PSO优化GM（1，1）幂—神经网络模型在短期电价预测中的应用

发布时间：2023-04-04 21:03

　　电价是反映电力市场运营状况,评价市场竞争效率的核心指标,是电力市场决策的基础。电价预测对引导投资、自发配置市场资源、实现电力供求基本平衡、满足各项服务目标具有重要意义。较为准确的短期电价预测即有助于发电商为获得最大利润提供最优报价策略的选择,又使购电方的动态成本控制成为可能,同时还为监管部门的实时监管提供了重要的科学依据,保证电力市场的正常运行。 本文先简单介绍了电价预测并列举了现有文献的几种主要电价预测方法。有统计学方法、神经网络法、市场模拟法、灰色系统理论、组合预测方法等。再在分析现有方法的基础上,着重研究了粒子群优化GM(1,1)幂-BP神经网络的组合预测模型。 本文的主要成果如下： 1、从实际出发,按照电价数据的特点先对电价做分时段处理,在各分时段中利用一元线性回归模型拟合该时段中已知电价并对未知电价进行预测； 2、将线性回归产生电价与原始电价数据进行比较,剔除线性项； 3、利用GM(1,1)幂模型和BP神经网络都适用于处理非线性问题的特点,构造GM(1,1)幂-神经网络模型并用粒子群优化算法优化GM(1,1)幂模型的幂指数和GM(1,1)幂模型与神经网络的组合系数,建立PSO...

【文章页数】：49 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 电价的特点与预测难点
        1.2.1 电价的特点分析
        1.2.2 电价预测的难点
    1.3 电价预测方法
    1.4 本文主要工作内容
第二章 GM(1,1)幂模型
    2.1 GM(1,1)模型
        2.1.1 GM(1,1)模型的建模原理
        2.1.2 GM(1,1)模型的建模步骤
        2.1.3 GM(1,1)模型的适用范围
    2.2 GM(1,1)幂模型
        2.2.1 GM(1,1)幂模型的建模步骤
        2.2.2 GM(1,1)幂模型的参数分析
        2.2.3 GM(1,1)幂模型的参数优化
    2.3 本章小结
第三章 粒子群优化算法与BP神经网络
    3.1 粒子群优化算法
        3.1.1 粒子群优化算法的背景知识
        3.1.2 粒子群优化算法数学描述
        3.1.3 粒子群优化算法步骤与伪代码
        3.1.4 粒子群优化算法参数设置
    3.2 BP神经网络
        3.2.1 神经网络发展概况
        3.2.2 人工神经网络的特点和基本原理
        3.2.3 人工神经网络用于电价预测
        3.2.4 BP神经网络与BP学习算法
        3.2.5 BP神经网络的主要不足与改进
    3.3 本章小结
第四章 基于粒子群优化GM(1,1)幂-神经网络模型的短期电价预测
    4.1 数据预处理
        4.1.1 一元线性回归模型
        4.1.2 数据的分离与预测
    4.2 粒子群优化GM(1,1)幂-神经网络模型的建立
    4.3 程序实现
    4.4 预测结果分析
    4.5 本章小结
第五章 结论
    5.1 主要研究结果
    5.2 尚待研究的问题
参考文献
本人攻读学位期间完成的工作
致谢



本文编号：3782039