[论文]基于混合粒子群算法和nrbf神经网络的短期电价预测

《[论文]基于混合粒子群算法和nrbf神经网络的短期电价预测》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于混合粒子群算法和NRBF神经网络的短期电价预测段其昌1，赵敏1，王大兴2(1.重庆大学自动化学院，重庆市沙坪坝区400044；2.重庆大学电气工程学院，重庆市沙坪坝区400044)摘要：本文提出一种混合粒子群算法，在局部邻近区域的粒子群算法中引入收缩因子和被动聚集，将最邻近聚类用于NRBF神经网络的参数确定中，采用混合粒子群算法优化最近邻聚类的聚类半径，从而确定NRBF神经网络的参数，提高了NRBF神经网络的泛化能力。以美国PJM电力市场公布的2006年负荷与电价数据进行预测验证，证明了此方法所建立的模型的合理性和有效性。为了克服神经网络模型结构和参数难以设置,学习算法收敛速

2、度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。关键词：电力市场；电价预测；最近邻聚类算法；粒子群优化；归一化径向基函数神经网

3、络Short-TermElectricityPriceForecastingBasedonHybridParticleSwarmOptimizationandNormalizedRadialBasisFunctionNeuralNetworkDUANQi-chang1,ZHAOMin1,WangDa-Xing2(1.SchoolofAutomation,Chongqinguniversity,ShapingbaDistrict,Chongqing400030,China;(2.SchoolofElectricalEngineering,Chongqinguniversity,Sh

4、apingbaDistrict,Chongqing400030,China)ABSTRACT:Anhybridparticleswarmoptimizationalgorithmisproposed.Theconstrictionfactorandpassivecongregationareutilizedatlocal-neighborhoodvariantparticleswarmoptimization.Nearestneighboralgorithmwasappliedtotheparametersselectionfornormalizedradialbasisfunc

5、tion(NRBF)neuralnetwork,clusterradiusissearchedbythehybridPSO,thenthenumberofunitsandthepositionofcentersofNRBFneuralnetworksaredetermined.NRBFneuralnetworksdesignedwiththismethodcouldgeneralizewell.Therationalityandvalidityaredemonstratedbythepublishedloadandelectricitypricedataintheyear2006

6、atPJMelectricitymarket.KEYWORDS：electricitymarket;electricityprice;Nearestneighboralgorithm;particleswarmoptimization;normalizedradialbasisfunctionneuralnetwork0引言电价是电力市场的核心和杠杆，准确的电价预测既能减少电力市场参与者的竞价风险，又能获得最大利益。寻求高精度电价预测算法一直是电力市场研究的难点问题之一。目前最主要的电价预测方法有两类：时间序列法[1-2]和人工神经网络法[3-9]。时间序列法仅仅从序列自身规律来

7、进行电价预测，没有考虑电价市场因素对电价的影响；而人工神经网络训练样本复杂，收敛速度慢，网络参数的优化困难，容易陷入局部极小值。本文采用归一化径向基函数（NRBF）神经网络[10]建立短期电价预测模型。NRBF神经网络是径向基函数（RBF）神经网络[11]的延伸，能够有效克服RBF神经网络的隐层接收区域的局部性。由于NRBF神经网络设计的核心问题是确定隐层基函数的中心，传统的设计方法容易陷入局部极值。因此，本文首先通过最邻近聚类将历史电价数据聚类，采用结合引入收缩因子和被动聚集的