多数关于PSPF的研究集中在单个地点或发电厂。虽然预测个人负荷数据是更具挑战性的,但这样做的研究设法取得了良好的效果。因此,空间分辨率之间的这种差异为将来有趣地研究净需求预测铺平了道路,其中可以利用平滑效应来降低城市尺度上PSPF的平均预测误差,同时利用PLF减少的电力消耗变异性。相反,也可以考虑自下而上的方法,其中选择一组代表性的建筑物并用于预测生产和消费。的确,研究表明自下而上的方法可以提高MAE的准确度3%[52],因此需要更多的研究来创建关于如何为光伏电站和电力消费者选择代表性站点组的范例。有了这样的范例,可以显著减少所需的数据量,同时保持高精度。
    在这里插入图片描述
           图 6. 综述的研究中空间分辨率的概览

    5. Discussion

    在这里插入图片描述
    在这里插入图片描述
      因为启动和关闭时间长,以及大量的斜坡限制,所以传统发电机进行提前计划是有必要的。此外,由于电力市场不断变化,例如使用智能电表、部署表后DG以及增加电动汽车的数量,为了平衡随机生产和消费,日内和时间内预测也可能变得越来越重要。作者认为有必要对高时间分辨率进行更多的研究,特别是在光伏在建筑环境中的高渗透,伴随着太阳变化和日益复杂的电力消费模式,如D2R,以及随后电网所经历的复杂网络需求这种情况下。
    在这里插入图片描述
      此外,由于气象条件的惯性,PV电力生产数据的广泛可用性提供了另一机会,即发现例如城市规模的时空相关性。与其使用昂贵的天空成像摄像机,不如尝试使用PV系统及其地理位置来发现上述情况下的短期趋势并提高预测的准确性。另一种有希望的方法可能是使用例如copula来建模辐照度和PV功率的时空相关性,以预测时空。此外,本评论中发现的PSPF和PLF之间的空间分辨率差异为研究在不同空间范围(例如,城市或邻里级别)上的净需求预测的可能性提供了机会。

    在这里插入图片描述
    在这里插入图片描述
      在整个文献研究中,有几点值得注意:

    1. 概率度量在PLF和PSPF中均未得到一致应用。
    2. 在CRPS情况下对结果进行归一化有时是利用PV设备的额定容量,有时是利用最大的实测产量。作者给出的建议是同时使用这两种方法,因为前一种方法具有透明度,而后一种方法则可以考虑季节变化。
    3. 对概率预测而言,标准化是必须的。
      在这里插入图片描述
        
    4. 已经多次证明,在概率预测中假设密度很可能会给出对未来的不准确估计
    5. 此外,假设固定密度的另一个缺点是,最终的模型不太通用,也就是说,不能应用在每个位置,因为这可能产生不同的误差,不能用先前假设的密度来描述。
    6. 没有一种单一的最佳方法可以适用于任何地点和任何情况。
      在这里插入图片描述
      在这里插入图片描述

      重点要强调以下论文:

    1. Bilionis等人[102]结合递归GP利用卫星图像,这两种方法似乎并不经常使用,但都产生了有希望的结果,特别是因为卫星数据的分辨率不断提高
    2. Quan等人[54]采用了下界估计(lower upper bound estimate, LUBE)方法[79]进行训练人工神经网络(ANN)预测区间而不是点预测。诸如LUBE方法的建议很有价值,因为它们为继续使用神经网络进行概率预测铺平了道路,同时认识到用诸如RMSE之类的确定性度量训练神经网络是次优的。相对较少的研究利用了气象过程的惯性,例如,[106],[96],[115]。
    3. Pierro等人创建了一个由数种数据驱动的方法组成的集合[121],并显示了在结合具有类似精度的预测时,在技能得分方面具有显著的潜力。
    4. Taieb等人[72]利用智能电表数据在细分水平上预测电力消耗,并指出,当时只有两篇类似的论文存在。一个重要发现是,尽管此空间分辨率的可变性增加,但是一天中的时间仍然是很好的解释变量。
    5. Torregrossa等人进行的研究[90]首次设计了一种方法,可用于任何预测模型,可以在秒至分钟分辨率上创建预测区间。当光伏系统在建筑环境中的渗透增加,更严格的电力控制变得必要,以保护那些连接到它的人免受重大的电力变化时,这将变得更加重要。

      在这里插入图片描述

      如果预测的PV发电量比测量的要高,则必须考虑额外的成本,例如快速响应发电机的启动成本。Bracale等人提出了基于成本来量化误差的方法。[123],但是需要更多的研究来解决这个问题。
    在这里插入图片描述

      很多模型难以对特定的情况进行一个好的预测。一般情况下都是为模型提供大量的数据,从而避免了在训练集上进行测试。

    6. Conclusion

    在这里插入图片描述
      总结:本文干了以下几件事:

    1. 对PSPF和PLF的性能指标、方法和最新进展进行了广泛概述。这占据了本文的绝大部分篇幅。
    2. 确定了在该领域的研究空白,比如解决净需求预测概率性能指标的影响。
    3. 找到了PSPF和PLF之间的共同点,从而能够进行净需求预测。即二者在空间和时间分辨率方面存在重叠,但在可变性方面的相似性似乎可以显著不同,这为提出新方法提供了可能性。
    4. 讨论了标准化在性能度量和数据预处理等方面的重要性。

    Acknowledgments

    在这里插入图片描述
      这项工作由智能电网ERA-NETCofund在“增加虚拟网络中电动车充电光伏发电自耗”项目以及SamspEL2016-2020在“太阳能发电预测模型的开发和评估”项目资助。此外,作者要感谢匿名审稿人,有助于提高本文的质量。

    原文链接:Review on probabilistic forecasting of photovoltaic power production and electricity consumption

    展开全文
  • 内蒙古电力交易对数据中心用电费用的影响分析从北京往西北方向出发,沿着京藏高速驱车约5个小时,经过张家口,即可到达中国的“草原云谷”-内蒙古自治区乌兰察布市。凭借着优越的地理位置,全年平均...

    内蒙古电力交易对数据中心用电费用的影响分析

    从北京往西北方向出发,沿着京藏高速驱车约5个小时,经过张家口,即可到达中国的“草原云谷”-内蒙古自治区乌兰察布市。凭借着优越的地理位置,全年平均气温4.3摄氏度、盛夏的平均气温18.8摄氏度的气候优势,丰富的能源资源,吸引国内外企业在此建设数据中心。苹果、华为、阿里、优刻得等国内外著名企业的数据中心进驻乌兰察布。

    数据中心是耗能大户,大型数据中心年用电量可到千万千瓦时至亿千瓦时。据统计,在2017年,中国数据中心总耗电量为1200亿-1300亿千瓦时,超过了三峡大坝、葛洲坝电厂2017年全年发电量之和。根据IDC预测,到2020年中国数据中心耗电量将增至2962亿千瓦时,2025年高达3842.2亿千瓦时。

    高耗能意味着高成本,为了节省企业用电成本,内蒙古自2016发布《内蒙古自治区人民政府关于进一步深化电力体制改革促进产业结构调整的有关事宜的通知》内政发[2016 ]61号,明确了对于云技术、大数据等产业列入优先交易,风光发电参与,不设限值,同时通过自治区电价调节资金进行调节(最高不超过0.03元/千瓦时),使目标交易到户电价达到0.26元/千瓦时。

    内蒙古电力多边交易市场自2010年5月正式挂牌开始至2020年正式运行,经历了10年时间。多边电力交易是建立在平等协商、自愿互赢的基础上,由发电方、供电方、用电方自行协商,电价交由市场决定,进一步推动市场资源优化配置。

    乌兰察布的数据中心110kV自建变电站典型架构为变压器N+1架构,主变容量为3x63MVA,同时运行,容量备用。其上端为不同220kV变电站110kV出线间隔,数据中心用电有功功率约为80-100MW的用电规模。如此规模的用电每年电费成本占比很大,对此我们分析采用电力多边交易的方式电费成本的优势。为了便于计算,另参与蒙西电力多边交易用电客户需要年用电量大于1000万千瓦时才能参加,我们取2MW有功的用电规模比较数据中心的电费成本。电网价格电费按照二部制按需容量计算(电网销售电价见表1),政策电价为单一制电价0.3847元/千瓦时,乌兰察布的数据中心用电费用对比见表2。

    表1. 内蒙古自治区西部电网销售电价表

    注:1.上表所列价格,均含农网还贷资金2分钱、国家重大水利工程建设基金0.115分钱。2.上表所列价格,除农业生产用电外,均含大中型水库移民后期扶持资金0.23分钱、可再生能源电价附加(其中:居民生活用电0.1分钱,其他用电1.9分钱)。3.核工业铀扩散厂和堆化工厂生产用电价格,按表所列的分类电价降低1.7分钱执行;抗灾救灾用电按表所列分类电价降低2分钱执行。4.对城乡“低保户”和农村牧区“五保户”家庭每户每月设置15度免费用电基数,分别按照表中居民生活用电第一档电量电价标准收取及返还。对执行居民生活用电的电压等级在35-110千伏及以上的用户,按表中1-10千伏所对应的电量电价标准执行。

    表2. 2MW数据中心电费对比表

    项目名称

    负荷有功功率(kW)

    全年小时数(h)

    全年用电量(kW.h)

    电价

    (元/ kW.h)

    电费

    (万元)

    电网电价电费计算

    2000

    8760

    17520000

    0.4208

    804.44

    政策电价电费计算

    2000

    8760

    17520000

    0.3847

    673.99

    交易电价电费计算

    2000

    8760

    17520000

    0.26

    455.52

    注:不考虑外部气候变化带来的用电影响,设备功率因数均为95%以上,二部制电费中最大需量按未产生考核计。

    通过表格可以看出,2MW有功用电的数据中心,在参加内蒙古多边电力交易下:交易电价比正常电网电价每年节约资金348.92万元,100MW有功功率规模的数据中心每年可节约电费17446万元;交易电价比政策电价每年节省218.47万元, 100MW有功功率规模的数据中心每年节约电费10924万元。

    由于乌兰察布凉爽的气候,可以大幅减少空调耗电量;参加电力多边交易,可用上全国范围内十分便宜的电价。以上优势带来的是数据中心的最大的成本——电费大幅节省,成为越来越多数据中心在此落户的重要因素。

    资料免费送(点击链接下载)

    史上最全,数据中心机房标准及规范汇总(下载)

    数据中心运维管理 | 资料汇总(2017.7.2版本)                                                    

    加入运维管理VIP群(点击链接查看)

    《数据中心运维管理》VIP技术交流群会员招募说明

    扫描以下二维码加入学习群

    展开全文
  • 用电安全,一直与排插安全紧密联系。随着排插新国标的即将实施,传统排插即将被淘汰。品胜智能排插作为国内最早跟进排插新国标的企业之一,在新国标颁布之后,积极响应,给我们带来了更安全的智能排插产品,一经面世...
  • 记者获悉,日前,国家发改委、国家能源局发布了作为我国电力体制改革中,六项改革配套文件之一的《关于有序放开发用电计划工作的通知(征求意见稿)》(以下简称《通知》)。 对此,业界认为,管理层于2015年底出台...
  • 1608亿度 国内数据中心去年用电量超上海全市 2019年09月16日 06:25701次阅读稿源:每日经济新闻0条评论 https://www.cnbeta.com/articles/tech/889505.htm 随着5G技术、AI计算能力的发展,建设规模...
  • 近日,不止在我们通信圈,关于“5G基站智能休眠、5G天价用电”等问题的讨论,可以说是很热烈、广泛的。确实,随着5G时代的到来,摆在我们通信行业面前的,除了以往的“进场难、入场贵”难题,还...
  • 广东 广东省出台《关于降低5G基站用电成本有关问题》专项扶持政策中提出加大转供电环节用电价格监管力度,加快推进5G基站转供电改造为直供电工作。其中明确公变区域基站全部采用直供电。专变红线内,新建建筑预留...
  • 未来的企业,你需要有首席人工智能官 鲜的力量壹企问 ...太复杂 强电>弱电 电力副总裁 不同用电接口 首席电力官 不同用电价格 02 气资源允规划信息技术的整合者挖掘企业信息资源 电气与生产过程结合信息化基础设施投入制
  • 研究发现,广东碳市场的建立已经产生了一定的减排成效,企业发电成本、当地用电量都会左右碳价格的走势,欧洲CER期货价格依然是影响广东省碳交易价格的最显著性因素,同时,上海银行间同业拆放利率以及国际天然气价格等都...
  • 我昨天谈到企业软件发展的几波大潮流(财务软件时代、MIS软件时代、ERP软件时代),正好对应PC个人机、局域网、互联网技术,正好对应企业窗口收费、部门联动互相牵制跑冒滴漏...
  • 一、前言: 2021年了,你还不了解云桌面吗? 万企上云是大势所趋,...企业上云是要根据企业自身IT系统现状、企业发展要求等,重点考虑以下因素: 1、系统更新升级 云计算对于企业上云来说,主要提供基础设施服务.
  • 企业企业交易和股票价格 在本研究中,我们将研究具有交易关系的公司的价格变化率的时间序列的相似性,而不是网络结构的分析。 由于特定客户的销售额与供应商公司的销售额之比较大,当客户公司的股票价格发生变化...
  • 对于一个企业来说,人员工资和生产线上的用电量永远是两项固定支出。两个同量同产量的企业,年电费几千万,但电费支出可能相差几十万元! 单单电费就有几十万的差别。有什么区别?雇主和雇员担心什么? 从老板到节能...
  • 3月22日,国家发改委主任张平表示,要积极推进资源税改革,完善消费税和房产税制度。...继续开展发电企业竞价上网、大用户和发电企业直接交易,推行居民用电阶梯式价格制度,完善可再生能源发电定价和费用
  • 实施电力行业企业信息系统——ERP系统综述--付首昕 电力行业是一个特殊的行业,针对电力行业的企业应用系统也不同于常规的制造业,电力行业如何实施企业信息系统?电力行业也是一个制造型行业,但这个行业的企业过于...
  • 9月7日,湖北省能源局印发2017年下半年电力直接交易实施方案。上一次提到湖北下半年交易的是在8月18日发布的《湖北省2017年电力直接交易公告》。...总量目标是用电企业成交电量力争达到46亿千瓦时;发电...
  • 接上文:完整的企业机房设计(一) 三、电气部分 如果说计算机房的装饰是人的面貌,那么计算机房的电气系统就是心脏,只有安全可靠的供配电系统才能保证计算机房中的设备安全可靠的运行。1 1.机房配电系统 ...
  • 制造成本是决定饲料企业经济效益和市场竞争力的一个重要因素,随着原料价格的不断攀升,企业的利润越来越低,降低生产成本,提高生产效率成为饲料企业的利润增长点。但在目前饲料行业中,中小型饲料厂比较多,固定...
  • 很多人一听到企业专线的价格就纷纷说太贵了,但是企业专线的高稳定性、高速度、独立IP等好处又深深吸引着各个企业,让人欲拒还迎。那么,为何企业专线光纤跟普通家用光纤价格差距这么大?究竟有哪些因素导致企业专线...
  • 矿工与比特币价格

    2020-04-01 17:29:33
    前言:比特币市场的参与者包括了投资基金、持币人以及矿工,其中矿工是比特币网络的基石,确保其网络的持续和安全。矿工当前每个月挖出54,000个比特币,存在抛压,尤其是当价格下跌时,抛压更...
  • 中国用电结构中76%为工业用电,经济下滑已经传导到动力煤上,动力煤目前已经开始小幅下滑。如果政策方面未有刺激内需以及放松贷款方面的举措,结合宏观以及下游行业的趋势判断,预计需求回落的趋势仍将延续。 近期...
  • 中电联:重点电煤价格每吨上涨15元中国证券报: 中国电力企业联合会秘书长王永干昨日透露,全国4.9亿吨重点电煤合同目前已经签了3亿多吨,每吨价格平均上涨15元左右。 王永干是在“中国电力工业中长期发展与改革研讨...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,979
精华内容 791
关键字:

企业用电价格