電力的市場化在全球范圍已成為一種發(fā)展的趨勢,而對電價的有效預(yù)測是這一發(fā)展趨勢中重要的一環(huán)。電價不僅是電力市場供求關(guān)系的信號,也是控制電力市場交易的經(jīng)濟(jì)杠桿,合理地根據(jù)市場需求確定相應(yīng)的電價直接影響到電力市場能否正常運(yùn)營。因此如何根據(jù)電力市場的相關(guān)歷史數(shù)據(jù)準(zhǔn)確地預(yù)測出未來的市場電價,對于市場中的各個參與者都具有十分重要的意義。本文首先介紹了研究背景、研究意義以及國內(nèi)外的研究現(xiàn)狀,之后對預(yù)測及相關(guān)的機(jī)器學(xué)習(xí)算法進(jìn)行了研究分析,其中包括回歸方法、神經(jīng)網(wǎng)絡(luò)、SVM算法,然后對基本差分進(jìn)化（Differential Evolution,DE）和超限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）及其它們的變種行了研究,發(fā)現(xiàn)它們在電價預(yù)測方面雖有廣泛應(yīng)用,但還是存在一定的缺陷。鑒于電價的復(fù)雜時間序列,ELM（Extreme Learning Machine）的各種方法已被確認(rèn)為有效的預(yù)測方法。然而,在高維空間中,進(jìn)化超限學(xué)習(xí)機(jī)在僅僅依賴隨機(jī)搜索方法下,非常耗時且難以收斂到最佳區(qū)域。同時,由于復(fù)雜的功能關(guān)系,進(jìn)化超限學(xué)習(xí)機(jī)的目標(biāo)函數(shù)很難被直接挖掘出一些有用的數(shù)學(xué)信息來指導(dǎo)優(yōu)化探索。... 

【文章來源】：湘潭大學(xué)湖南省

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２簡單網(wǎng)絡(luò)結(jié)構(gòu)??

?〇?輸入層??ＪＣ，?＾Ｘ２??圖２－２簡單網(wǎng)絡(luò)結(jié)構(gòu)??更一般地，給定訓(xùn)練數(shù)據(jù)集，權(quán)重ｗ，（／?＝?１，２，．．．．，？）以及閾值沒可通過學(xué)習(xí)得到。??閾值０可看作一個固定輸入為－１．０的“啞結(jié)點(diǎn)”所對應(yīng)的鏈接權(quán)重ｗ，，＋１，這樣，權(quán)重??和閾值的學(xué)習(xí)就可統(tǒng)一為權(quán)重的學(xué)習(xí)。感知機(jī)學(xué)習(xí)規(guī)則非常簡單，對訓(xùn)練樣例（Ｘ，ｙ），??若當(dāng)前感知機(jī)的輸出為夕，則感知機(jī)權(quán)重將這樣調(diào)整：??ｗｔ?＜—?＼ｖ：?＋?，??Ａｗ，＝；７（ｙ－歹）ｘ，?（２．９）??其中７７?ｅ?（０，?１）稱為學(xué)習(xí)率（ｌｅａｒｎｉｎｇ?ｒａｔｅ）。從公式（２．９）可看出，若感知機(jī)對訓(xùn)練??樣例（ｘ

??絡(luò)結(jié)構(gòu)如圖２－４：??ｍ?ｙｊ?ｍ??輸出層?＾ｉ－義……＊第＿／？個輸出神經(jīng)元的揄入??＾層第個隱層神經(jīng)元的輸入??ａｈ＾ｖｉｈｘｉ??輸入層?〇？＊■〇‘？＊〇??Ｘｉ?Ｘｉ?ｘｄ??圖２－４單隱層的ＢＰ結(jié)構(gòu)圖??其中，沖從從＾＾＾冰＾／＾凡＾是訓(xùn)練集－圖“中各參數(shù)??的表示如下：??ｄ：輸入層祌經(jīng)元個數(shù)；１：輸出層神經(jīng)元個數(shù)；ｑ：隱藏層神經(jīng)元個數(shù)；??輸出層第ｊ個祌經(jīng)元的閾值；？Ｖ隱藏層第ｈ個神經(jīng)的閾值；ｖ，Ａ：輸入層第ｉ個神經(jīng)??元和隱藏層第丨１個祌經(jīng)元的連接權(quán)值；ｗ／ｖ?：隱藏層第ｈ個祌經(jīng)元和輸出層第ｊ個??神經(jīng)元的連接權(quán)值；隱藏層第ｈ個神經(jīng)元的輸出；《？?＝?；！＞，，：隱藏層第ｈ個??／＝！??神經(jīng)元的輸入；Ａ?＝?輸出層第ｊ個神經(jīng)元的輸入。??ｈ＝＼??第一步：確定損失函數(shù)??對樣本（心九），則網(wǎng)絡(luò)的輸出為：九＝（貧，只，．．．，義，），即：??ｙ＾ｆｉ／３，－０，）?（２．１０）??則樣木在網(wǎng)絡(luò)丨二的均方誤差為：圮＝丄土?（只－乂）２?（２．１１）??２?／＝丨??第二步：

【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)變異DE算法的PID參數(shù)整定優(yōu)化[J]. 湯偉,白志雄,高祥.  組合機(jī)床與自動化加工技術(shù). 2018(03)
[2]基于參數(shù)動態(tài)調(diào)整的多目標(biāo)差分進(jìn)化算法[J]. 侯瑩,韓紅桂,喬俊飛.  控制與決策. 2017(11)
[3]基于雙變異策略的自適應(yīng)骨架差分進(jìn)化算法[J]. 劉會宇,韓繼紅,袁霖,于波.  通信學(xué)報. 2017(08)
[4]自適應(yīng)差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測[J]. 王林,彭璐,夏德,曾奕.  計算機(jī)工程與科學(xué). 2015(12)
[5]面向多目標(biāo)優(yōu)化問題的自適應(yīng)差分進(jìn)化算法[J]. 劉紅平,黎福海.  計算機(jī)應(yīng)用與軟件. 2015(12)
[6]差分進(jìn)化算法中參數(shù)自適應(yīng)選擇策略研究[J]. 汪慎文,張文生,丁立新,謝承旺,郭肇祿.  計算機(jī)科學(xué). 2015(11)
[7]基于小波分解和相同尺度序列的神經(jīng)網(wǎng)絡(luò)短期電價預(yù)測[J]. 肖霖,張婧,曾鳴,董軍.  電力需求側(cè)管理. 2011(04)
[8]小波神經(jīng)網(wǎng)絡(luò)預(yù)測電價的新改進(jìn)[J]. 涂啟玉,張茂林.  電力系統(tǒng)及其自動化學(xué)報. 2011(02)
[9]短期電價預(yù)測的組合混沌方法[J]. 張金良,譚忠富,李春杰.  中國管理科學(xué). 2011(02)
[10]利用多因素小波變換和多變量時間序列模型的日前電價預(yù)測[J]. 譚忠富,張金良.  中國電機(jī)工程學(xué)報. 2010(01)

碩士論文
[1]超限學(xué)習(xí)機(jī)的優(yōu)化改進(jìn)及應(yīng)用研究[D]. 吳學(xué)華.浙江理工大學(xué) 2017
[2]差分演化算法及其在函數(shù)優(yōu)化中的應(yīng)用研究[D]. 胡中波.武漢理工大學(xué) 2006
[3]小波神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期電價預(yù)測中的應(yīng)用[D]. 陳思杰.浙江大學(xué) 2006



本文編號：3445175