基于模糊聚类和模糊神经网络电价经济特性与预测研究.docVIP

基于模糊聚类和模糊神经网络电价经济特性与预测研究 　　摘要:电价是电能市场中一个重要的经济信号,对市场的所有参与者均具有重要的指导作用。文章利用人工神经网络和模糊理论对电价预测进行了研究,构建了基于模糊聚类和模糊神经网络相结合方法的电价预测模型,模型采用模糊C均值算法对样本数据进行聚类分析来获得样本的类别特征以及隶属度函数的模糊参数值,最后通过实际算例对所建模型的可行性和有效性进行了验证。 　　 关键词:电价预测;经济特性;模糊聚类;模糊神经网络 　　中图分类号:TM715 文献标识码:A 　　文章编号:1674-1145(2009)20-0001-03 　　 　　一、经济特性 　　 　　电价是电能市场一个非常重要的经济信号,包含了丰富的信息,比如各上网机组的成本状况、市场的供需状况、系统(输电网络与发电机等)的健康状况等,而电价受到多种因素的影响,市场需求、工程造价、燃料价格、机组能耗水平、管理费用、财务费用、负荷率都会影响电价水平。与此同时,电力消费多年以来持续增长,电网峰谷差过大,国家不得不投入巨资来建设新电源和调峰,然而如果单纯依靠扩大投资规模增加装机容量来满足短暂的尖峰用电,不仅耗资巨大,而且会进一步提高发电成本。因此必须通过采用经济手段,发挥电价的杠杆效应,削减高峰电力或将其转移到低谷,引导消费者在低谷时段多用电,达到优化资源配置、合理使用电力资源,以提高社会整体经济效益。 　　如果能对未来时刻的市场价格进行分析预测,则预测结果对于市场中所有参与者来说均具有重要的指导意义。发电方可以据此修改发电计划,调整报价策略,以使其在竞价中占据更加有利的地位;购电方可以据此修改其消费计划,改变电力需求方式;电力市场运营机构也可以以此为参考,正确把握市场的发展动向。在电力市场改革初期,水电厂商是不参与市场竞价上网的。而电价的预测可以为水电厂商提供发电生产的经济参考,从而使水火联合电力系统总发电成本达到最小,减少火电成本的耗费,同时也增加了系统的调节能力和安全运行保障,并且提高了水电自身的经济效益。随着电力系统市场化的逐步深入,电价直接影响到电力市场参与者的经济利益,谁能够更准确地预测电价,谁就能够在市场中占据主动。所以电价是整个电力系统中各个参与者进行规划、生产安排的科学依据,进行电价预测和分析具有重要的意义。 　　 　　二、预测方法介绍 　　 　　为了说明模糊聚类和模糊神经网络相结合的方法在预测电价方面优于其他方法的优点,本文将采用BP神经网络进行比较研究。 　　(一)BP神经网络 　　BP神经网络是目前人工神经网络技术中应用最广泛的模型之一,其可以逼近任何形式的函数。BP神经网络由输入层、隐含层和输出层组成,各层之间通过权值、阈值和映射函数相关联。其基本思路是:把网络学习时输出层出现的与“事实”不符的误差,归结为连接层中各节点间连接权值和阈值的“过错”,然后将输出层出现的误差逐层向输入层逆向传播以分摊给各连接节点,从而算出各连接节点的参考误差,并以此对各权值、阈值进行相应调整,最终使网络适应要求的映射。本文将采用三层常规BP网络和引入LM方法改进的BP网络分别对对电价进行预测研究,采用多次实验取最优值作为最终的预测值。BP神经网络的拓扑结构见图1。 　　 (二)模糊聚类和模糊神经网络相结合方法 　　模糊神经网络(Fuzzy neural network,FNN)是模糊系统理论和神经网络技术的完美结合,其本质就是将常规的神经网络赋予模糊输入信号和模糊权值,以提高系统的应用性能。模糊技术的特长在于逻辑推理能力,容易进行高阶的信息处理,将模糊技术引入神经网络,可拓宽神经网络处理信息的范围和能力,实现模糊联想和模糊映射。而神经网络在学习和自动模式识别方面有极强的优势,采取神经网络技术来进行模糊信息处理,则使得模糊规则的自动提取及模糊隶属函数的自动生成得以解决,使模糊系统成为一种自适应模糊系统。本文将采用网络拓扑结构如图2所示的模糊神经网络。从图2中可以看出,此模型共由四层组成,分别为输入层,隶属度函数生成层,推理层,反模糊化层(输出层)。其中输入层的节点数目为事先确定的输入因子数目;推理层的节点个数等于模糊聚类类别数目和输入层节点个数的乘积,隶属度函数采用钟形函数,具体形式如下: 　　(1) 　　其中 为输入因子类别隶属度值, ,分别为各输入因子的类别中心值和方差值。推理层的节点输出分别为该节点所有输入的代数乘积,最终的反模糊化输出为: 　　 (2) 　　其中, (3) 　　代表预测因子的第i个类别的中心值。 　　图1 BP神经网络的拓扑结构图 图2 模糊神经网络拓扑结构图 　　利用如上形式的FNN首先需要对样本进行聚类分析,以获得样本数据的分类和各类别的中心值。传统的聚类分析是一种