共查询到18条相似文献,搜索用时 703 毫秒
1.
在分析了影响系统边际价格(SMP)的因素的基础上,提出了基于免疫算法的SMP预测方法,并且对相似负荷日和邻近负荷日的数据都作了考虑。采用美国纽约州电力市场的历史数据进行实例计算,证明该方法对SMP的预测效果较好。 相似文献
2.
电力市场中周末边际电价预测方法研究 总被引:5,自引:0,他引:5
针对周末边际电价的特殊性,采用相似搜索和人工神经网络(ANN)建立了预测周末电力市场边际电价的数学模型,并运用Matlab 6.5中的神经网络工具实现了预测模型。实例计算的结果表明该方法有效。 相似文献
3.
基于遗传算法和改进Elman神经网络的股价预测 总被引:1,自引:0,他引:1
针对Elman神经网络在股价预测中存在网络结构的隐节点个数难以确定和网络训练极易陷入局部解的不足,以未来两天股票最高价作为预测对象,采用改进Elman神经网络结构.以辨识更高阶的动态系统;同时又利用遗传算法优化该神经网络的初始连接权和确定网络隐节点个数,从而解决上述网络在股价预测中的不足,并在遗传进化计算过程中采用保留最佳个体的策略,进行预测建模.结果表明这种模型对股价的预测精度较高,具有一定可行性. 相似文献
4.
探讨了运用遗传算法对润滑油智能分析系统中神经网络的连接权值的优化.在预先对网络结构进行优化后,对随机产生的网络权值及阈值进行编码,利用多种不同的初始连接权值分别对每个网络进行训练,利用误差函数确定适应度函数,利用交叉、变异等遗传操作算子对群体进行处理,从而得出最佳网络权值和阈值. 相似文献
5.
电价是电力市场中核心问题之一.作为在电力系统中得到广泛应用的边际电价理论.其边际电价预测应充分考虑负荷的不确定性、发电机组随机强迫停运的不确定性以及发电方报价的不确定性.通过重新定义有效容量状态和定义衍生多态机组,成功地将概率性序列理论应用到求解发电系统有效容量概率分布函数,找出了求解发电系统有效容量概率分布函数的另外一种方法.并由此概率分布函数,充分考虑各种影响边际电价的不确定性因素,依据边际电价的定义,精确地预测出电力系统的边际电价.算例分析证明了理论分析的正确性,并表明本算法预测的精度得到提高. 相似文献
6.
在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性. 相似文献
7.
为了提高电力市场出清电价的预测精度,在分析其形成机理的基础上,根据加州电力市场实际运行的历史出清电价数据对其变化特点进行研究,得出不同时段的出清电价时间序列特性不同,具有不同的变化趋势.提出分时段预测出清电价的思路.采用小波分析和支持向量机工具对出清电价分时段进行预测,利用Matlab进行仿真,结果表明,该模型对系统出清电价的预测精度较高,证明此方法对加州电力市场的电价预测有很好的能力. 相似文献
8.
遗传神经网络法及其在机器人误差补偿中的应用 总被引:1,自引:0,他引:1
针对某打磨机器人的位姿误差分析,提出一种采用二进制和实数值混合编码的遗传BP网络法,同时优化网络结构和权值矢量;网络结构采用二进制编码保留了粒度编码方法的优点,对连接权值系数的实数编码进行Solis&Wets运算使新的遗传算法具有进化规划和进化策略的优点;结合遗传算子和Solis&Wets算子生成后代的方法以及最佳个体保留策略使得遗传搜索空间的群体多样性更好,加快了遗传算法的收敛速度;采用动态参数编码方法替代Vittorio粒度编码方法,既提高了连接权系数的优化精度,又避免了Vittorio粒度变化所引起的适应度的剧烈不连续变化.仿真和实验结果均表明该算法能有效克服遗传算法的非成熟收敛,提高机... 相似文献
9.
基于遗传算法和BP算法的混合算法 总被引:3,自引:1,他引:3
牛向阳 《河南科技大学学报(自然科学版)》2007,28(1):46-48
结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近. 相似文献
10.
基于遗传算法和BP神经网络的短期电力负荷预测 总被引:1,自引:1,他引:0
根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(BP)的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行. 相似文献
11.
采用系统动力学的方法,从新产品的市场进入入手,研究某市场保有量与时间因素之间的动态关系,给出二者之间的系统动力学一般性方程,在此基础上,引入了几个特殊但有实际意义的动力学方程,并从定性与定量两个方面讨论了相应模型的数学与经济意义,以期在方法与理论上给出国家进行宏观调控或企业进行投资前的市场预测的参考。 相似文献
12.
发电市场环境下购电计划模型的研究 总被引:6,自引:0,他引:6
在电力市场环境下 ,发电商竞价上网 ,按照统一边际电价结算。研究发现 ,结算规则的改变要求对购电计划模型进行相应改造 ,否则会引起不公平现象 ,且导致最终用户电价上扬。论文指出了其根本原因是传统发电计划模型中蕴涵了“一机一价”的结算规则 ,建立了反映新的结算规则的购电计划模型 ,并对新模型的本质进行了深入探讨 ,指出可以通过求解有限个线性规划问题而得到该模型的精确最优解。在此基础上 ,论文尝试考虑机组跟踪负荷速率 ,设计了动态经济调度算法。算例表明 ,该算法有效。更为重要的是 ,其思路可以扩充到拥塞管理等众多类似模型的求解算法中 相似文献
13.
粗铜冶炼中铜锍品位的动态预测模式
—AR(p)与指数平滑最优组合法 总被引:1,自引:1,他引:0
提出了一种对铜锍品位进行预测的新方法 ,即以采集的现场数据为基础 ,采用系统辨识动态地建立了AR(p)模型与三次指数平滑模型 .AR(p)模型要求数据对象是平稳时间序列 ,而三次指数平滑模型的数据对象具有随机性 ,考虑到铜锍品位的波动性 ,将 2种模型按最小二乘原理 ,以组合预测误差平方和为目标函数 ,通过使误差平方和极小化来确定 2种预测方法的最优加权系数 ,建立了一种新的组合模型 ,其预测误差最小 .结果表明 ,在当时数据条件下 ,AR(p)与指数平滑组合模型比AR(p)与指数平滑模型单独使用时精确度都要高 ,这对指导生产具有实用意义 . 相似文献
14.
滑坡地质灾害远程实时监测预报技术与工程应用 总被引:1,自引:0,他引:1
针对传统滑坡地质灾害监测预报技术存在的问题,提出"滑坡发生的充分必要条件是滑动力大于滑动面抗滑力,并将滑动力的变化作为滑坡监测预报主要参数"的学术思想。以工程边坡为研究背景,开发滑坡超前滑动力物理模拟实验、工程灾害物理模型实验等系统。采用室内和现场测试、物理和数值模拟等综合研究方法,建立力学模型,推导了相关公式,研发恒阻大变形缆索及其滑坡地质灾害防治—加固—监测—预报一体化控制技术。研发基于滑动力变化的滑坡地质灾害远程监测预报新技术及装备系统,通过大量实测曲线分析,总结四种相应的滑坡预警模式。结果表明,自2006年以来,该项技术已在露天煤矿和金属矿开采、西气东输、高速公路等工程边坡及其他自然边坡中成功推广应用,取得显著的经济和社会效益。 相似文献
15.
基于AHP及Logit回归的新能源汽车市场预测模型 总被引:5,自引:0,他引:5
根据消费者效用极大化原理,利用层次分析法,分析中国消费者购买新能源汽车的成本、可靠性、动力性、形象、安全性和便利性因素的权重;通过对欧、美、日新能源汽车乘用车市场份额与消费者效用的Logit回归分析,构建基本、一般和激进三种政府规制场景下的中国新能源汽车乘用车市场份额的预测模型.结果表明,新能源汽车市场的发展与政府规制有密切的关系.到2015年,在基本、一般和激进三种场景下,新能源汽车分别占14%,23%,36%左右;混合动力和纯电动汽车是市场份额最大的两种车型;燃料电池汽车市场份额最小,为0.25%~0.85%. 相似文献
16.
17.
探讨了在无现状起讫点矩阵(O-D矩阵)的情况下如何应用最大熵模型较好地描述公交出行分布。利用公交定位技术和收费系统的有效信息,以乘客公交出行距离分布为约束条件,将对应状态数最多的出行分布视为预测的出行分布,以乘客的微观行为来反映公交分布的宏观状态。提出改进后熵模型的参数标定方法;并通过实例分析与佐佐木模型的预测结果进行比较,结果表明改进后的最大熵模型适用性较强,在公共交通分布预测中有很好的应用前景。 相似文献
18.
针对传统的市场预测方法几乎回避了市场信息具有模糊性的特点,出现的用神经网络进行市场预测又不能表达模糊语言的情况,分析了自适应神经模糊推理系统的结构机理,提出了用自适应神经模糊推理系统进行企业市场预测;仿真结果说明了该方法的有效性和可行性。 相似文献