具备可解释能力的市场清算价格预测模型研究

论文摘要

本文针对神经网络结果的不可解释性与不能提供预测不确定信息的现状，利用决策树技术与神经网络技术构建了适于电价预测的混合预测模型。首先，将电价预测模型转化为电价变化率预测模型；然后利用决策树技术构建了电价变化率决策树预测模型，在获得预测电价变化率的同时，也获得了该类电价变化率的可能概率及其主要影响因素；然后，针对大于可接受的电价变化率误差水平的分类样本，重新构建该分类的基于神经网络的混合预测模型。最后，采用澳大利亚昆士兰州电力市场实例数据验证了本文模型的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 选题背景及研究意义
• 1.2 国内外研究动态
• 1.2.1 电价预测综述
• 1.2.2 决策树数据挖掘技术综述
• 1.3 本文所做的主要工作
• 第二章 电价及其电价预测
• 2.1 电价的形成
• 2.2 电价的特点
• 2.3 电价的影响因素
• 2.4 电价预测的基本概念
• 2.5 电价预测的分类
• 2.6 电价预测的流程
• 2.7 本章小结
• 第三章 数据挖掘及其决策树技术
• 3.1 数据挖掘
• 3.1.1 数据挖掘的概念
• 3.1.2 数据挖掘的任务
• 3.1.3 数据挖掘的过程
• 3.1.4 数据挖掘在电力系统中的应用
• 3.2 决策树技术
• 3.2.1 决策树基本概念和原理
• 3.2.1.1 决策树的剪枝
• 3.2.1.2 决策树生成分类规则
• 3.2.2 C4.5 算法
• 3.2.2.1 C4.5 算法原理
• 3.2.2.2 C4.5 算法流程
• 3.2.2.3 C4.5 算法同其他决策树算法比较
• 3.2.3 微软决策树算法
• 3.3 本章小结
• 第四章 神经网络
• 4.1 神经网络的概念
• 4.2 BP 神经网络的基本结构和原理
• 4.3 BP 神经网络的基本算法
• 4.4 BP 神经网络的改进
• 4.5 本章小结
• 第五章 具备可解释能力的电价混合预测模型
• 5.1 数据预处理
• 5.1.1 为什么要进行数据预处理
• 5.1.2 空缺值的处理
• 5.1.3 “价格钉”的处理
• 5.1.4 数据序列的规范化
• 5.2 因素分析及其选取
• 5.2.1 因素分析
• 5.2.1.1 因素分析的必要性
• 5.2.1.2 因素分析的方法
• 5.2.1.3 各种因素分析方法的比较
• 5.2.2 因素选取
• 5.2.2.1 决策树模型输入因素的选取
• 5.2.2.2 神经网络模型输入因素的选取
• 5.3 模型的建立
• 5.3.1 预测模型结构
• 5.3.2 模型预测流程
• 5.4 本章小结
• 第六章 实例分析
• 6.1 算例说明
• 6.2 结果分析
• 6.2.1 预测误差评价指标及其选取
• 6.2.2 可解释性分析
• 6.2.2.1 不同时段的可解释性分析
• 6.2.2.2 相同时段的可解释性分析
• 6.2.3 预测结果分析
• 6.2.3.1 整体比较分析
• 6.2.3.2 特殊时段对比分析
• 6.3 本章小结
• 第七章 结语
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况