電力市場改革的核心問題是建立合理的電價機制。隨著中國電力生產由計劃模式向市場模式的轉變,以后如何進行電價預測是各方關注的重點。隨著大數(shù)據(jù)和人工智能的蓬勃發(fā)展,機器學習理論成為新興的預測方法。澳洲電力市場的電價制定方法與中國電改后的電價制定方法相似,因此本文采用澳大利亞電力市場的數(shù)據(jù)研究機器學習理論在電價預測方面的成效,希望為未來中國制定合理的電價提供思路。本文將澳大利亞新南威爾士州的電價市場按季節(jié)劃分,研究每個季節(jié)電價的特點,最終確定需求作為模型的輸入變量之一。為了更好的建立預測模型,本文用隨機森林特征提取的方法選擇每個季節(jié)的輸入變量,剔除冗余信息。然后建立決策樹、隨機森林、支持向量機、BP神經(jīng)網(wǎng)絡和極限學習機五種模型、分季節(jié)預測新南威爾士州的電價。由于隨機森林是從訓練數(shù)據(jù)中隨機挑選很多訣策樹,組成一個森林。然后用該森林進行預測,選擇票數(shù)最多的分類。這種集體預測的正確率高于決策樹,因此可以將隨機森林當成優(yōu)化的決策樹。與BP神經(jīng)網(wǎng)絡模型相比,極限學習機模型不需要更新權重和閾值,只需要設置隱藏層神經(jīng)元個數(shù),因此極限學習機是一種改進的神經(jīng)網(wǎng)絡。而支持向量機是比較主流的機器學習算法,用這五種模...

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖２－１決策樹結構??（１）信息增益??“信息熵”（ＩｎｆｏｒｍａｔｉｏｎＥｎｔｒｏｐｙ）是衡量樣本集合不確定性的一種指標

果合并成整個問題的結果。??決策樹是一個包含根節(jié)點（Ｒｏｏｔ?Ｎｏｄｅ?）、若干個非葉子節(jié)點（Ｎｏｎ－ｌｅａｆ?Ｎｏｄｅ）、??若干個葉節(jié)點（ＬｅａｆＮｏｄｅ）和分支的樹形結構（如圖２－１）。非葉節(jié)點即決策點，??該節(jié)點下還有分支，沒有得到最終的結果值。葉節(jié)點是最后的節(jié)點，不再進....

圖２－２隨機森林基本流程??隨機森林既可以解決分類問題，也可以解決回歸問題；隨機森林在解決分類??問題時，對缺失值有很高的容忍性；決策樹的增加不會使隨機森林出現(xiàn)過擬合的??

一種常用且強大的監(jiān)督學習算法。隨機森林是由多棵決策樹構成，通常決策樹的??數(shù)量越大，隨機森林算法的魯棒性越強，結果的精確度越高。它使用有放回采樣??ｎ個樣本，建立ｎ個決策樹，最后的結果由ｒｉ個決策樹的結果共同決定（如圖２－２）。??為了組成隨機森林，我們可以選擇和決策樹相同的衡量....

圖２－３支持向量與間隔??給定訓練樣本集？?＝?．．．，（ｘｍ，ｙｍ）｝，％?＝?｛－１，＋１｝

很快成為機器學習的主要算法。??支持向量機嘗試尋找一個最優(yōu)的決策邊界，該決策邊界距離兩種類別最近的??樣本最遠，因此最終的決策邊界是位于兩類支持向量區(qū)域中間位置的線（圖２－３?）。??決策邊界距離藍點和紅點的位置相等，都為ｄ；確定這個區(qū)域的兩條直線之間的??距離稱為間隔。而支持向....

圖2碑軟間隔支持向量機示意圖

對于任意支持向量ｘ，求得式（２－１２）：??＼ｗＪｘ?＋?ｂ＼??ｍ３Ｘ?｜ｋ｜｜Ｓ．?ｔ．?Ｊｉ?（ｗＴＸ［?＋?ｂ）?＞?１?ｉ?＝?１，２，?．．．，ｍ??丨ｗｋ＋ｂ丨可以等價于ｉ，最大化ｉｋｉｒ１等價于最小化ｉｍｉ２。寫為式（２－１３）??—＞丨丨２ｓ．?ｔ．?ｙｉ?（ｗ....

本文編號：3957672