基于相似搜索和RBF神经网络的短期电价预测

《基于相似搜索和RBF神经网络的短期电价预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、维普资讯http://www.cqvip.com第23卷第1期电力科学与工程VO1．23．No．1Mar．．200792007年3月ElectricPowerScienceandEngineering基于相似搜索和RBF神经网络的短期电价预测翁陈宇，陈维荣，罗小安(西南交通大学电气工程学院，陕西西安710049)摘要：为了提高电价预测的准确性，提出一种基于相似搜索和RBF神经网络的短期电价预测的方法采用相似搜索原理来生成神经网络的训练集和输入矩阵，并运用MATLAB7．0中的神经网络工具来实现该模型。采用澳大利亚维多利亚电力市场2002年1月1日至3月17日共75天数据进行了实验分析，

2、对3月11日～17目的各时段电价进行了预测，通过比较验证了本文方法的有效性。关键词：电价预测；相似搜索；RBF神经网络中图分类号：TM73文献标识码：A最相似的负荷日，以搜索结果中相似系数较大的几0引言日的历史数据作为网络的输入。本文将相似搜索原理与RBF神经网络相结合，自20世纪90年代一些国家相继推行电力市利用澳大利亚维多利亚电力市场2002年数据进行场化以来，各国学者提出了多种电价预测的方法。短期电价预测，得到了较好的预测效果。这些可用于电价预测的方法主要可以归结为4类：基于时序分析的方法，如时间序列分析、灰色预1预测模型测、均生函数等；基于计量经济学的电价预测方法，如三时点模型

3、、霍尔特一温特斯方程、马尔柯1．1电价影响因素分析夫经济预测理论等；基于因子分析的方法，如线性影响电价的因素主要有以下两个方面：(1)系回归方法、人工神经网络方法、模糊聚类与综合评统的供需状况，包括电力需求的因素(电力负荷需判方法等；基于组合思想的预测方法，如小波分析求和时段的影响)和电力供给的因素(参与竞价的与人工神经网络的组合、模糊聚类与人工神经网络发电公司报价及发电功率、市场外机组发电功率、的组合预测，另外还有将多种单一预测模型集结起网络约束等)；(2)市场因素(燃料价格的不稳定来建立一个协调模型的组合预测”。。性、市场成员的行为、物价指数等)。神经网络法是目前电价预测用的较多的

4、方法，本文仅考虑第一方面因素中电力需求方面，其目前国内外很多文献都采用了人工神经网络反向传他的因素拟在今后的研究中进一步考虑播算法(BP)模型进行电价预测。但在预测不同时段的电价有其自身的变化特点，故本文变化较剧烈的电价时，BP网络存在输出结果不稳对电价序列进行分时段处理，对每一时段电价分别定(同样的数据多次预测的结果偏差较大)，计算进行预测，以提高预测精度。速度慢等缺陷。本文采用径向基函数(radialbasis1．2相似搜索原理function，RBF)神经网络建立短期电价预测模型。在进行网络训练以前，需要进行负荷相似日的为了选取更能表征电价变化规律的因素作为网搜索，即在历史负荷数

5、据中搜索与预测日负荷最相络的输入，本文利用相似日搜索来生成网络的似的负荷日。由于电价序列是一个时间序列，一般训练矩阵，即在历史负荷数据中搜索与预测日负荷来说，时间隔得越远其相似性越小，故本文将搜索收稿日期：2006—10—16．作者简介：翁陈字(1982一)’男，西南交通大学电气工程学院硕士研究生维普资讯http://www.cqvip.com10电力科学与工程2007焦M的范围定在预测目的前二十天内。相似程度用指数式中P一G，，)；Y『为当输入样本为相似系数来衡量，计算公式为=i=1时的期望输出。∑min(L)1．4预测网络模型=—～(1)本文利用相似搜索生成RBF神经网络的输入∑m

6、ax(L)向量。网络的输入为17项，分别为与时段所在日f=1相似系数较大的五日的时段历史电价和历史负荷，式中n，分别表示第i和第，日在t时段的负荷值。共10项；预测目前3天的同时段电价和负荷，共1．3RBF神经网络6项；预测日该时段预测负荷。网络的输出只有预RBF神经网络是一种性能良好的前向神经网测日该时段电价1项。络模型，它具有全局逼近的性质，并且不存在局部最小问题。RBF网络是一个包括输入层、隐含层2预测实例及结果分析和输出层的多输入单输出系统，其隐含层执行的是一种用于特征提取的非线性变换，在输出层则可实本文采用澳大利亚维多利亚电力市场2002年现输出权值的线性组合，其结构如图1所

7、示。1月1日至3月17日共75天数据进行了实验分析。G，G，)利用前69天数据用来生成训练集训练网络，对3月11E]-I7目的各时段电价进行了预测。算例中采用平均绝对误差(MeanAbsoluteError，O"MAE)和平均百分比误差(MeanAbsolutePercentError，O"MAPE)来评价预测结果，分别定义为：Ⅳ图1RBF神经网络模型结构．O'MAE=∑厶lPi—一，I(L5))J=1设RBF神经网络的输入为n维，学习样本为．