《新能源电力系统概率预测理论与方法=Theory and Methodology of Probabilistic Forecasting for Renewable Power Systems》系统地介绍了新能源电力系统概率预测理论与方法，以期为不确定环境下电力系统分析与控制提供关键可靠信息支撑，助力新能源电力系统安全和经济运行。《新能源电力系统概率预测理论与方法=Theory and Methodology of Probabilistic Forecasting for Renewable Power Systems》共9章，主要内容包括：预测科学基础，概率预测的数学原理与应用价值，自举极限学习机概率预测方法，自适应集成深度学习概率预测方法，机器学习直接区间预测，机器学习*优区间预测，直接分位数回归非参数概率预测方法，数据驱动非参数概率预测，概率预测-决策一体化。
更多科学出版社服务，请扫码获取。
适读人群 ：新能源电力系统规划、经济调度、稳定控制、市场交易等科研和工程技术人员，高校有关专业的本科生和研究生，计算机科学、统计学、控制科学、经济金融、管理等领域从业者 适读人群：本书可供新能源电力系统规划调度、运行管理、市场交易等研究和技术人员阅读参考，也可作为高校有关专业学生学习教材和参考资料，同时也可为经济金融、统计决策、管理等领域从业者提供参考。
本书是作者及其研究团队耕耘十年的成果总结，旨在推动概率预测基础理论研究及其工程应用。
万灿，浙江大学研究员（长聘）、博士生导师，电力能源互联及其智能化研究所副所长，爱思唯尔“中国高被引学者”，中国电工技术学会人工智能与电气应用专业委员会副秘书长，以第一/通讯作者发表IEEE PES Trans.论文35篇，主持国家重点研发计划重点专项课题、国家自然基金面上项目，获国家科技进步二等奖、教育部自然科学一等奖等奖励，获中国科协“青年人才托举工程”、浙江省杰出青年基金、中国电力优秀青年科技人才奖，从事新能源电力系统不确定性预测、分析与控制研究。
宋永华，英国皇家工程院院士、欧洲科学院外籍院士、IEEE Fellow，澳门大学校长，智慧城市物联网国家重点实验室主任，中国电工技术学会副理事长。长期从事电力系统研究。1989年获中国电力科学研究院博士学位，2002年获布鲁内尔大学科学博士学位，2014年获巴斯大学荣誉工程博士学位，2019年获爱丁堡大学荣誉科学博士学位。以第一完成人获国家科技进步二等奖1项、何梁何利基金科学与技术进步奖1项、省部级自然科学一等奖2项、省部级科技进步一等奖2项。
目录
前言
第1章 预测科学基础 1
1.1 概述 1
1.2 预测的基本原理 1
1.2.1 预测的定义 1
1.2.2 预测的一般步骤 2
1.2.3 预测时间尺度 4
1.2.4 新能源电力系统预测对象 5
1.3 常用预测模型与方法 9
1.3.1 物理预测模型 10
1.3.2 时间序列预测模型 10
1.3.3 统计法预测模型 12
1.3.4 机器学习预测模型 14
1.3.5 组合预测模型 20
1.4 预测科学的挑战 20
参考文献 22
第2章 概率预测的数学原理与应用价值 24
2.1 概述 24
2.2 预测不确定性 24
2.2.1 预测误差统计特性分析 24
2.2.2 预测不确定性的来源 32
2.3 概率预测数学原理 34
2.3.1 概率预测的数学本质 34
2.3.2 概率预测基本形式 35
2.3.3 概率预测评价指标 39
2.3.4 概率预测方法分类 45
2.4 概率预测的电力系统应用 49
2.4.1 不确定性环境下的决策方法 49
2.4.2 新能源电力系统不确定性分析 51
2.4.3 新能源电力系统运行控制 53
2.4.4 新能源电力系统优化规划 55
2.4.5 电力市场交易与需求响应 56
参考文献 57
第3章 自举极限学习机概率预测方法 60
3.1 概述 60
3.2 极限学习机 60
3.2.1 单隐藏层前馈神经网络 60
3.2.2 经典梯度下降训练算法 62
3.2.3 极限学习机*小二乘训练算法 63
3.2.4 极限学习机的应用优势 64
3.3 预测不确定性 65
3.3.1 预测区间与置信区间 65
3.3.2 总体不确定性 65
3.4 自举极限学习机 66
3.4.1 自举法 66
3.4.2 真回归估计 70
3.4.3 模型不确定性方差 71
3.4.4 梯度下降神经网络残差估计 71
3.4.5 自举极限学习机残差估计 73
3.5 算例分析 75
3.5.1 市场出清电价概率预测算例分析 75
3.5.2 风电功率概率预测算例分析 80
3.6 本章小结 88
参考文献 89
第4章 自适应集成深度学习概率预测方法 91
4.1 概述 91
4.2 深度学习 91
4.2.1 深度学习基础 91
4.2.2 深度学习方法 93
4.3 集成学习 99
4.3.1 集成学习定义 99
4.3.2 集成学习算法基础 100
4.3.3 集成学习组合策略 103
4.4 自适应集成深度学习 104
4.4.1 初级集成深度学习模型构建 104
4.4.2 自适应混合集成 108
4.4.3 概率预测模型 110
4.5 算例分析 112
4.5.1 算例描述 112
4.5.2 模型参数确定 113
4.5.3 确定性预测性能分析 115
4.5.4 概率预测验证 118
4.6 本章小结 121
参考文献 122
第5章 机器学习直接区间预测 123
5.1 概述 123
5.2 直接区间预测模型 123
5.2.1 区间预测概述 123
5.2.2 预测区间分数 124
5.2.3 直接区间预测模型构建 125
5.3 基于分位数的预测区间 127
5.3.1 预测区间与分位数 127
5.3.2 分位水平灵敏度分析 128
5.4 自适应双层优化模型 129
5.4.1 *短可靠预测区间 129
5.4.2 自适应双层优化模型 129
5.4.3 双层模型的解耦 134
5.4.4 改进分支定界算法 135
5.5 算例分析 141
5.5.1 算例描述 141
5.5.2 直接区间预测 142
5.5.3 对称与非对称预测区间 143
5.5.4 自适应预测区间 145
5.6 本章小结 149
参考文献 150
第6章 机器学习*优区间预测 152
6.1 概述 152
6.2 预测区间帕累托*优 152
6.2.1 区间预测的目标 152
6.2.2 多目标优化模型构建 154
6.2.3 帕累托*优性 154
6.2.4 非支配排序遗传算法 155
6.3 机会约束极限学习机区间预测 158
6.3.1 机会约束与区间预测的关系 158
6.3.2 机会约束极限学习机模型 158
6.3.3 机会约束问题的参数*优化模型 160
6.3.4 基于凸差优化的二分训练算法 163
6.4 算例分析 169
6.4.1 算例描述 169
6.4.2 帕累托*优分析 170
6.4.3 多季节预测区间分析 171
6.4.4 多置信度区间预测分析 173
6.4.5 多提前时间区间预测分析 174
6.4.6 预测区间分位水平分析 175
6.4.7 求解算法分析 176
6.5 本章小结 178
参考文献 179
第7章 直接分位数回归非参数概率预测方法 181
7.1 概述 181
7.2 分位数回归理论 181
7.2.1 参数化与非参数化概率预测 181
7.2.2 分位数与概率预测 182
7.2.3 分位数回归 184
7.2.4 分位数回归的评价 186
7.3 极限学习机直接分位数回归 186
7.3.1 直接单分位数回归 186
7.3.2 直接多分位数回归 187
7.3.3 基于线性规划的训练算法 189
7.3.4 对直接分位数回归方法的讨论 190
7.4 算例分析 191
7.4.1 算例描述 191
7.4.2 多置信水平分位数预测 192
7.4.3 多提前时间分位数预测 194
7.4.4 计算效率分析 197
7.5 本章小结 198
参考文献 198
第8章 数据驱动非参数概率预测 200
8.1 概述 200
8.2 基础理论与总体框架 200
8.2.1 理论支撑 200
8.2.2 总体预测框架 201
8.3 相似模式挖掘 202
8.3.1 特征选择 202
8.3.2 相似性度量 205
8.3.3 相似模式数目确定 208
8.4 自适应集成密度估计 209
8.4.1 密度估计 209
8.4.2 自适应权重确定 212
8.5 算例分析 214
8.5.1 算例描述 214
8.5.2 多提前时间多季节概率预测 214
8.5.3 计算效率比较 223
8.6 本章小结 223
参考文献 224
第9章 概率预测-决策一体化 226
9.1 概述 226
9.2 成本驱动的预测区间 226
9.2.1 预测区间的价值 226
9.2.2 成本驱动预测区间的构建 227
9.3 电力系统运行备用的确定性量化方法 228
9.3.1 电力系统运行备用基本概念 228
9.3.2 基于某一准则的确定性分析方法 228
9.3.3 基于可靠性的不确定性分析方法 229
9.3.4 基于成本效益的不确定性分析方法 230
9.4 基于概率预测的电力系统运行备用量化 231
9.4.1 备用需求与概率预测的关系 231
9.4.2 备用量化的评估 233
9.5 备用量化的概率预测-决策一体化模型 234
9.5.1 基于极限学习机的预测区间 234
9.5.2 目标函数 235
9.5.3 概率预测与运行备用约束 236
9.5.4 模型线性化 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 备用量化性能总体评估 246
9.6.3 备用量化统计特性分析 248
9.6.4 不同置信度下备用量化性能分析 250
9.6.5 计算效率分析 252
9.7 本章小结 253
参考文献 254
书单推荐
