论文部分内容阅读
电力的市场化在全球范围已成为一种发展的趋势,而对电价的有效预测是这一发展趋势中重要的一环。电价不仅是电力市场供求关系的信号,也是控制电力市场交易的经济杠杆,合理地根据市场需求确定相应的电价直接影响到电力市场能否正常运营。因此如何根据电力市场的相关历史数据准确地预测出未来的市场电价,对于市场中的各个参与者都具有十分重要的意义。本文首先介绍了研究背景、研究意义以及国内外的研究现状,之后对预测及相关的机器学习算法进行了研究分析,其中包括回归方法、神经网络、SVM算法,然后对基本差分进化(Differential Evolution,DE)和超限学习机(Extreme Learning Machine,ELM)及其它们的变种行了研究,发现它们在电价预测方面虽有广泛应用,但还是存在一定的缺陷。鉴于电价的复杂时间序列,ELM(Extreme Learning Machine)的各种方法已被确认为有效的预测方法。然而,在高维空间中,进化超限学习机在仅仅依赖随机搜索方法下,非常耗时且难以收敛到最佳区域。同时,由于复杂的功能关系,进化超限学习机的目标函数很难被直接挖掘出一些有用的数学信息来指导优化探索。因此本文提出了一种新的类似DE算法来增强E-ELM(Evolution-Extreme Learning Machine),从而更准确和可靠地预测电价。用于生成DE实验向量的近似模型是关键机制,可以使用更简单的数学映射来代替小区域内的原始但复杂的功能关系。因此,其进化过程经常受理性的搜索方向引导的进化超限学习机比仅仅由随机搜索方法支持的更加快速和健壮。最后本文采用一些标准测试函数对所提算法进行测试,实验结果表明该算法能有效提高进化超限学习机的性能;此外本文所提算法在对电价预测方面,与其它算法相比,采用本文所提算法能在一定时间内获得较高的精确度。