导　　师： 殷豪

授予学位： 硕士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 随着电力改革的逐渐深入,发电行业竞争越来越激烈,电力行业变得自由化和市场化,电力可以像货物一样在市场环境下自由交易,使得电价在很大程度上反映了电力市场的供求关系,因此电价理论成为当前电力科学界的重要研究对象。与负荷相比,电价有很强的波动性,主要是受到如市场成员行为、输电阻塞、发电商报价模式等非确定因素的影响,这些因素无法纳入电价的预测模型,使得电价预测比负荷预测难度更大,故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事。本文阐述了电力市场电价预测问题的特点、内容和方法,分析和比较了短期电价预测的各种方法,论文基于信息熵理论将极限学习机模型(ELM)、神经网络模型(BP)和改进支持向量机模型(CS-SVM)三种单一模型进行综合,构建了组合预测模型。为了验证所提模型的适用性,分别用三种单一模型对电力市场下春、夏、秋、冬四个季节的数据进行提前半小时的电价预测,并获得它们的预测误差,以及各模型所得预测值。由于所有单一模型都存在其优缺点,每种模型在不一样的场景下的预测精度各有差异。故论文在基于信息熵理论基础上求得各模型的权系数,将各预测模型得到的预测值通过加权平均处理得到最后的电价预测值,以此来构建组合预测模型。由于ELM模型、BP模型和SVM模型本身并没有自带数据平稳化处理功能,而电价波动幅度很大,因此,在对电价进行预测前,需要采用信号处理技术对电价进行预处理。对于ELM模型,论文提出了二层分解技术与ELM进行结合,首先采用集合经验模式分解将原始电价序列分解为多个固有模态函数(IMFs),为了减少数据序列的非稳定性,变分模态分解进一步将高频率IMFs分解为多个模态,然后对所有序列建立ELM预测模型;对于BP模型,论文采用经验小波变换将原始序列分解为若干个模态分量,并对所有分量建立BP预测模型;对于SVM模型,采用奇异谱分析分离出原始电价序列的趋势、振荡和噪声成分,并对所有序列进行重构,过滤掉噪声部分,再对降噪后的序列进行SVM建模预测,针对SVM预测模型中存在过分依赖核函数的问题,其参数易陷入局部最优,为了提高预测精度,提出布谷鸟算法(CS)优化预测模型的参数,最后将所有预测序列进行叠加,得到最终的电价预测值。最后通过实验仿真,结果显示组合预测模型在不同季节下都超越了最优的单一预测模型,有效提高了电价预测的精度。更多还原

关 键 词： [274467]电价预测 [5695101]极限学习机 [1948158]神经网络 [1474963]支持向量机 布谷鸟算法

分 类 号： [F426.61;F726;TM73]

领　　域： [] [] []