导读:本文包含了市场出清价预测论文开题报告文献综述及选题提纲参考文献，主要关键词:电价预测,随机森林,极限学习机
市场出清价预测论文文献综述
黄晗[1]（2019）在《新南威尔士州日前市场出清电价预测研究》一文中研究指出电力市场改革的核心问题是建立合理的电价机制。随着中国电力生产由计划模式向市场模式的转变,以后如何进行电价预测是各方关注的重点。随着大数据和人工智能的蓬勃发展,机器学习理论成为新兴的预测方法。澳洲电力市场的电价制定方法与中国电改后的电价制定方法相似,因此本文采用澳大利亚电力市场的数据研究机器学习理论在电价预测方面的成效,希望为未来中国制定合理的电价提供思路。本文将澳大利亚新南威尔士州的电价市场按季节划分,研究每个季节电价的特点,最终确定需求作为模型的输入变量之一。为了更好的建立预测模型,本文用随机森林特征提取的方法选择每个季节的输入变量,剔除冗余信息。然后建立决策树、随机森林、支持向量机、BP神经网络和极限学习机五种模型、分季节预测新南威尔士州的电价。由于随机森林是从训练数据中随机挑选很多诀策树,组成一个森林。然后用该森林进行预测,选择票数最多的分类。这种集体预测的正确率高于决策树,因此可以将随机森林当成优化的决策树。与BP神经网络模型相比,极限学习机模型不需要更新权重和阈值,只需要设置隐藏层神经元个数,因此极限学习机是一种改进的神经网络。而支持向量机是比较主流的机器学习算法,用这五种模型预测电价,可以比较全面分析机器学习算法在电价预测领域的应用情况。从单一模型电价预测结果来看,BP神经网络和决策树在五种模型中的表现比较一般。BP神经网络有很好的泛化能力,也能处理电价这类非线性问题,但是它的训练时间长,在训练过程中容易得到局部最小值造成训练失败。决策树计算速度快,易于理解,但是预测结果容易过拟合。用随机森林预测电价在峰值的预测效果较好,随机性的引入使得随机森林有很好的抗噪声能力。支持向量机的泛化能力较差,而实际电价曲线起伏较大,结果显示支持向量机在峰值预测效果不理想。极限学习机计算速度快,调参简单,在电价预测方面有很大的研究空间。综合所有模型的预测结果,随机森林预测电价的精度明显优于其他模型。随机森林和极限学习机模型可以在新南威尔士州四季的电价预测中取得较好的结果。随机森林在秋季和冬季的电价预测效果比较好,极限学习机在春季和夏季的电价预测效果比较好。(本文来源于《华北电力大学(北京)》期刊2019-03-01）
杨淑霞,徐琳茜,刘达,韩奇,张丽[2]（2011）在《基于最大Lyapunov指数的市场出清电价预测》一文中研究指出应用相空间重构和最大Lyapunov指数的计算方法对市场出清电价序列特性进行判定。依据最大Lyapunov指数预报模式,构建基于一种新的出清电价预测模型。对某电力市场1999 01 01—1999 08 31的电价进行混沌时间序列判定,采用最大Lyapunov指数预报模型和AR(2)模型进行预测。研究结果表明:采用最大Lyapunov指数预报模型预测所得市场出清电价预测值与实际值的平均绝对误差率为7.234 7%,最大绝对误差率为17.017 5%;采用AR(2)模型预测预测所得市场出清电价预测值与实际值的平均绝对误差率为5.540 8%,最大绝对误差率为11.830 0%;总体上,最大Lyapunov指数预报模型预测结果的精度略比AR(2)模型预测结果的精度低,但绝对误差率大于6%的时点数少于AR(2)的预测数,这表明应用最大Lyapunov指数对出清电价进行预测具有可行性。(本文来源于《中南大学学报(自然科学版)》期刊2011年12期）
王萌,景志滨,孙兵,梁振飞[3]（2011）在《基于BP神经网络的短期市场出清电价预测》一文中研究指出在电力市场中,短期市场电价预测的准确与否,对发电厂的竞价决策具有关键性的影响。文章提出应用神经网络算法来模拟预测日前市场出清电价,以获取精确的预测结果,该方法可适用于原始数据有限的情况。利用电力系统历史负荷、历史清算电价、系统的旋转备用等影响因素作为分析因子,分析其对未来时段电力市场价格的影响,并对下一交易时段电价进行预测。以美国加利福尼亚州电力市场为背景,采用BP神经网络算法,应用MATLAB软件编程,建立电力市场清算电价短期预测模型。该模型结构为叁层神经网络,通过网络的反向传播过程不断修正模型中的神经元连接权值和阈值,充分发挥BP网络局部搜索能力强的优点,实现对未来24小时市场出清电价的有效预测,并针对美国加州实际电力市场价格数据进行训练和预测分析,结果表明该模型具有良好的预测效果。(本文来源于《中国电力教育》期刊2011年30期）
王耀霞[4]（2010）在《基于Hilbert-Huang变换和最小二乘支持向量机的电力市场出清电价预测》一文中研究指出随着世界各国电力工业改革的发展趋势,我国于20世纪90年代也开始了以打破垄断、引入竞争、放松管制为目标的电力市场化改革。如何合理制定相应的运营模式以及怎样根据电力市场的相关历史数据准确的预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义。而实际电力市场的出清电价数据具有很强的非平稳性,Hilbert-Huang变换是分析处理非平稳性信号数据非常有效的方法,本文应用Hilbert-Huang变换首先对电力市场出清电价数据进行平稳化处理,然后运用最小二乘支持向量机(LS-SVM)对处理后的数据进行预测。预测结果表明,此模型显着的提高了出清电价预测的精度。(本文来源于《电子测量技术》期刊2010年09期）
李艳[5]（2009）在《电力市场运营模式研究及其出清电价预测》一文中研究指出当今世界,电力工业体制正在发生深刻的变革,打破垄断、引入竞争,建立统一、规范、开放、有序、竞争的电力市场,成为发展的必然趋势。随着世界各国电力工业改革的发展趋势,我国于上世纪90年代也开始了以打破垄断、引入竞争、放松管制为目标的电力市场化改革。如何合理制定相应的运营模式以及怎样根据电力市场的相关历史数据准确的预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义。本文首先围绕建立区域电力市场交易模式的问题,进行了深入研究。在分析比较了世界上几个典型的电力市场交易模式后,提出了我国区域电力市场交易模式的选择原则,并对我国未来电力市场发展的方向和市场运营模式及可能实施的双边交易方式进行了分析与论述,为我国区域电力市场设计了批发竞争的市场模式。旨在对我国电力市场改革方向与运营方式及在未来市场中为参与者的最优竞价策略进行探索性研究。其次本文介绍了电力市场出清电价结算机制,论述了出清电价的形成过程,并分析了出清电价的影响因素。继而根据实际电力市场的出清电价数据对其变化特点和分布特征进行了研究,得出不同时段的出清电价时间序列特性不同,具有不同的变化趋势,提出了分时段预测出清电价的思路。接着对当前较常见的预测方法的优缺点进行了探讨后,提出了出清电价的预测模型。为了提高电价预测的精度,本文提出了以下两个方面的改进:1、在输入因素的选取上,选取更能表征或影响电价变化的因素作为输入向量;2、在输入因素预处理上,对输入向量进行处理使其更有规律性,更能表征电价的变化。本文采用最小二乘支持向量机建立了两个预测模型:1、利用相似搜索技术来生成训练集和输入变量,并对次日电价进行实例预测,取得了较好的效果。预测结果表明采用这种模型预测采用相似搜索技术处理后,预测的效果比传统的方法有较大的提高。2、提出采用小波变换和最小二乘支持向量机相结合的电价预测模型。选择合适的小波基和分解尺度,将电价序列分解成一个低频分量和多个高频分量,从而进行电价特征的提取。利用所获得的电价各分量,对电价各分量分别建立最小二乘支持向量机预测模型,最后汇总迭加各分量预测结果得到最终的预测电价。实验结果表明,此模型显着的提高了出清电价预测的精度。(本文来源于《兰州理工大学》期刊2009-05-18）
张明光,李艳[6]（2009）在《基于最小二乘支持向量机的电力市场出清电价预测方法》一文中研究指出针对神经网络存在结构较难确定,训练易陷入局部最小等问题,提出将最小二乘支持向量机和相似搜索用于预测出清电价。该方法对相似搜索得到的相似负荷日的数据用最小二乘支持向量机建立预测模型,采用美国New England ISO的真实数据做验证,结果表明该方法比BP神经网络有更高的预测精度,是一种有效的预测方法。(本文来源于《电子测量技术》期刊2009年01期）
王高琴,沈炯,李益国[7]（2007）在《基于聚类和贝叶斯推断的市场出清电价离散概率分布预测》一文中研究指出电力市场中,市场出清电价(market clearing price,MCP)受到众多因素的共同作用,具有较强的随机性和不确定性,常规的MCP单值预测模型未充分利用历史数据反映的不确定性信息,预测结果无法体现MCP的随机变化特性,预测精度也有限。该文提出一种基于免疫遗传机制的聚类方法,用以实现历史数据输入输出映射关系的划分,并结合贝叶斯概率法则建立MCP离散概率分布的预测模型。对美国PJM市场数据的仿真结果显示,该文的预测模型能较好地反映MCP的不确定性特点,且具有较高的预测精度。(本文来源于《中国电机工程学报》期刊2007年34期）
张丽[8]（2007）在《市场出清价规律分析与预测》一文中研究指出出清电价直接决定了发电商的上网电量,同样也在一定程度上影响用电客户的需求量。因此对于出清价规律研究与预测具有重要意义。本文首先介绍了电力市场交易模式及出清价结算机制,论述了出清价的形成过程,并分析出清价的影响因素。继而根据实际电力市场出清价数据对其变化特点和分布特征进行了研究。针对分时段出清价具有不同的趋势变化研究得出不同时段、不同时间长度的出清价时间序列特性不同。接着通过混沌理论分析证实单一顺序的出清价序列的演化过程具有混沌特性,并基于Lyapunov指数的预报模式进行预测。文章最后,运用非参数计量经济学对出清价预测进行建模分析,并通过对实际电力市场出清价进行预测,证实了预测方法的适用性。(本文来源于《华北电力大学（北京）》期刊2007-03-01）
柯于刚[9]（2007）在《基于区域电力市场的市场出清电价预测》一文中研究指出电力市场环境下,电价是整个市场的核心内容,市场参与各方都迫切需要准确的电价预测方法。对于发电商而言,如果能够较准确地预测次日的市场清算电价,将有助于其构造最优投标策略,以获取最大利润。从购电方来看,边际电价构成了它的单位购电成本,边际电价的预测使自身的动态成本控制成为可能;从市场监管者的角度看,边际电价的预测可为市场健康、稳定、有序地竞争和发展以及各种电价政策的制定提供科学依据。所以,边际电价预测对于电力市场中的各个参与者都具有重要意义,已成为电力市场重要组成部分,本文以实际电力市场为背景,研究该区域市场出清电价变化规律,为某电厂的报价策略提供依据。本文主要研究基于区域电力市场的市场出清电价预测,提出了以下叁种电价预测模型:⑴基于混沌递阶遗传BP神经网络电价预测模型。该模型针对BP神经网络本身存在的缺点进行了改进,提高了预测精度;⑵利用混沌递阶遗传BP神经网络算法对一元线性回归,多项式拟合和AR模型进行组合预测的预测模型。实例证明,该方法与基于BP神经网络组合预测模型相比,能提高组合预测精度;⑶将免疫聚类算法和模糊神经网络结合起来,建立电价预测模型。经实例验证,该方法预测效果好。文中详细介绍了以上叁种模型的原理及其对现有模型的改进,通过实例分析验证了算法的有效性和实用性。在本文的第六章,介绍了为提高预测精度可采用的几种措施,文章最后进行了总结,并提出了该领域需要进一步研究的问题。(本文来源于《上海交通大学》期刊2007-02-01）
左幸,马光文,梁武湖,吴世勇,涂扬举[10]（2006）在《基于人工免疫系统小波网络的电力市场出清价预测》一文中研究指出市场出清价具有非线性和多时间尺度的特性,而小波网络具有多分辨和非线性逼近的功能。为此,采用人工免疫系统优化小波网络各个参数,用优化后的小波网络来描述市场出清价的变化规律并对次日市场出清价进行预测。研究结果表明,人工免疫系统小波网络预测精度较高,具有广阔的应用前景。(本文来源于《水力发电》期刊2006年01期）
市场出清价预测论文开题报告
（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：
应用相空间重构和最大Lyapunov指数的计算方法对市场出清电价序列特性进行判定。依据最大Lyapunov指数预报模式,构建基于一种新的出清电价预测模型。对某电力市场1999 01 01—1999 08 31的电价进行混沌时间序列判定,采用最大Lyapunov指数预报模型和AR(2)模型进行预测。研究结果表明:采用最大Lyapunov指数预报模型预测所得市场出清电价预测值与实际值的平均绝对误差率为7.234 7%,最大绝对误差率为17.017 5%;采用AR(2)模型预测预测所得市场出清电价预测值与实际值的平均绝对误差率为5.540 8%,最大绝对误差率为11.830 0%;总体上,最大Lyapunov指数预报模型预测结果的精度略比AR(2)模型预测结果的精度低,但绝对误差率大于6%的时点数少于AR(2)的预测数,这表明应用最大Lyapunov指数对出清电价进行预测具有可行性。
（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。
市场出清价预测论文参考文献
[1].黄晗.新南威尔士州日前市场出清电价预测研究[D].华北电力大学(北京).2019
[2].杨淑霞,徐琳茜,刘达,韩奇,张丽.基于最大Lyapunov指数的市场出清电价预测[J].中南大学学报(自然科学版).2011
[3].王萌,景志滨,孙兵,梁振飞.基于BP神经网络的短期市场出清电价预测[J].中国电力教育.2011
[4].王耀霞.基于Hilbert-Huang变换和最小二乘支持向量机的电力市场出清电价预测[J].电子测量技术.2010
[5].李艳.电力市场运营模式研究及其出清电价预测[D].兰州理工大学.2009
[6].张明光,李艳.基于最小二乘支持向量机的电力市场出清电价预测方法[J].电子测量技术.2009
[7].王高琴,沈炯,李益国.基于聚类和贝叶斯推断的市场出清电价离散概率分布预测[J].中国电机工程学报.2007
[8].张丽.市场出清价规律分析与预测[D].华北电力大学（北京）.2007
[9].柯于刚.基于区域电力市场的市场出清电价预测[D].上海交通大学.2007
[10].左幸,马光文,梁武湖,吴世勇,涂扬举.基于人工免疫系统小波网络的电力市场出清价预测[J].水力发电.2006