全部版块 我的主页
论坛 经济学人 二区 外文文献专区
900 10
2022-05-10
英文标题:
《Solar energy production: Short-term forecasting and risk management》
---
作者:
C\\\'edric Join, Michel Fliess, Cyril Voyant, Fr\\\'ed\\\'eric Chaxel
---
最新提交年份:
2016
---
英文摘要:
  Electricity production via solar energy is tackled via short-term forecasts and risk management. Our main tool is a new setting on time series. It allows the definition of \"confidence bands\" where the Gaussian assumption, which is not satisfied by our concrete data, may be abandoned. Those bands are quite convenient and easily implementable. Numerous computer simulations are presented.
---
中文摘要:
太阳能发电通过短期预测和风险管理来解决。我们的主要工具是时间序列的新设置。它允许定义“置信带”,其中高斯假设可能被放弃,而我们的具体数据不能满足这一假设。这些频带非常方便,易于实现。给出了大量的计算机模拟。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:General Finance        一般财务
分类描述:Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类:Computer Science        计算机科学
二级分类:Data Structures and Algorithms        数据结构与算法
分类描述:Covers data structures and analysis of algorithms. Roughly includes material in ACM Subject Classes E.1, E.2, F.2.1, and F.2.2.
涵盖数据结构和算法分析。大致包括ACM学科类E.1、E.2、F.2.1和F.2.2中的材料。
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-10 20:49:33
太阳能生产:短期预测和风险管理*,****,+米歇尔·弗利斯**,****西里尔·沃扬特***,弗里德里克·查塞尔**CRAN(CNRS,UMR 7039),洛林大学,BP 23954506 Vandoeuvre-lès-Nancy,法国(电子邮件:{cedric.join,frederic.chaxel}@univ-loraine.fr)**LIX(CNRS,UMR 7161),法国帕莱索91128埃科尔理工学院(电子邮件:Michel。Fliess@polytechnique.edu)***SPE(CNRS,UMR 6134),科西嘉大学帕斯夸尔保利分校,20250年,法国科尔特(电子邮件:voyant@univ-科塞。(法国)****AL.I.E.N.(ALgèbre pour identification&estimation numériques),法国南希利昂诺瓦街24-30号,英国石油公司60120号,54003号(电子邮件:{michel.fliess,cedric.join}@alien sas.com)+法国北欧里尔的非A项目卡斯特卢西奥H^opital de Castelluccio,英国石油公司8520177 Ajaccio,FranceAstract:太阳能发电通过短期预测和风险管理来解决。我们的主要工具是时间序列的新设置。它允许定义“密集带”,其中高斯假设可能会受到限制,而我们的具体数据无法满足这一假设。这些频带非常方便,易于实现。给出了大量的计算机模拟。关键词:太阳能、基于智能知识的系统、时间序列、预测、持续性、风险、波动性、正态性测试、置信区间。1.介绍1。1概述Reikard(2009)的以下几句话为我们的主题提供了极好的介绍:越来越多地使用太阳能作为电能来源,导致人们对短期辐射预测的兴趣增加。运营规划、电源切换、备份规划和短期电力采购,以及备用电源年龄和峰值负荷匹配规划都需要进行短期预测。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-10 20:49:36
Trapero、Kourentzes&Martin(2015)总结了许多方法:可以根据输入数据和客观预测范围对太阳辐射预测方法的多样性进行分类。例如,NWP(数值天气预报)模型基于控制大气气流的运动和能量守恒的物理定律,在操作上用于预测大约6小时后的大气演变。虽然NWP模型是在地面数据不可用的地方预测太阳辐射的强大工具,但许多近地表物理过程发生在单一网格框内,太复杂,无法用方程表示和求解。因此,NWP模型无法成功地解决小于模型分辨率的局部过程。卫星获取的太阳辐射图像是一个有用的工具,用于量化大面积地表的太阳辐射,但它们需要在晴朗的天空条件下,以及在浓密的云层下,从每个像素和每个图像设置准确的辐射值。这些局限性使得时间序列分析成为从5分钟到6小时的短期预测范围的主要方法。请参见Kleissl(2013)了解稍微不同的观点。当然,关于时间序列的不同观点已经被运用。参见Bacher,Madsen&Nielsen(2009);Diagne,David,Lauret,Boland&Schmutz(2013);Duchon&Hale(2012);劳雷特、沃扬特、苏布·达里、戴维和波吉(2015);马汀、扎扎勒约、波罗、纳瓦罗、马尔尚和科尼(2010年);Reikard(2009);特拉佩罗、库伦茨和马丁(2015);Voyant、Muselli&Nive t(2011);Voyant、Paoli、Muselli&Nivet(2013年);Voyant、Soubdhan、Lauret、David&Muselli(2015);Yang,Sharma,Ye,Lim,Zhao&Aryaputer(2015),以及其中的参考文献。我们遵循另一种模式自由设置(Fliess&Join(20092015a,b);Fliess,Join&Hatt(2011a,b))。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-10 20:49:39
关于太阳能生产,Join、Voyant、Fliess、Nivet已经将其与源自持久性和人工神经网络的技术进行了比较,关于模型的重要性,请参见Fliess&Join(2013)——控制中的自由视点。在我们的背景下,可能值得强调的是,这种方法在可再生能源生产方面一直是成功的(Jama,Noura,Wahyudie&Assi(2015);Join,Robert&Fliess(2010年)。Muselli、Paoli&Chaxel(2014)和Voyant、Join、Fliess、Nivet、Muselli&Paoli(2015)。让我们强调一下,我们的技术与当今时间序列的主流观点相去甚远(参见Meuriot(2012)和本文的参考文献)。1.2预测和风险根据Cartier&Perrin(1995)的一个定理,在非常弱的假设下,以下加性分解适用于任何时间序列:X(t)=e(X)(t)+X flucturati on(t)(1),其中o平均值,或者说趋势,E(X)(t)是非常小的,而(t)上的X flucturati正在迅速变化。分解(1)是唯一的,直到“小”相加。我们的短期预测技术基于对E(X)(t)的局部数学分析(Fliess&Join(2009);Fliess,Join&Hatt(2011b)),这是由估计领域的最新进展所启发。它们有很好的效果,而且很容易实现。Join、Voyant、Fliess、Nivet、Muselli、Paoli&Chaxel(2014年)和Voyant、Join、Fliess、Nivet、Muselli&Paole(2015年)对太阳能的应用不需要与大多数其他方法相反,即大数据。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-10 20:49:43
任何类型的预测都是近似的。这里,根据公式(1),在(t)上的快速流量X流量在很大程度上解释了这种差异。尽管这种内在风险显然在能源生产中起着关键作用,但在有关太阳能的文献中似乎并未对其进行认真研究。我们遵循(Aboua"issa,Fliess&Jo in(2016))并阐述了Fliess,Jo in&Hatt(2011a,b)提出的波动性观点。经典的正态性检验表明,我们的具体时间序列与高斯过程无关。因此,我们将众所周知的置信区间(在这种情况下没有多大意义)替换为置信区间,该置信区间在技术分析中与著名的布林格区间具有某种相似性(Bolling e r(2001))。这可能是风险分析的一个重要进展。备注1。参见,例如,Willink(2013),了解c on fi fi interval的最受欢迎的账目。1.3论文的组织Aboua"issa,Fliess&Join(2016)在本次会议上发表的论文已经总结了我们对时间序列的处理方法。因此,本材料不在此处重复。它为第2节提供了更多空间,其中o考虑了一种波动性,o确定了置信区间,o我们报告了大量基于真实气象数据的数值实验。第三部分讨论了太阳能预测和风险管理的一些想法。与Trapero(2015)相比。数值实验2。1表示写出时间t的太阳辐照度X(t)。这些数据是2013年在法国南希每分钟测量一次得出的。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-10 20:49:46
为了简化计算机计算的表示,我们这里只使用2月和6月。根据Join、Voyant、Fliess、Nivet、Muselli、Paoli&Chaxel(2014)的预测,在X(t)前1小时编写Xpred60(t)。图2和图6中的结果来自同一参考文献。2.2波动性通过vol(t)=|X(t)确定波动性- Xpred60(t)- 60)|(2)其中Xpred60(t-60)预报是否比X(t)早1小时-60).如前所述,通过平均值E(X)(t)获得(见等式(1))。图3和图7显示了结果。为了简单起见,为volativityvolpred60(t)=Vol(t)设置以下基本持久性方案,其中Volpred60(t)是Vol(t)前1小时的预测值。2.3正态性测试将我们与方程(2)联系起来,方程(t)=X(t)- Xpred60(t)- 60)三个经典的正态性测试(参见Bourbonnais&Terraza(2010年);Cryer&Cha n(2008);Jarque&Bera(1987);法官,格里菲斯,希尔,吕特克波尔和李(1988);Thode(2002)),即oJarque Bera、oKolmogorov Smirnov、oLilliefors,在2013年的第五个月拒绝了信号差的高斯特性。图1-(a)和图1-(b)说明了这一点。2.4关于信心等级定义了第一个信心等级CB1,pred60(t)通过其前沿pred60(t)±Volpred60(t)参见图4和图8。为了提高CB1,pred60(t),通过新的前沿定义CB2,pred60(t)±αVolpred60(t),这里通过要求在最后三天内68%的测量数据为CB2,pred60(t)来确定参数α。参见图5和图9。在这里,我们不再重复计算。68%的数量显然受到信任区间的启发。(a) 2月(b)6月。1.信号分布(蓝色)和高斯分布(红色)(a)月视图(b)缩放2-(a)(c)缩放2-(a)图2。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群