导读:本文包含了短期电价论文开题报告文献综述及选题提纲参考文献，主要关键词:遗传算法,BP神经网络,最小二乘支持向量机,短期电价预测
短期电价论文文献综述
黄元生,张利君[1]（2019）在《基于遗传算法的BP-LSSVM组合变权模型权重优化的短期电价预测研究》一文中研究指出为了能够精确预测短期电价为市场参与者提供有效的决策指导,首先对电价数据进行水平处理,然后建立BP神经网络(BPNN)和最小二乘支持向量机(LSSVM)组合变权模型(BP LSSVM),同时提出采用遗传算法(GA)对该组合变权模型的权重进行优化,最后将权重优化之后的GA BP LSSVM模型应用于美国PJM电力市场的边际电价预测,并与传统的LSSVM与BPNN的预测结果进行比较,结果表明,该组合变权模型能够提供更加精确的预测电价。(本文来源于《煤炭工程》期刊2019年05期）
刘文,于强,龚文杰,张智晟[2]（2019）在《计及尖峰电价机制的短期负荷预测研究》一文中研究指出针对需求响应的实施对电力系统短期负荷预测带来的新挑战,本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理,依据基于消费者心理学的用户响应模型,对实施需求响应后的负荷序列进行模拟。同时,构造了Elman神经网络短期负荷预测模型,由于Elman神经网络的承接层反馈使其具有较好的动态存储功能,使模型对非线性负荷序列具有良好的预测性能,并给出实际算例进行仿真分析。仿真结果表明,采用计及尖峰电价需求响应机制的Elman神经网络预测模型,能较准确预测在需求响应策略影响下负荷曲线的变化,最大相对误差为4.34%,平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型,预测精度明显较低,其最大相对误差为10.76%,平均绝对误差为6.71%,说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。(本文来源于《青岛大学学报(工程技术版)》期刊2019年02期）
吉晓琼[3]（2019）在《基于深度学习的电力市场短期电价预测研究》一文中研究指出电力行业不断从垄断经营走向竞争化,电力市场的价格变动也对公用事业收入和用户成本产生不利影响。电价的变动既对供给侧发电售电带来了挑战,也为用户侧的使用产生了影响,作为市场调节的杠杆,准确的电价预测显得尤为重要。在保证电力可靠性、高效性和安全供应的前提下,要保证售电公司准确把握市场导向,提供具有竞争力的价格与服务。目前存在的电价预测方法对其周期性变化规律利用度较低,预测步长较短,使得电价预测存在较大误差。通过调取美国PJM电力市场电价数据库中数据,分析电力市场改革下售电公司的成立对电价产生的影响,学习深度学习的相关理论,提出基于ELU激活函数的双向LSTM模型对电力市场供给侧短期电价变化进行预测。主要针对循环神经网络的缺点和不足,通过分析影响电价的因素,采用LSTM模型,在对激活函数进行优化与改进后设计E-BLSTM模型并进行实验分析,在有限次迭代达到收敛情况下证明了模型的准确性。具体工作如下:1)针对电价数据受到多因素影响的问题,利用模糊相似性原理,对数据做预处理,将神经网络算法引入电价预测模型中,根据时间序列之间存在的相关关系对样本数据进行学习与训练,降低实验误差。2)针对反向传播计算过程中的梯度消失问题,根据电力市场供给侧对电价的敏感度,捕捉电价线性和非线性的特点,设计售电市场供给侧电价预测的E-BLSTM模型。利用LSTM保持长久记忆特征,改进sigmoid函数和tanh函数,在LSTM模型上添加叁类阀门,将ELU激活函数引入双向LSTM电价预测模型中,提高步长,解决梯度消失问题。使用优化的ADAM梯度下降算法,根据训练数据迭代地更新神经网络的权重,选择最优的损失函数,提高电价预测的准确率。3)将设计的E-BLSTM模型与普通的LSTM模型进行对比,为保证实验的准确性,并与ARIMA模型和ARMA模型进行对比实验,实验证明算法能收敛到较低的损失率,可以对电力市场供给侧波动较大的电价进行精确预测,证明了模型的有效性和可收敛性。(本文来源于《华北电力大学》期刊2019-03-01）
殷豪,曾云,孟安波,刘哲[4]（2019）在《基于奇异谱分析的短期电价预测》一文中研究指出针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行迭加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。(本文来源于《电力系统保护与控制》期刊2019年01期）
杨春霞,王耀力,王力波,常青[5]（2019）在《基于一种NW-FLNN神经网络的短期电价预测》一文中研究指出针对传统神经网络收敛速度慢、容易陷入局部极值的问题,文中提出一种改进型小波神经网络以实现网络全局最优化。首先,将小波神经网络与随机矢量函数连接型网络相融合构建一种新型小波链神经网络(NW-FLNN);其次,以小波基函数作为NW-FLNN的隐含层的传递函数,并利用梯度修正法训练该模型各参数;最后,选用澳大利亚新南威尔士州电价数据作为实验数据集,分别对NW-FLNN神经网络、逆传播BP神经网络与小波神经网络进行预测性能比较。实验结果表明:该新型网络预测模型较BP神经网络与小波神经网络性能更优,可明显减少网络迭代次数与隐层神经元数目,且平均百分比误差最大降低至0. 0317,满足实时性要求。(本文来源于《电测与仪表》期刊2019年10期）
潘玉荣,贾朝勇[6]（2018）在《基于季节ARIMA模型的短期电价预测》一文中研究指出考虑电价具有波动性、多重周期性和均值回复性等特点,将季节ARIMA模型应用于电价的短期预测中.以美国加州电力市场的历史电价数据为样本,利用EVIEWS软件建立了电价的短期预测模型,并用建立的模型对未来一天24个时段的电价进行预测.研究结果表明,季节ARIMA模型对短期电价具有较高的预测精度.(本文来源于《白城师范学院学报》期刊2018年12期）
杨颖,杨少华,张燕,雷自强,刘达[7]（2018）在《基于相似日的短期电价区间预测》一文中研究指出准确的短期电价预测有助于电力市场各个参与者选择交易策略和估算效益,因此短期电价预测受到人们广泛关注。为了解决特殊样本带来的预测误差,应用模糊C-均值聚类算法进行相似日聚类,以与预测日相似的数据构建样本集。再采用高斯过程回归来建立短期电价预测模型,对短期实时电价进行预测,得到具有概率分布及对应置信水平的区间预测结果。最后,采用美国代顿电力市场的历史数据进行实例计算,证明了该方法可有效提高模型的预测精度,与BP神经网络相比预测效果更佳,可以向电力市场参与者提供更全面的信息。(本文来源于《智慧电力》期刊2018年12期）
王曙,潘庭龙[8]（2018）在《Stacking集成模型在短期电价预测中的应用》一文中研究指出为进一步提高短期电价预测结果的准确性和可靠性,本文提出了一种运用Stacking学习方式去集成不同基础学习器的短期电价预测模型。首先采用J-Fold和交叉验证的方式对数据进行分割和训练,将原始特征进行特征变换,重新构建二级特征;然后再使用构建的新特征去训练Meta学习器,用于样本数据的最终预测。实验结果表明,相比较于单一的回归模型,Stacking集成模型具有更小的误差和良好的稳定性,为短期电价预测提供了新方法。(本文来源于《中国科技论文》期刊2018年20期）
李鹏,何帅,韩鹏飞,郑苗苗,黄敏[9]（2018）在《基于长短期记忆的实时电价条件下智能电网短期负荷预测》一文中研究指出在电力市场改革与智能电网建设的大背景下,电力将逐渐回归商品属性,电价也将实时波动,并对负荷产生影响。通过分析得出电价与负荷具有相关性,因此在预测模型中考虑了实时电价的影响,并对考虑实时电价的负荷预测模型与价格型需求侧响应之间的关系进行了讨论。针对前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷,提出了基于长短期记忆循环神经网络的负荷预测模型,使用自适应矩估计算法进行深度学习。最后通过美国某地区的实际负荷和电价数据,验证了所提模型具有更高的预测精度。(本文来源于《电网技术》期刊2018年12期）
李晖照,王雪,郭莹,许晓路,徐进霞[10]（2018）在《基于实时电价的用户短期用电负荷预测》一文中研究指出提出了一种基于改进Softmax回归的用户短期用电负荷预测策略,该策略首先进行因素相关度分析,挑选关键因子;然后利用Softmax回归模型进行用户用电类别预测;最终在预测类别中选择与用户最相似的样本用户去预测该用户用电负荷。(本文来源于《电工技术》期刊2018年08期）
短期电价论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对需求响应的实施对电力系统短期负荷预测带来的新挑战,本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理,依据基于消费者心理学的用户响应模型,对实施需求响应后的负荷序列进行模拟。同时,构造了Elman神经网络短期负荷预测模型,由于Elman神经网络的承接层反馈使其具有较好的动态存储功能,使模型对非线性负荷序列具有良好的预测性能,并给出实际算例进行仿真分析。仿真结果表明,采用计及尖峰电价需求响应机制的Elman神经网络预测模型,能较准确预测在需求响应策略影响下负荷曲线的变化,最大相对误差为4.34%,平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型,预测精度明显较低,其最大相对误差为10.76%,平均绝对误差为6.71%,说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
短期电价论文参考文献
[1].黄元生,张利君.基于遗传算法的BP-LSSVM组合变权模型权重优化的短期电价预测研究[J].煤炭工程.2019
[2].刘文,于强,龚文杰,张智晟.计及尖峰电价机制的短期负荷预测研究[J].青岛大学学报(工程技术版).2019
[3].吉晓琼.基于深度学习的电力市场短期电价预测研究[D].华北电力大学.2019
[4].殷豪,曾云,孟安波,刘哲.基于奇异谱分析的短期电价预测[J].电力系统保护与控制.2019
[5].杨春霞,王耀力,王力波,常青.基于一种NW-FLNN神经网络的短期电价预测[J].电测与仪表.2019
[6].潘玉荣,贾朝勇.基于季节ARIMA模型的短期电价预测[J].白城师范学院学报.2018
[7].杨颖,杨少华,张燕,雷自强,刘达.基于相似日的短期电价区间预测[J].智慧电力.2018
[8].王曙,潘庭龙.Stacking集成模型在短期电价预测中的应用[J].中国科技论文.2018
[9].李鹏,何帅,韩鹏飞,郑苗苗,黄敏.基于长短期记忆的实时电价条件下智能电网短期负荷预测[J].电网技术.2018
[10].李晖照,王雪,郭莹,许晓路,徐进霞.基于实时电价的用户短期用电负荷预测[J].电工技术.2018