电力市场日前电价预测方法研究
发布时间:2021-04-02 07:25
随着电力市场开放政策的提出,一个自由、平等、竞争化的电力交易平台逐步形成。其中,日前电价作为各项电力交易参考价格,成为电力交易平台各主体掌握市场供需关系、制定交易策略的关键核心。由此,对日前电价进行精准预测为实现电力交易主体利润最大化起到至关重要的作用。然而,由于大量可再生能源并入电网、竞争性电力市场机制形成给日前电价预测带来前所未有的挑战。为此,本文从三个方面入手,对日前电价预测方法进行了研究。相比中长期电价预测,日前电价预测对历史日数据集的选取条件更加苛刻。如果将与预测日特征不相符的历史日电价数据混入预测数据集中,不仅增加了计算成本更将导致日前电价预测精度降低。针对上述问题,提出了一种基于综合因子的预测相似日选取方法。首先,分析确定电价影响因素特征并给出相关电价影响因素相似度计算方法:然后,设计改进的头脑风暴算法为各影响因素相似度赋予对应权值,实现历史日的综合因子计算;最后,选取具有较大综合影响因子的相似日形成预测数据集。传统的电价预测模型绝大多数集中于点预测与区间预测,这种预测结果既不能显示电价的波动范围,也不能细致表现电价可能出现价格的概率,这对竞争电力市场环境下售电主体制定详...
【文章来源】:东北电力大学吉林省
【文章页数】:67 页
【学位级别】:硕士
【部分图文】:
图2-2电价的周期性??(2)跳跃波动性??虽然电价特性在-定程度上与负荷特性相似,但是与负荷相比,电价与其最大的不同??
?3?2018/7/15?夏季的星期日???4?2018/10/1?秋季的星期一???考虑季节性因素以及I丨期类型(节假日与工作日)对日前电价预测的影响选择预测日??期,确定相似K丨搜索案例(以及算例分析的预测案例)按表3-2分类。根据上述综合??影响因子的相似日选取方法。以案例1为例对2018年1月1日电价相关数据的部分实验??过程如下:??1)使用Python中的pandas库实现改进的灰色关联度算法实验,分辨系数/尸0.5。??生成的z〔象关联系数矩阵如图3-5?a)所示,生成的各气象关联度及其模糊系数如图3-5?b)??所示,再由式(3-18)与式(3-22)可求得这2018年1月1日与2018年4月6日气象因??子相似度。??0.3333?9.4706?1.0000?0.5333?0.4000?_?__??2?0.4046?0.7681?0.3333?1.0000?0.5354??3?0.5600?0.3333?0.4828?0.6087?0.4516??4?0.3333?0.4340?0週?0.5111?1.0060?0.4630?0.5568?0.6491?0.6527?0.4936??5?0.4800?0.6000?0.3636?1.0000?0.4800??6?0.5238?1.0000?0.4783?0.3333?0.5238??7?0.6000?0.3846?1.0000?0.4286?0.3333??8?0.5172?0.3333?0.7143?1.0009?0.3846??0.4146?0.圆?1?誦?0观?0.3333?0.6527?0.6491?8.6130?0.
?东北电力大学工学硕士学位论文???自适应调整。下面首先介绍一下模糊神经网络。??传统的模糊系统只是根据指定的模糊集、模糊规则、专家意见进行推理,但是这样不??利?解决复杂多变的实际问题。为此构建的模糊祌经网络对模糊系统进行改进,将神经网??络与模糊系统结合,使用神经网络在学习中对隶属函数与权值进行调整修正。这样避免对??系统进行主观调整隶属函数,实现模糊系统的自推理化。有关模糊祌经N络的具体结构如??图4-2所示:??模糊化??1A2)??i理?模糊输出??1C??图4-2模糊神经网络图??由图4-2可知模糊神经网络共有五层,因每-层祌将元输出权值勾它连接的F—层祌??经元的连接权值有关,因此记1??=?/(%(/),11’2(/),...,%(〇,1,1(/).1,2(/)...,1,/,(/))。其|||,/表??示在第/层,/e[U,3A5;|:?表示连接下-层祌经元的权值;v^/)农示此神经元的权??值。在第A个网络层中第/个神经元的激励函数为式(4-8)所水:??1??&?—?1?+。-乂??p?(4-8)??/?=芝X(々)v./(々)??./=!??在输入层中导入训练样本集,记导入结果为公式(4-9):??乂(1)?=?",(1)』,(1)?=?./;(1)?(4-9)??在模糊化层中,根据隶属度函数求取各训练样本隶属度,模糊化层的输出结果如式??(4-10):??f,(2)?=?-^'{2) ̄^(12)\al(2)?=?e,'i2)?(4-10)??%⑵-??-28-??
本文编号:3114859
【文章来源】:东北电力大学吉林省
【文章页数】:67 页
【学位级别】:硕士
【部分图文】:
图2-2电价的周期性??(2)跳跃波动性??虽然电价特性在-定程度上与负荷特性相似,但是与负荷相比,电价与其最大的不同??
?3?2018/7/15?夏季的星期日???4?2018/10/1?秋季的星期一???考虑季节性因素以及I丨期类型(节假日与工作日)对日前电价预测的影响选择预测日??期,确定相似K丨搜索案例(以及算例分析的预测案例)按表3-2分类。根据上述综合??影响因子的相似日选取方法。以案例1为例对2018年1月1日电价相关数据的部分实验??过程如下:??1)使用Python中的pandas库实现改进的灰色关联度算法实验,分辨系数/尸0.5。??生成的z〔象关联系数矩阵如图3-5?a)所示,生成的各气象关联度及其模糊系数如图3-5?b)??所示,再由式(3-18)与式(3-22)可求得这2018年1月1日与2018年4月6日气象因??子相似度。??0.3333?9.4706?1.0000?0.5333?0.4000?_?__??2?0.4046?0.7681?0.3333?1.0000?0.5354??3?0.5600?0.3333?0.4828?0.6087?0.4516??4?0.3333?0.4340?0週?0.5111?1.0060?0.4630?0.5568?0.6491?0.6527?0.4936??5?0.4800?0.6000?0.3636?1.0000?0.4800??6?0.5238?1.0000?0.4783?0.3333?0.5238??7?0.6000?0.3846?1.0000?0.4286?0.3333??8?0.5172?0.3333?0.7143?1.0009?0.3846??0.4146?0.圆?1?誦?0观?0.3333?0.6527?0.6491?8.6130?0.
?东北电力大学工学硕士学位论文???自适应调整。下面首先介绍一下模糊神经网络。??传统的模糊系统只是根据指定的模糊集、模糊规则、专家意见进行推理,但是这样不??利?解决复杂多变的实际问题。为此构建的模糊祌经网络对模糊系统进行改进,将神经网??络与模糊系统结合,使用神经网络在学习中对隶属函数与权值进行调整修正。这样避免对??系统进行主观调整隶属函数,实现模糊系统的自推理化。有关模糊祌经N络的具体结构如??图4-2所示:??模糊化??1A2)??i理?模糊输出??1C??图4-2模糊神经网络图??由图4-2可知模糊神经网络共有五层,因每-层祌将元输出权值勾它连接的F—层祌??经元的连接权值有关,因此记1??=?/(%(/),11’2(/),...,%(〇,1,1(/).1,2(/)...,1,/,(/))。其|||,/表??示在第/层,/e[U,3A5;|:?表示连接下-层祌经元的权值;v^/)农示此神经元的权??值。在第A个网络层中第/个神经元的激励函数为式(4-8)所水:??1??&?—?1?+。-乂??p?(4-8)??/?=芝X(々)v./(々)??./=!??在输入层中导入训练样本集,记导入结果为公式(4-9):??乂(1)?=?",(1)』,(1)?=?./;(1)?(4-9)??在模糊化层中,根据隶属度函数求取各训练样本隶属度,模糊化层的输出结果如式??(4-10):??f,(2)?=?-^'{2) ̄^(12)\al(2)?=?e,'i2)?(4-10)??%⑵-??-28-??
本文编号:3114859
本文链接:https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3114859.html