基于遗传算法和径向基函数神经网络的短期边际电价预测

文章分析了影响电价的主要因素及电价的变化特点,讨论了电价预测模型中必需引入的影响电价的因素。在比较常用的几种电价预测方法的优缺点后,作者采用径向基函数神经网络(radial basis function neural networks,RBF)建立短期边际电价预测模型,用递阶遗传算法(HGA)同时训练RBF网络结构和参数。并以美国New England ISO公布的2002年历史电价数据进行训练和测试,与传统的BP网络预测模型相比较, 测试结果证明该模型的预测精确度是令人满意的。

混合式短期边际电价预测模型

提出以动态聚类和 BP神经网络来预测短期边际电价 ,以样本数据与聚类中心的距离最小为标准 ,通过动态聚类方法将所有样本数据划分到多个类别中 ,对不同类别的样本数据分别建立具有相同拓扑结构、不同神经元连接权值和阈值的 BP神经网络模型 ,通过 BP神经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 ,实现对短期边际电价的合理预测 ,以 America PJM(美国宾夕法尼亚州、新泽西州和马里兰州 )公布的 1 999年数据进行模型训练和测试 。

基于混合粒子群算法和NRBF神经网络的短期电价预测

提出一种混合粒子群算法,在局部邻近区域的粒子群算法中引入收缩因子和被动聚集,将最邻近聚类用于NRBF神经网络的参数确定中,采用混合粒子群算法优化最近邻聚类的聚类半径,从而确定NRBF神经网络的参数,提高了NRBF神经网络的泛化能力。以美国PJM电力市场公布的2006年负荷与电价数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。