- 1、本文档共5页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第 33卷 第 13期 继 电器 Vol. 33 No. 13
2 0 0 5年 7月 1日 RELA Y Ju l. 1 , 2 0 0 5 39
基于自组织映射神经网络的市场清算电价预测
1 1 2
曾次玲 , 张步涵 , 谢培元
( 1. 华中科技大学电气与电子工程学院 , 湖北 武汉 430074; 2. 湖南省电力调度通信中心 , 湖南 长沙 4 10007)
摘要 : 市场清算电价预测是电力市场中交易决策的基础 。人工神经网络是电价预测较为理想的方法 ,但依然
存在一些问题 ,如样本训练有时需要很长时间 ,存在收敛问题 ,特别是当样本特征量不明显的时候 ,这种现象
更为突出。针对这一问题 ,利用自组织映射的聚类特性将历史数据进行特征分类和筛选处理 ,处理后形成的
新数据用于训练三层 B P神经网络 ,仿真结果表明 ,经过这种数据处理后 , 网络的收敛速度得到了显著提高 ,
且预测效果良好 。
关键词 : 电力市场 ; 电价预测 ; B P神经网络 ; 自组织映射神经网络
中图分类号 : TM 73; F123. 9 文献标识码 : A 文章编号 : (2005)
1. 1 自组织映射网络模型
0 引言
自组织映射网络模型具备这样的特点 :输入节
人工智能方法在电力负荷预测等很多方面得到 点和输出神经元的连接权值互联 ;在输出神经元之
了广泛的应用 ,并取得了很好的成果 。因电价预测 间进行竞争选择 ,输出神经元之间存在侧抑制 。从
与负荷预测存在一些相似之处 [ 1 ] ,近年来它在电价 功能上来说 ,它能够将单个神经元的变化规则和一
预测方面的应用也有不少论文发表 ,如应用最广的 层神经元的群体变化规则联系在一起 。
神经网络预测电价 [ 2 ~8 ] 。预测的基本思路主要是利 从网络结构上来说 , 自组织映射网络的最大特
用历史的负荷和清算电价数据来预测未来电价 。但 点是神经元被放置在一维 、二维或更高维的网格节
预测效果并不理想 ,特别是在节假 日和高峰负荷时 点上 。图 1所示为使用最为普遍的二维网络模型 。
段 ,预测误差非常大 。主要存在两方面的原因: ① 该模型包含输入输出两层 ,而不包含隐含层 。在输
神经网络方法建网无现成规律 ,样本训练有时需要 入层中有 N 个输入节点, 其中任一输入节点用 j 表
示 。输入层接受输入向量 X = [ x , x , …, x ] T 。从
很长时间 ,存在收敛问题 ,特别是当样本特征量不明 1 2 N
显的时候 。②市场中参与者对 电价的操纵行为很 空间的角度看 ,该输入空间是 N 维的, 输入节点通
难捕捉 ,缺乏数据支持 。 过权值 w ij ( i = 1, 2, …, M ; j = 1, 2, …, N ) 和网络的 M
针对以上的第一个问题 ,本文利用 自组织映射 个神经元相连 。将权值根据相连的神经元划分为
文档评论(0)