共查询到10条相似文献,搜索用时 31 毫秒
1.
利用历史负荷和清算电价对未来时段出清电价采用3层BP神经网络模型进行预测, 将出清电价看成一个多输入单输出系统。把一天中每个小时按输入影响大小分成五类,然后采用BP网络分别建模预测。并采用美国New England电力市场2002年的电价数据进行了训练和预测分析,最终得到比较理想的出清电价预测结果。 相似文献
2.
3.
现货市场环境下,市场出清价对于电力市场的发、用两侧参与者和市场管理者都是极为重要的信息。因此,市场出清价的预测研究越发重要。首先分析大多数传统电价预测方法采用的连续序列与该文选取的同时段的电价序列表现出的变化特征差异,给出选取同时段电价序列作为输入的原因。然后基于数据挖掘相似性理论,通过欧氏距离和角度距离2个维度识别历史电价相似序列,得到模型所需训练集数据。以支持向量机(SVM)为预测工具,并利用遗传算法对SVM的关键参数进行寻优。最后将模拟预测结果与不考虑历史相似状态的SVM模型、BP神经网络模型进行对比,通过误差分析证明了所提模型具备更高的预测精度。 相似文献
4.
基于PSO训练BP神经网络的短期电价预测 总被引:1,自引:1,他引:0
以美国PJM电力市场为背景,利用历史负荷、系统剩余容量百分比和清算电价对未来时段电价的影响来进行短期电价预测,给出了一个发电侧竞价模型中利用PSO训练BP神经网络进行市场出清电价预测的实例。与使用传统BP神经网络预测的方法进行比较,结果表明,该方法具有更高的预测精度,并能收敛于全局最优解。 相似文献
5.
提出了用相似性原理和BP神经网络来预测日前市场出清电价的新方法,该法尤其适用于只能获得有限原始数据的情况。运用相似性原理对人工神经网络的训练模型进行选择,使其有与预测日相似的负荷特征。用选择出的相似训练模式对选定的BP神经网络进行训练,通过BP神经网络的反向传播过程不断修正模型中的神经元连接权值和阀值,实现对未来24 h市场出清电价的有效预测。对周末和节假日采用了峰值处理步骤后,此方法更加完整。最后以美国宾西法尼亚州、新泽西州和马里兰州公布的2002年数据进行了模型训练和预测,结果表明该方法所建立的预测模型具有较高的预测精度。 相似文献
6.
基于BP神经网络的短期市场出清电价预测 总被引:2,自引:0,他引:2
在电力市场中,短期市场电价预测的准确与否,对发电厂的竞价决策具有关键性的影响。文章提出应用神经网络算法来模拟预测日前市场出清电价,以获取精确的预测结果,该方法可适用于原始数据有限的情况。利用电力系统历史负荷、历史清算电价、系统的旋转备用等影响因素作为分析因子,分析其对未来时段电力市场价格的影响,并对下一交易时段电价进行预测。以美国加利福尼亚州电力市场为背景,采用BP神经网络算法,应用MATLAB软件编程,建立电力市场清算电价短期预测模型。该模型结构为三层神经网络,通过网络的反向传播过程不断修正模型中的神经元连接权值和阈值,充分发挥BP网络局部搜索能力强的优点,实现对未来24小时市场出清电价的有效预测,并针对美国加州实际电力市场价格数据进行训练和预测分析,结果表明该模型具有良好的预测效果。 相似文献
7.
基于盲数和神经网络的电价预测模型 总被引:1,自引:0,他引:1
利用盲数理论结合经典电价预测方法,在有限的历史电价、负荷及其他相关数据的基础上对电价进行准确预测.首先提出了基于盲数和神经网络市场出清电价预测模型,利用BP神经网络对历史数据进行训练学习,在得到网络学习权重后,结合盲数理论,引用盲数代替实数进行价格预测.算例结果表明,模型消除不确定性因素对预测结果的影响,实际历史电价都很好地落在了预测结果最大置信度的置信区间中,较好地完成了预测任务,证实了设计的可行性和模型的可靠性. 相似文献
8.
9.
利用盲数理论结合经典电价预测方法,在有限的历史电价、负荷及其他相关数据的基础上对电价进行准确预测。首先提出了基于盲数和神经网络市场出清电价预测模型,利用BP神经网络对历史数据进行训练学习,在得到网络学习权重后,结合盲数理论,引用盲数代替实数进行价格预测。算例结果表明,模型消除不确定性因素对预测结果的影响,实际历史电价都很好地落在了预测结果最大置信度的置信区间中,较好地完成了预测任务,证实了设计的可行性和模型的可靠性。 相似文献
10.
考虑负荷周期性和变化率的短期电价预测 总被引:1,自引:0,他引:1
为了提高电价预测精确度以提高其实用价值,在电价预测模型中引入负荷周期性和变化率因素.根据负荷对电价的影响建立基于系统负荷的短期电价预测模型,使用小波分解对负荷和电价数据进行分析处理,采用神经网络的预测方法对短期市场清算电价进行预测.考虑负荷和电价的周期特性,在预测模型输入侧增加了负荷的周期性因素.考虑负荷剧变引起的电价变化,定义综合负荷变化率影响因素并加入模型输入侧来提高预测精确度.预测实例采用实际负荷值为输入,其结果表明引入负荷周期特性和综合负荷变化率因素后预测相对预测误差和单点最大预测误差分别降低35%和28%,有效地提高了模型的预测精确度. 相似文献