电力市场电价预测模型及算法研究

论文摘要

随着电力工业的市场化改革的潮流在世界范围内的蔓延,电价问题已成为电力市场中最关键、最核心的部分,如何为电力这种特殊的商品制定合理的价格对电力市场的平稳运营起着重要作用。因此,利用电力市场的相关历史数据对未来时刻的电价进行预测是一件非常有意义的工作。人工神经网络因其强大的非线性映射能力而被广泛应用于预测领域。针对目前神经网络学习算法的不足,本文在网络训练中引入了基于全局随机优化思想的粒子群优化算法(PS0),建立了用于电价预测的粒子群神经网络模型(PSONN)。混沌理论的发展为电价预测提供了新思路,使我们对电价序列的复杂性有了新的认识。混沌理论通过探寻时间序列自身的内在规律进行预测分析,该方法跳出了传统的建立主观模型的局限,保证了预测结果的客观性。本文在综合考虑了电价的各种影响因素的情况下,提出了一种基于混沌理论的粒子群神经网络短期电价预测方法。最后使用该方法对美国加州电力市场的实际数据进行实例预测验证,结果显示了很好的预测精度,证明了该算法有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及研究意义
• 1.1.1 课题背景
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.3 本文研究的主要内容
• 第2章 电力市场及其电价预测
• 2.1 引言
• 2.2 电力市场下的电价形成及其特点
• 2.2.1 电力市场中电价的核心作用
• 2.2.2 电价的形成
• 2.2.3 电价的影响因素
• 2.2.4 电价时间序列的特点
• 2.3 电价预测的概念及难点
• 2.3.1 电价预测的概念
• 2.3.2 电价预测的分类
• 2.3.3 短期电价预测的难点
• 2.4 本章小结
• 第3章 粒子群神经网络
• 3.1 引言
• 3.2 人工神经网络模型
• 3.3 BP神经网络
• 3.3.1 BP网络简介
• 3.3.2 BP网络的前馈计算
• 3.3.3 BP网络权值调整规则
• 3.3.4 BP网络学习算法计算步骤
• 3.4 基于粒子群优化的BP神经网络
• 3.4.1 BP算法存在的缺点
• 3.4.2 粒子群优化算法简介
• 3.4.3 粒子群神经网络模型
• 3.5 预测实例及结果分析
• 3.5.1 数据预处理
• 3.5.2 预测模型的建立
• 3.5.3 网络训练
• 3.5.4 预测结果分析
• 3.6 本章小结
• 第4章 混沌理论及电价序列的混沌特性分析
• 4.1 引言
• 4.2 混沌理论基础
• 4.2.1 混沌的概念
• 4.2.2 奇异吸引子
• 4.2.3 混沌时间序列
• 4.3 混沌时间序列的判别
• 4.3.1 功率谱方法
• 4.3.2 Lyapunov指数法
• 4.3.3 关联维数法
• 4.4 混沌时间序列重构相空间
• 4.4.1 重构相空间及Takens定理
• 4.4.2 相空间重构参数的确定
• 4.5 电价时间序列的混沌特性分析实例
• 4.5.1 电价序列数据归一化处理
• 4.5.2 电价序列的混沌特性判别
• 4.5.3 电价序列的相空间重构
• 4.6 本章小结
• 第5章 基于混沌与粒子群神经网络的电价预测模型
• 5.1 引言
• 5.2 混沌时间序列的神经网络预测模型
• 5.3 基于混沌的粒子群神经网络预测模型
• 5.4 误差评价公式
• 5.5 预测实例及结果分析
• 5.6 本章小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 本文不足与展望
• 参考文献
• 攻读硕士学位期间发表的论文及其它成果
• 致谢