电力市场中周末边际电价预测方法研究

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。     

基于动态神经网络的系统边际电价预测

在分析系统边际电价(SMP)特点的基础上,确定了预测系统边际价格的主要依据为电力负荷、历史上对应时刻的SMP以及当天的SMP趋势.将电价看作是电力市场动态运行的结果,采用动态神经网络预测电价.由于动态神经网络结构及权值确定困难,采用二进制与实数编码相结合的联合编码,用遗传算法优化得到神经网络结构及对应权值.利用某电力市场的历史数据对该模型进行验证,结果表明该方法所建立的预测模型具有较高的预测精度.     

基于多因素粒子群－神经网络算法的短期电价预测

本文提出在神经网络训练中引入基于全局随机优化思想的粒子群优化（PSO）算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型。对美国PJM电力市场的实际电价（LMP）进行预测．与传统BP神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,验证了该方法的有效性和可行性。     

基于v-支持向量机的边际电价预测及置信区间估计

引入v-支持向量机，通过构造和求解一个凸优化问题，同时实现了对边际电价的预测和对置信区间的估计，且无需假定预测偏差的概率分布．在v-支持向量回归中，当ε〉0时，v是错误样本的个数占总样本个数份额的上界．利用该性质，边际电价预测的置信度和置信区间可以很自然地用参数1-v和变量ε来表示，这为发电公司进行竞价方案的风险分析打下了很好的基础．算例仿真表明，该方法具有较好的泛化性能和较高的预测精度．     

基于序列理论的电力系统边际电价预测方法

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．     

边际电价预测中的误差分析方法研究

针对目前电价预测中误差分析方法繁多、各方法之间可比性差的现象进行分析,总结了电价预测中常用的各种误差分析方法的优缺点,并推荐采用一种新的误差分析方法即中值相对误差来评价各种电价预测方法的精度。实际算例结果表明,该分析方法合理且有效。     

基于ν-支持向量机的边际电价预测及置信区间估计

引入ν-支持向量机,通过构造和求解一个凸优化问题,同时实现了对边际电价的预测和对置信区间的估计,且无需假定预测偏差的概率分布.在ν-支持向量回归中,当ε＞0时,ν是错误样本的个数占总样本个数份额的上界.利用该性质,边际电价预测的置信度和置信区间可以很自然地用参数1-ν和变量ε来表示,这为发电公司进行竞价方案的风险分析打下了很好的基础.算例仿真表明,该方法具有较好的泛化性能和较高的预测精度.     

基于长期边际成本法的水电上网电价的定价研究

基于长期边际成本法的定价方法理论,针对水电上网参与竞价存在的问题,构建了基于长期边际成本法的水电上网定价模型,并通过实例,验证了所建模型的可行性。     

基于最优组合的短期电价预测研究

准确的短期电价预测可为发电企业制定科学合理的竞价策略提供的指导,预测的精准度直接影响着发电企业的利益。针对电价预测的精确度问题,引入组合预测模型,将两个单一电价预测方法有机地结合起来,综合各种预测方法的优点,得到了更准确的预测结果。最后通过具体算例验证了该组合预测方法的可行性。     

基于小波神经网络的电价滚动预测模型

探讨了基于小波分析和神经网络的3种短期电价预测模型,比较了提前1步的滚动预测与提前N步的预测方法.采用预测误差概率分布作为预测误差的评价指标,并以美国加州电力市场的实际运行数据为基础,连续预测该市场1个月的电价.结果表明:提出的具有滚动预测概念的模型III具有良好的预测精度,其误差分布还显示出该模型具有较高的预测置信度.     

基于免疫机制的动态多目标优化免疫算法

作者针对一类决策空间的维数随时间变化的动态多目标优化问题,借鉴免疫应答蕴含的动态进化机制,提出了一种动态多目标优化免疫算法。算法设计中,依据抗体学习机理,设计几种具有自适应能力的免疫算子进化当前抗体群,以及借助免疫系统的识别功能设计环境识别规则,用于加速相似环境的寻优过程。另外,借助两个性能评价指标,经由比较性的数值试验,获得该算法具有较好的搜索效果以及较稳定的环境跟踪能力。     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘算法中的重要方法之一。本文在分析了FCM算法和基于遗传聚类算法的不足基础上,提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法,克服了FCM的局部最优问题以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾,实验表明该算法是有效的。     

免疫算法在谈判支持系统中的应用

在谈判的过程中,往往需要系统能够通过提供参考谈判解辅助谈判人员,以期提高谈判的效率.一旦涉及到对解驱动的谈判支持系统,就需要能够比较准确地获取用户的偏好,以及能够有有效的机制来快速地搜索出谈判解.针对这两个问题,本文提出了基于免疫算法的谈判支持系统,以期对谈判人员同时提供过程支持和解支持.     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

基于一种免疫算法的TDOA双曲定位技术研究

移动台TDOA双曲定位是无线通信中的一项重要技术;在现实中可以将免疫算法应用在这项技术当中。由于标准免疫算法采用二进制编码,在高维数问题求解时精度不高,求解时间长。为此,提出一种基于实数编码的多映射免疫算法的TDOA双曲定位技术,用多映射混沌理论对免疫算法进行改进,主要包括混沌映射、克隆、变异、选择等步骤。经仿真实验结果验证了改进的多映射免疫算法相对于标准免疫算法来说更容易找到全局最优解,不易陷入局部极值,且收敛速度快,个体不出现退化现象。表明了基于改进的实数编码的免疫算法在TDOA双曲定位技术的切实可行性和实用性,且具有很好的推广能力。     

基于免疫算法的时间序列预测模型

在自然科学和社会科学中,大量的决策问题需要利用时间序列模型进行预测,针对时间序列参数估计的不精确,往往会对预测结果造成影响的问题,提出一种基于免疫算法优化时间序列模型参数的方案,该方案利用免疫算法精确计算的优势,先利用最大似然参数估计方法将时间序列模型的待定参数表示成其样本观测值联合概率的似然函数,然后使用免疫算法求得该函数的极值,从而可以得到时间序列模型的待定参数,最后为了验证该模型预测的精确性,使用上证指数和深证指数的金融时间序列的数据作为测试样本数据集,我们将预测结果与标准的AR-MA时间序列模型和其他预测模型进行比较,以分析它的性能.     

基于自适应免疫算法的电力系统无功优化

针对电力系统无功优化问题，提出了根据各个抗体之间的距离测度自动调节参数的自适应免疫算法（adapted immune algorithm，AIA）．该算法在群体多样度的基础上，调节选择率α、克隆半径r和突变半径R，在快速收敛和保持群体多样性以避免陷入局部最优解之间进行优化．算例表明：自适应免疫算法使计算速度和收敛性均达到最优；对于IEEE14节点系统，与遗传和免疫算法相比，该算法的收敛效果提高8％，计算时间缩短55S；与改进的免疫算法相比，其收敛效果提高2％，计算时间缩短0．5S；对于IEEE118系统，与遗传和免疫算法相比，该算法的收敛效果提高5％，时间减少分别为493S和336S；与改进的免疫算法相比，其收敛效果提高3％，计算时间缩短26S．