基于粒子群-神经网络的电价预测与水电厂报价策略研究

摘要

电力工业的市场化改革是当前世界电力工业的发展趋势。电价是电力市场环境下调节电力交易的经济杠杆,关系到所有电力市场参与者的利益。准确的电价预测是实现策略性报价的基础,是发电企业参与市场竞争、降低风险的关键。随着我国电力市场化进程的加快,实现电力市场环境下发电厂的策略性报价已成为关系到发电厂效益及生存的重要问题。本文针对水电厂竞价上网时的电价预测与报价策略关键问题进行研究。 本文对电价的形成及影响电价的因素进行了分析,研究了我国电力市场电价在周期性、工作日和周末电价变化规律的差异、负荷大时电价波动和“价格钉”出现规律等方面的特点,提出了根据电价变化特点与规律合理选择预测模型和算法,以提高电价预测精度的方法。 利用神经网络具有高度非线性拟合能力、可在训练过程中根据输入数据的改变调整权重系数实现对数据变化快速反应的特点,结合粒子群优化方法善于随机全局寻优的优点,论文研究中将两种算法相结合,采用3层感知机神经网络构建了粒子群-BP神经网络的电价预测模型,通过Matlab7.0中的神经网络工具箱(Neural Network Toolbox)编程实现。神经网络训练时引入粒子群优化算法对其连接权值进行优化,利用粒子群算法进行粗精度的学习以确定初值,再采用BP神经网络完成给定精度的学习。预测实例证明该模型有良好的预测效果,解决了传统方法对周末电价预测需要单独建模的问题,具有预测准确、适应性强等优点。 通过对电价与负荷的相关性分析,发现电价与负荷并不是在任何时段都呈现强相关。本文对电价预测模型进行改进,将相关系数引入模型,做为判断是否将负荷因素加入输入样本的阈值。在负荷与电价相关性强、相关系数大的时候引入负荷因素做为输入样本,增强了模型对电价波动的敏感性。实际算例表明,改进后的电价预测模型提高了粒子群-BP神经网络算法的预测精度,对波动较大的周末电价和“价格钉”都有很好的预测效果,有效解决了电力市场中短期边际电价预测的问题。改进后模型与混沌理论模型和灰色理论模型相比较,具有迭代次数少、预测精度高等明显优势。 在预测电价的基础上建立了水电厂的报价策略模型,并利用遗传算法对模型进行求解。该模型考虑了水电厂的各种约束条件,通过合理分配水电厂各交易时段的出力,达到售电利润最大化的目的。计算结果表明,得到的报价策略能够显著增加水电厂的发电收益。

目录

文摘

英文文摘

声明

1绪论

1.1本文研究的背景及意义

1.1.1世界电力市场化改革的现状与发展

1.1.2我国电力市场化改革的现状与发展

1.1.3本文研究的目的和意义

1.2国内外研究现状

1.2.1发电公司报价策略的研究现状

1.2.2电价预测研究现状

1.2.3本文的主要目的和内容

2电价与电价预测

2.1电力市场下的电价

2.1.1电价的形成

2.1.2影响电价的因素

2.2短期边际电价理论

2.2.1边际电价机制原理

2.2.2短期边际电价的定价过程

2.3电价预测

2.3.1电价预测的特点及分类

2.3.2电价预测的意义

2.3.3提高预测精度的方法

2.4本章小结

3基于粒子群优化的BP神经网络

3.1 BP神经网络简介

3.1.1人工神经网络的特点和基本原理

3.1.2 BP神经网络与BP学习算法

3.1.3人工神经网络用于电价预测

3.1.4 BP神经网络的主要不足与改进

3.2粒子群算法

3.3粒子群优化的BP神经网络

3.3.1算法设计

3.3.2算法实现

3.4本章小结

4基于粒子群-BP神经网络的短期电价预测

4.1数据的选取和预处理

4.2模型的建立

4.3程序实现

4.4预测实例及结果分析

4.5本章小结

5引入相关系数的边际电价预测模型

5.1相关分析概述

5.1.2相关分析的数据要求

5.1.3相关系数及其算法

5.2电价与负荷的相关性

5.2.1电价相对平稳时的分析

5.2.2电价波动较大时的分析

5.3引入相关系数的预测模型

5.3.1模型结构

5.3.2参数设置

5.3.3预测实例

5.4粒子群-BP神经网络模型与其他模型的比较

5.4.1粒子群-BP神经网络模型与混沌理论模型的比较

5.4.2粒子群-BP神经网络模型与灰色理论模型的比较

5.5本章小结

6电力市场环境下基于电价预测的水电厂报价策略研究

6.1基于预测电价的报价策略模型

6.2遗传算法模型介绍

6.3模型实现

6.3.1报价策略实现流程

6.3.2遗传算法的实现

6.4实际算例和结果分析

6.5本章小结

7结论与展望

7.1本文结论

7.2展望

致谢

参考文献

发表论文