用于電價預測的自適應理性超限學習機研究
發(fā)布時間：2021-10-19 15:56
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系的信號,也是控制電力市場交易的經濟杠桿,合理地根據市場需求確定相應的電價直接影響到電力市場能否正常運營。因此如何根據電力市場的相關歷史數據準確地預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、研究意義以及國內外的研究現狀,之后對預測及相關的機器學習算法進行了研究分析,其中包括回歸方法、神經網絡、SVM算法,然后對基本差分進化（Differential Evolution,DE）和超限學習機（Extreme Learning Machine,ELM）及其它們的變種行了研究,發(fā)現它們在電價預測方面雖有廣泛應用,但還是存在一定的缺陷。鑒于電價的復雜時間序列,ELM（Extreme Learning Machine）的各種方法已被確認為有效的預測方法。然而,在高維空間中,進化超限學習機在僅僅依賴隨機搜索方法下,非常耗時且難以收斂到最佳區(qū)域。同時,由于復雜的功能關系,進化超限學習機的目標函數很難被直接挖掘出一些有用的數學信息來指導優(yōu)化探索。...
【文章來源】：湘潭大學湖南省
【文章頁數】：49 頁
【學位級別】：碩士
【部分圖文】：
圖２－２簡單網絡結構??
?〇?輸入層??ＪＣ，?＾Ｘ２??圖２－２簡單網絡結構??更一般地，給定訓練數據集，權重ｗ，（／?＝?１，２，．．．．，？）以及閾值沒可通過學習得到。??閾值０可看作一個固定輸入為－１．０的“啞結點”所對應的鏈接權重ｗ，，＋１，這樣，權重??和閾值的學習就可統一為權重的學習。感知機學習規(guī)則非常簡單，對訓練樣例（Ｘ，ｙ），??若當前感知機的輸出為夕，則感知機權重將這樣調整：??ｗｔ?＜—?＼ｖ：?＋?，??Ａｗ，＝；７（ｙ－歹）ｘ，?（２．９）??其中７７?ｅ?（０，?１）稱為學習率（ｌｅａｒｎｉｎｇ?ｒａｔｅ）。從公式（２．９）可看出，若感知機對訓練??樣例（ｘ
??絡結構如圖２－４：??ｍ?ｙｊ?ｍ??輸出層?＾ｉ－義……＊第＿／？個輸出神經元的揄入??＾層第個隱層神經元的輸入??ａｈ＾ｖｉｈｘｉ??輸入層?〇？＊■〇‘？＊〇??Ｘｉ?Ｘｉ?ｘｄ??圖２－４單隱層的ＢＰ結構圖??其中，沖從從＾＾＾冰＾／＾凡＾是訓練集－圖“中各參數??的表示如下：??ｄ：輸入層祌經元個數；１：輸出層神經元個數；ｑ：隱藏層神經元個數；??輸出層第ｊ個祌經元的閾值；？Ｖ隱藏層第ｈ個神經的閾值；ｖ，Ａ：輸入層第ｉ個神經??元和隱藏層第丨１個祌經元的連接權值；ｗ／ｖ?：隱藏層第ｈ個祌經元和輸出層第ｊ個??神經元的連接權值；隱藏層第ｈ個神經元的輸出；《？?＝?；�。�，，：隱藏層第ｈ個??／＝！??神經元的輸入；Ａ?＝?輸出層第ｊ個神經元的輸入。??ｈ＝＼??第一步：確定損失函數??對樣本（心九），則網絡的輸出為：九＝（貧，只，．．．，義，），即：??ｙ＾ｆｉ／３，－０，）?（２．１０）??則樣木在網絡丨二的均方誤差為：圮＝丄土?（只－乂）２?（２．１１）??２?／＝丨??第二步：
【參考文獻】：
期刊論文
[1]基于自適應變異DE算法的PID參數整定優(yōu)化[J]. 湯偉,白志雄,高祥. 組合機床與自動化加工技術. 2018(03)
[2]基于參數動態(tài)調整的多目標差分進化算法[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骨架差分進化算法[J]. 劉會宇,韓繼紅,袁霖,于波. 通信學報. 2017(08)
[4]自適應差分進化算法優(yōu)化BP神經網絡的時間序列預測[J]. 王林,彭璐,夏德,曾奕. 計算機工程與科學. 2015(12)
[5]面向多目標優(yōu)化問題的自適應差分進化算法[J]. 劉紅平,黎福海. 計算機應用與軟件. 2015(12)
[6]差分進化算法中參數自適應選擇策略研究[J]. 汪慎文,張文生,丁立新,謝承旺,郭肇祿. 計算機科學. 2015(11)
[7]基于小波分解和相同尺度序列的神經網絡短期電價預測[J]. 肖霖,張婧,曾鳴,董軍. 電力需求側管理. 2011(04)
[8]小波神經網絡預測電價的新改進[J]. 涂啟玉,張茂林. 電力系統及其自動化學報. 2011(02)
[9]短期電價預測的組合混沌方法[J]. 張金良,譚忠富,李春杰. 中國管理科學. 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測[J]. 譚忠富,張金良. 中國電機工程學報. 2010(01)
碩士論文
[1]超限學習機的優(yōu)化改進及應用研究[D]. 吳學華.浙江理工大學 2017
[2]差分演化算法及其在函數優(yōu)化中的應用研究[D]. 胡中波.武漢理工大學 2006
[3]小波神經網絡在電力系統短期電價預測中的應用[D]. 陳思杰.浙江大學 2006
本文編號：3445175
【文章來源】：湘潭大學湖南省
【文章頁數】：49 頁
【學位級別】：碩士
【部分圖文】：
圖２－２簡單網絡結構??
?〇?輸入層??ＪＣ，?＾Ｘ２??圖２－２簡單網絡結構??更一般地，給定訓練數據集，權重ｗ，（／?＝?１，２，．．．．，？）以及閾值沒可通過學習得到。??閾值０可看作一個固定輸入為－１．０的“啞結點”所對應的鏈接權重ｗ，，＋１，這樣，權重??和閾值的學習就可統一為權重的學習。感知機學習規(guī)則非常簡單，對訓練樣例（Ｘ，ｙ），??若當前感知機的輸出為夕，則感知機權重將這樣調整：??ｗｔ?＜—?＼ｖ：?＋?，??Ａｗ，＝；７（ｙ－歹）ｘ，?（２．９）??其中７７?ｅ?（０，?１）稱為學習率（ｌｅａｒｎｉｎｇ?ｒａｔｅ）。從公式（２．９）可看出，若感知機對訓練??樣例（ｘ
??絡結構如圖２－４：??ｍ?ｙｊ?ｍ??輸出層?＾ｉ－義……＊第＿／？個輸出神經元的揄入??＾層第個隱層神經元的輸入??ａｈ＾ｖｉｈｘｉ??輸入層?〇？＊■〇‘？＊〇??Ｘｉ?Ｘｉ?ｘｄ??圖２－４單隱層的ＢＰ結構圖??其中，沖從從＾＾＾冰＾／＾凡＾是訓練集－圖“中各參數??的表示如下：??ｄ：輸入層祌經元個數；１：輸出層神經元個數；ｑ：隱藏層神經元個數；??輸出層第ｊ個祌經元的閾值；？Ｖ隱藏層第ｈ個神經的閾值；ｖ，Ａ：輸入層第ｉ個神經??元和隱藏層第丨１個祌經元的連接權值；ｗ／ｖ?：隱藏層第ｈ個祌經元和輸出層第ｊ個??神經元的連接權值；隱藏層第ｈ個神經元的輸出；《？?＝?；�。�，，：隱藏層第ｈ個??／＝！??神經元的輸入；Ａ?＝?輸出層第ｊ個神經元的輸入。??ｈ＝＼??第一步：確定損失函數??對樣本（心九），則網絡的輸出為：九＝（貧，只，．．．，義，），即：??ｙ＾ｆｉ／３，－０，）?（２．１０）??則樣木在網絡丨二的均方誤差為：圮＝丄土?（只－乂）２?（２．１１）??２?／＝丨??第二步：
【參考文獻】：
期刊論文
[1]基于自適應變異DE算法的PID參數整定優(yōu)化[J]. 湯偉,白志雄,高祥. 組合機床與自動化加工技術. 2018(03)
[2]基于參數動態(tài)調整的多目標差分進化算法[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骨架差分進化算法[J]. 劉會宇,韓繼紅,袁霖,于波. 通信學報. 2017(08)
[4]自適應差分進化算法優(yōu)化BP神經網絡的時間序列預測[J]. 王林,彭璐,夏德,曾奕. 計算機工程與科學. 2015(12)
[5]面向多目標優(yōu)化問題的自適應差分進化算法[J]. 劉紅平,黎福海. 計算機應用與軟件. 2015(12)
[6]差分進化算法中參數自適應選擇策略研究[J]. 汪慎文,張文生,丁立新,謝承旺,郭肇祿. 計算機科學. 2015(11)
[7]基于小波分解和相同尺度序列的神經網絡短期電價預測[J]. 肖霖,張婧,曾鳴,董軍. 電力需求側管理. 2011(04)
[8]小波神經網絡預測電價的新改進[J]. 涂啟玉,張茂林. 電力系統及其自動化學報. 2011(02)
[9]短期電價預測的組合混沌方法[J]. 張金良,譚忠富,李春杰. 中國管理科學. 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測[J]. 譚忠富,張金良. 中國電機工程學報. 2010(01)
碩士論文
[1]超限學習機的優(yōu)化改進及應用研究[D]. 吳學華.浙江理工大學 2017
[2]差分演化算法及其在函數優(yōu)化中的應用研究[D]. 胡中波.武漢理工大學 2006
[3]小波神經網絡在電力系統短期電價預測中的應用[D]. 陳思杰.浙江大學 2006
本文編號：3445175
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3445175.html
