基于自组织映射神经网络场清算电价预测.PDF

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