0去购物车结算
购物车中还没有商品，赶紧选购吧！
当前位置: 图书分类 > 工程技术 > 电气工程 > 电力市场大数据分析=Data Analytics in Power Markets:英文

相同语种的商品

销售排行榜

浏览历史

电力市场大数据分析=Data Analytics in Power Markets:英文


联系编辑
 
标题：
 
内容：
 
联系方式：
 
  
电力市场大数据分析=Data Analytics in Power Markets:英文
  • 书号：9787030715166
    作者：陈启鑫等
  • 外文书名：
  • 装帧：平装
    开本：B5
  • 页数：284
    字数：300000
    语种：en
  • 出版社：科学出版社
    出版时间：2022-10-01
  • 所属分类：电气工程
  • 定价： ￥158.00元
    售价： ￥102.70元
  • 图书介质:
    纸质书

  • 购买数量： 件  可供
  • 商品总价：

相同系列
全选

内容介绍

样章试读

用户评论

全部咨询

本书以电力市场领域近年来的研究工作成果为基础，力图系统性地介绍电力市场中的数据价值挖掘方法以支撑市场组织者和市场参与者的决策问题。本书围绕电力市场中的公开数据和机器学习方法理论与应用展开，结合电力市场规则和物理特征，期望解决市场规则解析和数据结构化两大核心难点，并从负荷与电价预测、报价行为解析、金融衍生品投机等方面，构建了电力市场数据分析理论和技术方法体系。
　　全书共13章，第1章介绍了世界各地的电力市场数据概况。除第1章外，剩余内容分为三部分。第一部分为负荷建模与预测，包括了基于智能电表数据的负荷预测方法等。第二部分为电价建模与预测，包括了节点电价数据的子空间特性建模等。第三部分为市场投标行为分析，包括了机组投标行为的特征提取方法等。
样章试读
  • 暂时还没有任何用户评论
总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

  • 暂时还没有任何用户咨询内容
总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页
用户名： 匿名用户
E-mail：
咨询内容：

目录

  • Contents
    1　Introduction to Power Market Data　1
    1.1　Overview of Electricity Markets　1
    1.2　Organization and Data Disclosure of Electricity Market　4
    1.2.1　Transaction Data　5
    1.2.2　Price Data　7
    1.2.3　Supply and Demand Data　7
    1.2.4　System Operation Data　8
    1.2.5　Forecast Data　8
    1.2.6　Confidential Data　9
    1.3　Conclusions　9
    References　9
    PartⅠ　Load Modeling and Forecasting
    2　Load Forecasting with Smart Meter Data　13
    2.1　Introduction　13
    2.2　Framework　14
    2.3 Ensemble Learning for Probabilistic Forecasting　16
    2.3.1　Quantile Regression Averaging　17
    2.3.2　Factor Quantile Regression Averaging　18
    2.3.3　LASSO Quantile Regression Averaging　18
    2.3.4　Quantile Gradient Boosting Regression Tree　19
    2.3.5　Rolling Window-Based Forecasting　20
    2.4　Case Study　20
    2.4.1　Experimental Setups　2
    2.4.2　Evaluation Criteria　21
    2.4.3　Experimental Results　22
    2.5　Conclusions　24
    References　24
    3　Load Data Cleaning and Forecasting　27
    3.1　Introduction　27
    3.2　Characteristics of Load Profiles　29
    3.2.1　Low-Rank Property of Load Profiles　29
    3.2.2　Bad Data in Load Profiles　30
    3.3　Methodology　31
    3.3.1　Framework　31
    3.3.2　Singular Value Thresholding (SVT)　32
    3.3.3　Quantile RF Regression　34
    3.3.4　Load Forecasting　35
    3.4　Evaluation Criteria　35
    3.4.1　Data Cleaning-Based Criteria　35
    3.4.2　Load Forecasting-Based Criteria　35
    3.5　Case Study　36
    3.5.1　Result of Data Cleaning　36
    3.5.2　Day Ahead Point Forecast　37
    3.5.3　Day Ahead Probabilistic Forecast　38
    3.6　Conclusions　40
    References　40
    4　Monthly Electricity Consumption Forecasting　43
    4.1　Introduction　43
    4.2　Framework　46
    4.2.1　Data Collection and Treatment　46
    4.2.2　SVECM Forecasting　47
    4.2.3　Self-adaptive Screening　48
    4.2.4　Novelty and Characteristics of SAS-SVECM　48
    4.3　Data Collection and Treatment　48
    4.3.1　Data Collection and Tests　49
    4.3.2　Seasonal Adjustments Based on X-12-ARIMA　49
    4.4　SVECM Forecasting　49
    4.4.1　VECM Forecasting　49
    4.4.2　Time Series Extrapolation Forecasting　52
    4.5　Self-adaptive Screening　53
    4.5.1　Influential EEF Identification　53
    4.5.2　Influential EEF Grouping　53
    4.5.3　Forecasting Performance Evaluation Considering Different EEF Groups　55
    4.6　Case Study　56
    4.6.1　Basic Data and Tests　56
    4.6.2　Electricity Consumption Forecasting Performance Without SAS　58
    4.6.3　EC Forecasting Performance with SAS　61
    4.6.4　SAS-SVECM Forecasting Comparisons with Other Forecasting Methods　65
    4.7　Conclusions　67
    References　67
    5　Probabilistic Load Forecasting　71
    5.1　Introduction　71
    5.2　Data and Model　73
    5.2.1　Load Dataset Exploration　73
    5.2.2　Linear Regression Model Considering Recency-Effects　73
    5.3　Pre-Lasso Based　Feature Selection　76
    5.4　Sparse Penalized　Quantile　Regression (Quantile-Lasso)　77
    5.4.1　Problem Formulation　77
    5.4.2　ADMM Algorithm　78
    5.5　Implementation　80
    5.6　Case Study　81
    5.6.1　Experiment Setups　81
    5.6.2　Results　82
    5.7　Concluding Remarks　86
    References　86
    Part Ⅱ　Electricity Price Modeling and Forecasting
    6　Subspace Characteristics of LMP Data　91
    6.1　Introduction　91
    6.2　Model and Distribution of LMP　93
    6.3　Methodology　
    6.3.1　Problem Formulation　96
    6.3.2　Basic Framework　97
    6.3.3　Principal Component Analysis　98
    6.3.4　Recursive Basis Search (Bottom-Up)　98
    6.3.5　Hyperplane Detection (Top-down)　100
    6.3.6　Short Summary　103
    6.4　Case Study　103
    6.4.1　Case 1: IEEE 30-Bus System　104
    6.4.2　Case 2: IEEE 118-Bus System　106
    6.4.3　Case 3: Illinois 200-Bus System　106
    6.4.4　Case 4: Southwest Power Pool (SPP)　107
    6.4.5　Time Consumption　108
    6.5　Discussion and Conclusion　110
    6.5.1　Discussion on Potential Applications　110
    6.5.2　Conclusion　110
    References　111
    7　Day-Ahead Electricity Price Forecasting　113
    7.1　Introduction　113
    7.2　Problem Formulation　116
    7.2.1　Decomposition of LMP　116
    7.2.2　Short-Term Forecast for Each Component　117
    7.2.3　Summation and Stacking of Individual Forecasts　118
    7.3　Methodology　119
    7.3.1　Framework　119
    7.3.2　Feature Engineering　121
    7.3.3　Regression Model Selection and Parameter Tuning　122
    7.3.4　Model Stacking with Robust Regression　123
    7.3.5　Metrics　124
    7.4　Case Study　124
    7.4.1　Model Selection Results　125
    7.4.2　Componential Results　126
    7.4.3　Stacking Results (Overall Improvements)　128
    7.4.4　Error Distribution Analysis　129
    7.5　Conclusion　132
    References　132
    8　Economic Impact of Price Forecasting Error　135
    8.1　Introduction　135
    8.2　General Bidding Models　137
    8.2.1　Deterministic Bidding Model　138
    8.2.2　Stochastic Bidding Model　139
    8.3　Methodology and Framework　141
    8.3.1　Forecasting Error Modeling　141
    8.3.2　Multiparametric Linear Programming (MPLP)Theory　141
    8.3.3　Error Impact Formulation　142
    8.3.4　Overall Framework　144
    8.4　Case Study　145
    8.4.1　Measurement of STPF Error Level　145
    8.4.2　Case　1: LSE with Demand Response Programs　147
    8.4.3　Case 2: LSE with ESS　148
    8.4.4　Case　3: Stochastic LSE Bidding Model　151
    8.4.5　Time　Consumption　153
    8.5　Conclusions and Future　Work　153
    References　153
    9　LMP Forecasting and FTR Speculation　155
    9.1　Introduction　155
    9.2　Stochastic Optimization　Model　158
    9.2.1　Model of FTR Portfolio Construction Problem　158
    9.2.2　Scenario-Based Stochastic Optimization Model　159
    Contents
    9.3　Data-Dnven Framework　160
    9.4　Methodology　161
    9.4.1　Clustering　161
    9.4.2　Mid-Term Probabilistic Forecasting　164
    9.4.3　Copulas for Dependence Modeling　165
    9.4.4　Training and Evaluation Timeline　166
    9.4.5　Scenario Generation　167
    9.5　Case Study　167
    9.5.1　Data Description　167
    9.5.2　Comparison Methods　168
    9.5.3　Statistical Validation of Quantile Regression　169
    9.5.4　Scenario Quality Evaluation　169
    9.5.5　Impact of Node Reduction with Clustering　171
    9.5.6　Revenue and Risk Estimation　171
    9.5.7　Sensitivity Analysis on the Number of Clusters　175
    9.6　Conclusion　177
    References　177
    Part Ⅲ　Market Bidding Behavior Analysis
    10　Pattern Extraction for Bidding Behaviors　183
    10.1　Introduction　183
    10.2　Assumptions and Proposed Framework　186
    10.2.1　Model Assumptions　186
    10.2.2　Bidding Data Format　187
    10.2.3　Data-Driven Analysis Framework　188
    10.3　Data Standardization Processing　188
    10.3.1　Filtering Available Capacities　188
    10.3.2　Sampling Bidding Curves　189
    10.3.3　Unifying Data Length　189
    10.3.4　Clipping Extreme Prices　191
    10.4　Adaptive Clustering of Bidding Behaviors　191
    10.4.1　Distance Measurement　192
    10.4.2　K-Medoids Clustering　192
    10.4.3　Adaptive Clustering Procedure　192
    10.4.4　Clustering Algorithm　193
    10.5　AEM Data Description　194
    10.5.1　Description of Market Participants　194
    10.5.2　Description of Bidding Data　195
    10.6　Bidding Pattern Analysis　195
    10.6.1　Parameter Setting　196
    10.6.2　Bidding Patterns of DUs by Fuel Type　197
    10.6.3　Comparison of Similar DUs　201
    10.6.4　Discussion　203
    10.7　Feature Analysis on Bids　203
    10.7.1　Discrete Aggregation Feature　204
    10.7.2　Probability Distribution Feature　205
    10.7.3　Time Distribution Feature　206
    10.8　Conclusions　206
    References　208
    11　Aggregated Supply Curves Forecasting　211
    11.1　Introduction　211
    11.2　Market and Framework　214
    11.2.1　Market Descriptions　214
    11.2.2　Forecasting Framework　215
    11.3　Data Integration and Feature Extraction　216
    11.3.1　Data Integration　216
    11.3.2　Feature Extraction　219
    11.4　ASC Forecasting　221
    11.4.1　LSTM Model　221
    11.4.2　Influencing Factors　222
    11.4.3 Training and Forecasting　223
    11.4.4　Evaluation Criteria　223
    11.5　Case Study　224
    11.5.1　Dataset Description　224
    11.5.2　Feature Extraction　224
    11.5.3　ASC Forecasting　227
    11.5.4　Calculation Information　234
    11.5.5　Methods Comparison　234
    11.6　Conclusion　235
    References　236
    12　Learning Individual Offering Strategy　239
    12.1　Introduction　239
    12.2　Data-Driven Market Simulation Framework　242
    12.2.1 Market Assumptions　242
    12.2.2　Offering Data Clustering and Indexing　243
    12.3　Individual Offering Strategy Learning　245
    12.3.1　MFNN Model Structure　246
    12.3.2　MFNN Model Inputs　247
    12.3.3　MFNN Model Training　248
    12.3.4　DNN-Based Model Structure　249
    12.4　Market Clearing Simulation　249
    12.5　Case Study　251
    12.5.1　Basic Data　251
    12.5.2　Individual Offering Behavior Forecasting　253
    12.5.3　Market Simulation　254
    12.5.4　Comparison with Current Price Forecasting Methods　259
    12.5.5　Calculation Efficiency　260
    12.6　Conclusions　260
    References　261
    13　Reward Function Identification of GENCOs　265
    13.1　Introduction　265
    13.2　Assumptions and Framework　267
    13.2.1　Market Assumptions　267
    13.2.2　Data-Driven Framework　267
    13.3　Bidding Decision Process Formulation　269
    13.3.1　Markov Decision Process in Wholesale Markets　269
    13.3.2　Reinforcement Learning Process　270
    13.3.3　Bidding Data Integration　270
    13.4　Reward Function Identification　271
    13.4.1　Deep Inverse Reinforcement Learning Algorithm　271
    13.4.2　Discretization Methods for States and Actions　273
    13.5　Bidding Behavior Simulation　273
    13.5.1　DQN-Based Bidding Simulation Model　273
    13.5.2　Value Function and Q-Network　274
    13.6　Case Study　275
    13.6.1　Dataset Description　275
    13.6.2　Parameter Setting　276
    13.6.3　Reward Function Identification　276
    13.6.4　Bidding Behavior Simulation　281
    13.7　Conclusions　282
    References　283
帮助中心
公司简介
联系我们
常见问题
新手上路
发票制度
积分说明
购物指南
配送方式
配送时间及费用
配送查询说明
配送范围
快递查询
售后服务
退换货说明
退换货流程
投诉或建议
版权声明
经营资质
营业执照
出版社经营许可证

中国科技出版传媒股份有限公司　版权所有

本平台为互联网非涉密平台，严禁处理、传输国家秘密。

　

京ICP备14028887号-5　 京ICP证150976号 京公网安备 11010102004214号

北京东黄城根北街16号 邮编：100717 Email:webmaster@mail.sciencep.com