用于电价预测的自适应理性超限学习机研究
发布时间：2021-10-19 15:56
电力的市场化在全球范围已成为一种发展的趋势,而对电价的有效预测是这一发展趋势中重要的一环。电价不仅是电力市场供求关系的信号,也是控制电力市场交易的经济杠杆,合理地根据市场需求确定相应的电价直接影响到电力市场能否正常运营。因此如何根据电力市场的相关历史数据准确地预测出未来的市场电价,对于市场中的各个参与者都具有十分重要的意义。本文首先介绍了研究背景、研究意义以及国内外的研究现状,之后对预测及相关的机器学习算法进行了研究分析,其中包括回归方法、神经网络、SVM算法,然后对基本差分进化（Differential Evolution,DE）和超限学习机（Extreme Learning Machine,ELM）及其它们的变种行了研究,发现它们在电价预测方面虽有广泛应用,但还是存在一定的缺陷。鉴于电价的复杂时间序列,ELM（Extreme Learning Machine）的各种方法已被确认为有效的预测方法。然而,在高维空间中,进化超限学习机在仅仅依赖随机搜索方法下,非常耗时且难以收敛到最佳区域。同时,由于复杂的功能关系,进化超限学习机的目标函数很难被直接挖掘出一些有用的数学信息来指导优化探索。...
【文章来源】：湘潭大学湖南省
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
图２－２简单网络结构??
?〇?输入层??ＪＣ，?＾Ｘ２??图２－２简单网络结构??更一般地，给定训练数据集，权重ｗ，（／?＝?１，２，．．．．，？）以及阈值沒可通过学习得到。??阈值０可看作一个固定输入为－１．０的“哑结点”所对应的链接权重ｗ，，＋１，这样，权重??和阈值的学习就可统一为权重的学习。感知机学习规则非常简单，对训练样例（Ｘ，ｙ），??若当前感知机的输出为夕，则感知机权重将这样调整：??ｗｔ?＜—?＼ｖ：?＋?，??Ａｗ，＝；７（ｙ－歹）ｘ，?（２．９）??其中７７?ｅ?（０，?１）称为学习率（ｌｅａｒｎｉｎｇ?ｒａｔｅ）。从公式（２．９）可看出，若感知机对训练??样例（ｘ
??络结构如图２－４：??ｍ?ｙｊ?ｍ??输出层?＾ｉ－义……＊第＿／？个输出神经元的揄入??＾层第个隐层神经元的输入??ａｈ＾ｖｉｈｘｉ??输入层?〇？＊■〇‘？＊〇??Ｘｉ?Ｘｉ?ｘｄ??图２－４单隐层的ＢＰ结构图??其中，冲从从＾＾＾冰＾／＾凡＾是训练集－图“中各参数??的表示如下：??ｄ：输入层祌经元个数；１：输出层神经元个数；ｑ：隐藏层神经元个数；??输出层第ｊ个祌经元的阈值；？Ｖ隐藏层第ｈ个神经的阈值；ｖ，Ａ：输入层第ｉ个神经??元和隐藏层第丨１个祌经元的连接权值；ｗ／ｖ?：隐藏层第ｈ个祌经元和输出层第ｊ个??神经元的连接权值；隐藏层第ｈ个神经元的输出；《？?＝?；！＞，，：隐藏层第ｈ个??／＝！??神经元的输入；Ａ?＝?输出层第ｊ个神经元的输入。??ｈ＝＼??第一步：确定损失函数??对样本（心九），则网络的输出为：九＝（贫，只，．．．，义，），即：??ｙ＾ｆｉ／３，－０，）?（２．１０）??则样木在网络丨二的均方误差为：圮＝丄土?（只－乂）２?（２．１１）??２?／＝丨??第二步：
【参考文献】：
期刊论文
[1]基于自适应变异DE算法的PID参数整定优化[J]. 汤伟,白志雄,高祥. 组合机床与自动化加工技术. 2018(03)
[2]基于参数动态调整的多目标差分进化算法[J]. 侯莹,韩红桂,乔俊飞. 控制与决策. 2017(11)
[3]基于双变异策略的自适应骨架差分进化算法[J]. 刘会宇,韩继红,袁霖,于波. 通信学报. 2017(08)
[4]自适应差分进化算法优化BP神经网络的时间序列预测[J]. 王林,彭璐,夏德,曾奕. 计算机工程与科学. 2015(12)
[5]面向多目标优化问题的自适应差分进化算法[J]. 刘红平,黎福海. 计算机应用与软件. 2015(12)
[6]差分进化算法中参数自适应选择策略研究[J]. 汪慎文,张文生,丁立新,谢承旺,郭肇禄. 计算机科学. 2015(11)
[7]基于小波分解和相同尺度序列的神经网络短期电价预测[J]. 肖霖,张婧,曾鸣,董军. 电力需求侧管理. 2011(04)
[8]小波神经网络预测电价的新改进[J]. 涂启玉,张茂林. 电力系统及其自动化学报. 2011(02)
[9]短期电价预测的组合混沌方法[J]. 张金良,谭忠富,李春杰. 中国管理科学. 2011(02)
[10]利用多因素小波变换和多变量时间序列模型的日前电价预测[J]. 谭忠富,张金良. 中国电机工程学报. 2010(01)
硕士论文
[1]超限学习机的优化改进及应用研究[D]. 吴学华.浙江理工大学 2017
[2]差分演化算法及其在函数优化中的应用研究[D]. 胡中波.武汉理工大学 2006
[3]小波神经网络在电力系统短期电价预测中的应用[D]. 陈思杰.浙江大学 2006
本文编号：3445175
【文章来源】：湘潭大学湖南省
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
图２－２简单网络结构??
?〇?输入层??ＪＣ，?＾Ｘ２??图２－２简单网络结构??更一般地，给定训练数据集，权重ｗ，（／?＝?１，２，．．．．，？）以及阈值沒可通过学习得到。??阈值０可看作一个固定输入为－１．０的“哑结点”所对应的链接权重ｗ，，＋１，这样，权重??和阈值的学习就可统一为权重的学习。感知机学习规则非常简单，对训练样例（Ｘ，ｙ），??若当前感知机的输出为夕，则感知机权重将这样调整：??ｗｔ?＜—?＼ｖ：?＋?，??Ａｗ，＝；７（ｙ－歹）ｘ，?（２．９）??其中７７?ｅ?（０，?１）称为学习率（ｌｅａｒｎｉｎｇ?ｒａｔｅ）。从公式（２．９）可看出，若感知机对训练??样例（ｘ
??络结构如图２－４：??ｍ?ｙｊ?ｍ??输出层?＾ｉ－义……＊第＿／？个输出神经元的揄入??＾层第个隐层神经元的输入??ａｈ＾ｖｉｈｘｉ??输入层?〇？＊■〇‘？＊〇??Ｘｉ?Ｘｉ?ｘｄ??图２－４单隐层的ＢＰ结构图??其中，冲从从＾＾＾冰＾／＾凡＾是训练集－图“中各参数??的表示如下：??ｄ：输入层祌经元个数；１：输出层神经元个数；ｑ：隐藏层神经元个数；??输出层第ｊ个祌经元的阈值；？Ｖ隐藏层第ｈ个神经的阈值；ｖ，Ａ：输入层第ｉ个神经??元和隐藏层第丨１个祌经元的连接权值；ｗ／ｖ?：隐藏层第ｈ个祌经元和输出层第ｊ个??神经元的连接权值；隐藏层第ｈ个神经元的输出；《？?＝?；！＞，，：隐藏层第ｈ个??／＝！??神经元的输入；Ａ?＝?输出层第ｊ个神经元的输入。??ｈ＝＼??第一步：确定损失函数??对样本（心九），则网络的输出为：九＝（贫，只，．．．，义，），即：??ｙ＾ｆｉ／３，－０，）?（２．１０）??则样木在网络丨二的均方误差为：圮＝丄土?（只－乂）２?（２．１１）??２?／＝丨??第二步：
【参考文献】：
期刊论文
[1]基于自适应变异DE算法的PID参数整定优化[J]. 汤伟,白志雄,高祥. 组合机床与自动化加工技术. 2018(03)
[2]基于参数动态调整的多目标差分进化算法[J]. 侯莹,韩红桂,乔俊飞. 控制与决策. 2017(11)
[3]基于双变异策略的自适应骨架差分进化算法[J]. 刘会宇,韩继红,袁霖,于波. 通信学报. 2017(08)
[4]自适应差分进化算法优化BP神经网络的时间序列预测[J]. 王林,彭璐,夏德,曾奕. 计算机工程与科学. 2015(12)
[5]面向多目标优化问题的自适应差分进化算法[J]. 刘红平,黎福海. 计算机应用与软件. 2015(12)
[6]差分进化算法中参数自适应选择策略研究[J]. 汪慎文,张文生,丁立新,谢承旺,郭肇禄. 计算机科学. 2015(11)
[7]基于小波分解和相同尺度序列的神经网络短期电价预测[J]. 肖霖,张婧,曾鸣,董军. 电力需求侧管理. 2011(04)
[8]小波神经网络预测电价的新改进[J]. 涂启玉,张茂林. 电力系统及其自动化学报. 2011(02)
[9]短期电价预测的组合混沌方法[J]. 张金良,谭忠富,李春杰. 中国管理科学. 2011(02)
[10]利用多因素小波变换和多变量时间序列模型的日前电价预测[J]. 谭忠富,张金良. 中国电机工程学报. 2010(01)
硕士论文
[1]超限学习机的优化改进及应用研究[D]. 吴学华.浙江理工大学 2017
[2]差分演化算法及其在函数优化中的应用研究[D]. 胡中波.武汉理工大学 2006
[3]小波神经网络在电力系统短期电价预测中的应用[D]. 陈思杰.浙江大学 2006
本文编号：3445175
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3445175.html
