本文關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)技術(shù)綜述，由筆耕文化傳播整理發(fā)布。

4.2  網(wǎng)絡(luò)的學(xué)習(xí)算法

   FNN本質(zhì)上是實(shí)現(xiàn)輸入和輸出的非線性映射，參數(shù)c， 和w可采用誤差反向傳播算法進(jìn)行調(diào)整，其目標(biāo)函數(shù)選為：

   y為網(wǎng)絡(luò)輸出，t為期望輸出cij，ij對(duì) wij的調(diào)整可以用以下公式：

   是網(wǎng)絡(luò)的學(xué)習(xí)率。

4.3  k-means聚類(lèi)

   通過(guò)對(duì)樣本的k-means聚類(lèi)確定模糊規(guī)則的數(shù)目。算法的思路是：首先隨機(jī)選擇 k個(gè)對(duì)象代表k個(gè)類(lèi)，每一個(gè)對(duì)象作為一個(gè)類(lèi)的原型，根據(jù)距離最近的原則將其它對(duì)象分配到各個(gè)類(lèi)中。在完成首次對(duì)象的分配之后，以每一個(gè)類(lèi)的所有對(duì)象的平均值(mean)作為該類(lèi)新的原型，迭代進(jìn)行對(duì)象的再分配，直到?jīng)]有變化為止，從而得到最終的k類(lèi)。

圖3  聚類(lèi)效果圖

   通過(guò)對(duì)樣本聚類(lèi)，聚類(lèi)數(shù)為2時(shí)聚類(lèi)效果最好，如圖3所示。為了提高精度，我們?nèi)【垲?lèi)數(shù)為2，3，4，分別對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后對(duì)網(wǎng)絡(luò)輸出加權(quán)平均，結(jié)果即為預(yù)測(cè)時(shí)刻的電價(jià)。

5  算例

5.1  輸入變量的選擇

   輸入變量要選擇與預(yù)測(cè)電價(jià)有顯著相關(guān)性的變量。各市場(chǎng)的電價(jià)均有較高的自相關(guān)性，前期的電價(jià)必然會(huì)影響后期的電價(jià)，歷史電價(jià)是電價(jià)預(yù)測(cè)的基本因素。針對(duì)電價(jià)序列周期性的特點(diǎn)，本文選擇8個(gè)變量作為網(wǎng)絡(luò)的輸入，分別為P(d，t-1)、P(d，t-2)、P(d-1，t-1)、P(d-1，t)、P(d-1，t+1)、P(d-7，t-1)、P(d-7，t)、P(d-7，t+1)，輸出為P(d，t)，即為預(yù)測(cè)日t時(shí)刻的電價(jià)。

5.2  算例分析

   本文采用北歐電力交易市場(chǎng)公布的07.10.29至08.2.10期間的電價(jià)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并預(yù)測(cè)08.2.11至08.2.17各時(shí)段的電價(jià)。11日的電價(jià)預(yù)測(cè)曲線如圖4所示。

圖4  11日的電價(jià)預(yù)測(cè)曲線

   評(píng)價(jià)預(yù)測(cè)結(jié)果使用下面兩個(gè)指標(biāo)：

   a：日平均絕對(duì)百分比誤差：

   b：日平均準(zhǔn)確率R：

   pi為預(yù)測(cè)時(shí)刻實(shí)際電價(jià)，pi‘為預(yù)測(cè)電價(jià)，N=24，是北歐電力市場(chǎng)日清算電價(jià)個(gè)數(shù)。

   表1給出了不同方法的日平均絕對(duì)百分比誤差和日平均準(zhǔn)確率，神經(jīng)網(wǎng)絡(luò)選用了BP神經(jīng)網(wǎng)絡(luò)。通過(guò)表中數(shù)據(jù)可以看出，改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)模型總體效果較好，提高了預(yù)測(cè)精度。13日的僅有0.66%， 高達(dá)99.09%。15日8：00實(shí)際電價(jià)到達(dá)了75.11EUR/WMh，預(yù)測(cè)結(jié)果偏離實(shí)際值較大，可能是導(dǎo)致誤差比ANN大的原因，從而可以看出本文方法對(duì)尖峰電價(jià)預(yù)測(cè)效果不好，而對(duì)于電價(jià)變化相對(duì)平穩(wěn)的時(shí)刻效果卻很明顯。算例分析結(jié)果充分證明了模糊神經(jīng)網(wǎng)絡(luò)在電價(jià)預(yù)測(cè)方面具有較好的應(yīng)用前景。

表1  11-17日的電價(jià)預(yù)測(cè)誤差和準(zhǔn)確率

日期

ANN

本文方法

R

R

2008-02-11

3.7

94.30

3.16

95.32

2008-02-12

2.56

96.72

1.63

98.15

2008-02-13

3.97

95.16

0.66

99.09

2008-02-14

5.97

91.25

4.80

93.29

2008-02-15

7.37

89.44

7.50

86.75

2008-02-16

7.44

89.60

6.49

92.58

2008-02-17

3.31

95.50

2.17

97.27

6  結(jié)論

   本文應(yīng)用改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)市場(chǎng)清算電價(jià)，該方法有以下優(yōu)點(diǎn)：①預(yù)測(cè)結(jié)果準(zhǔn)確率相比ANN有較大的提高。②盡管預(yù)測(cè)模型是基于模糊理論的，但是并不需要進(jìn)行詳細(xì)的規(guī)則設(shè)計(jì)，只需要通過(guò)樣本聚類(lèi)來(lái)確定模糊規(guī)則數(shù)，這就提高了該方法的適應(yīng)性。因此，該方法在預(yù)測(cè)電價(jià)方面有廣闊的應(yīng)用前景。但是該方法在應(yīng)用中也有缺點(diǎn)，比如對(duì)尖峰電價(jià)預(yù)測(cè)誤差較大；訓(xùn)練樣本少時(shí)，預(yù)測(cè)結(jié)果不是很精確。

   電價(jià)受許多隨機(jī)、不確定因素的影響，本文僅考慮了歷史電價(jià)對(duì)預(yù)測(cè)時(shí)刻電價(jià)的影響，而沒(méi)有考慮其它因素，這也是本文的不足之處，下一步將一并考慮其它因素對(duì)電價(jià)的影響，進(jìn)一步提高電價(jià)預(yù)測(cè)的精度。

參考文獻(xiàn)

[1] 趙慶波，周原冰，郭蓉，等.模糊神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)邊際電價(jià)預(yù)測(cè)中的應(yīng)用[J]。電網(wǎng)技術(shù)，2004，28(7)：1-4．

Nima Amjady.Day-Ahead Price Forecasting of Electricity Markets by a New Fuzzy Neural Network[J].IEEE TRANSACTIONS ON POWER SYSTEMS，2006，，21(2)：887-896．

張顯，王錫凡，陳芳華，等.分時(shí)段短期電價(jià)預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)， 2005，25(15)：1-6.

張凱，錢(qián)鋒，劉曼丹.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)綜述[J].信息與控制，2003，32(5)：1-5.

王士同.模糊神經(jīng)系統(tǒng)、模糊神經(jīng)網(wǎng)絡(luò)及應(yīng)用程序設(shè)計(jì)[M].上海：上海科學(xué)技術(shù)文獻(xiàn)出版社，1998.

上一頁(yè)  1 2 3  下一頁(yè)

  本文關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)技術(shù)綜述，由筆耕文化傳播整理發(fā)布。