HUNANUNIVERSITY畢業(yè)論文論文題目基于人工神經(jīng)網(wǎng)絡(luò)的日前電力市場電價預(yù)測學(xué)生姓名學(xué)生學(xué)號專業(yè)班級學(xué)院名稱指導(dǎo)老師學(xué)院院長2015年6月1日摘要電力行業(yè)在國民經(jīng)濟(jì)中有著舉足輕重的地位，在當(dāng)前世界經(jīng)濟(jì)高速發(fā)展的背景下，電力市場化成為電力行業(yè)改革的必然趨勢。世界各國相繼開展電力市場改革,我國的電力工業(yè)也面臨著電力市場改革的挑戰(zhàn),同時也是我國電力行業(yè)發(fā)展的機(jī)遇。電價的研究是電力市場改革的核心內(nèi)容,是目前電力工業(yè)研究的重點(diǎn)。電價預(yù)測作為電價研究的重要組成部分，逐漸成為各國學(xué)者研究的熱點(diǎn)。本文就電價預(yù)測做了詳細(xì)的介紹，首先介紹了國內(nèi)外電力市場化進(jìn)程以及電力市場的基本知識。隨后對電價和電價預(yù)測分別做了詳細(xì)介紹，包括它們基本原理和影響因素，以及電價預(yù)測的實現(xiàn)方法等等。本文采用的電價預(yù)測方法是BP神經(jīng)網(wǎng)絡(luò)預(yù)測法，通過構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)電價預(yù)測。利用仿真軟件MATLAB實現(xiàn)了對PJM電力市場日前電價的預(yù)測，實現(xiàn)過程中采用Levenberg-Marquardt算法對BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，提供了一種更有效更準(zhǔn)確的預(yù)測手段。關(guān)鍵詞：電力市場；電價預(yù)測；BP人工神經(jīng)網(wǎng)絡(luò)AnArtificialNeuralNetworkApproachForTheDayAheadShort-TermElectricityPricesForecastingAbstractTheelectricpowerindustryhasplayedadecisiveroleinthenationaleconomystatusintheworld,inthecontextofrapideconomicdevelopment,electricitymarkethasbecameaninevitabletrendinthereformofpowerindustry.Manycountriesoftheworldhavebeencarryingoutthereformofelectricpowermarket.ThepowerindustryofourcountryisalsofacingthechallengeofthereformoftheelectricitymarketwhichisalsoanopportunityofChina'spowerindustrydevelopment.Thepriceisthecorecontentofthereformoftheelectricitymarket,isthefocusofcurrentresearchoftheelectricpowerindustryaswell.Asanimportantpartofelectricitypriceforecastingresearch,ithasgraduallybecamearesearchhotspot.Inthispaper,theelectricitypriceforecastingisintroducedindetail,firstlyintroducingthebasicknowledgeofpowermarketanditsdomesticandforeigndevelopment.Thenthepriceandpriceforecastingareintroducedindetail,includingtheirbasicprincipleandinfluencefactors,andpriceforecastingmethodetc..PriceforecastingmethodusedinthispaperisthepredictionmethodofBPneuralnetwork,throughtheimplementationofpriceforecastingconstructionofthreelayerBPneuralnetwork.ThesimulationsoftwareMATLABisadoptedtorealizethepredictionofthePJMelectricitymarketpricerecently.Intheprocessofrealizingit,theLevenberg-MarquardtalgorithmisusedtoimproveBPneuralnetworkalgorithm,andprovidesamoreeffectivemeansofpredictionwithmoreaccuracy.KeyWords：Theelectricpowermarket;Electricitypriceforecasting;BPArtificialneuralnetwork目錄TOC\o"1-3"\h\u51011緒論 頁電價預(yù)測在電力市場中的意義在市場條件下,電價能夠權(quán)衡電力市場各方參與者的利益,使得市場參與者各方得利益達(dá)到均衡最大化的同時，而且還能反應(yīng)和調(diào)節(jié)市場供求關(guān)系,有效地減少網(wǎng)絡(luò)堵塞和資源浪費(fèi)。市場參與者的利益基本上由電力系統(tǒng)各個環(huán)節(jié)的電價決定，電價是不斷變化的，投資者需要根據(jù)不同的市場情況對未來的投資方向作出判斷，那么對未來電價的準(zhǔn)確判斷，能極大地提高投資者決策正確性，在激烈的競爭中脫穎而出。另外，由于電價的隨機(jī)性波動很頻繁給電力市場帶來電價風(fēng)險不可避免，存在一定的缺陷。短期電價預(yù)測對于電力市場穩(wěn)定運(yùn)行以及電力市場的各方參與者的利益保障具有不可替代的價值和意義。雖然由于各個國家的國情不同，會確定不同的電力市場改革方向和制定不同的價格機(jī)制。但是，對短期電價交易的密切關(guān)注和分析無一例外的都是重中之重,短期電價反映的是即時即地的電價情況，通過對短期電價的分析，可以讓我們對此后的決策進(jìn)行調(diào)整。因此,研究電力市場的日前電價預(yù)測就成了電力市場短期電價交易中的重要環(huán)節(jié)[12]。電價及電價預(yù)測基本理論電價的基本理論電價的功能及特點(diǎn)價格是消費(fèi)者關(guān)注的重點(diǎn)能引導(dǎo)人們的消費(fèi)，是市場競爭的核心，是供求雙方聯(lián)系的樞紐。電力行業(yè)作為國民經(jīng)濟(jì)基礎(chǔ)行業(yè)，關(guān)系到民生，經(jīng)濟(jì)等各個方面，電能作為商品的一種，具有一般的商品屬性，是以價格衡量作為交換手段的。但是電能的特殊屬性又使它具有一定的的特殊性，首先電能的生產(chǎn)輸送使用同時進(jìn)行，不能大規(guī)模長期存儲，產(chǎn)供銷同時完成時要求達(dá)到瞬時平衡。電力行業(yè)作為資金和技術(shù)密集統(tǒng)一產(chǎn)業(yè)的一種，電能需要以為用戶提供優(yōu)質(zhì)服務(wù)為基礎(chǔ)，其價格的制定必須在相關(guān)部門的嚴(yán)格監(jiān)督下按明確地規(guī)定原則計算，還應(yīng)保證公平公正杜絕區(qū)別對待[13]。下面具體介紹電價的重要性和功能:電價與電能生產(chǎn)成本掛鉤，是電能生產(chǎn)正常有序進(jìn)行，電力工業(yè)的發(fā)展受到政治經(jīng)濟(jì)的直接影響，電能總的固定成本受到各方因素影響不能簡單的相加。保證有一定資金作為再生產(chǎn)和擴(kuò)大生產(chǎn)的投資。這是電力工業(yè)健康穩(wěn)定可持續(xù)發(fā)展的基礎(chǔ)。調(diào)節(jié)功能。電價應(yīng)當(dāng)具有調(diào)節(jié)功能，引導(dǎo)發(fā)電廠發(fā)電和用戶用電情況，避免資源浪費(fèi)和提高電能質(zhì)量。在電力系統(tǒng)用電高峰期接近電力生產(chǎn)的極限，原機(jī)組不滿足用戶需求必須啟用調(diào)峰機(jī)組，使生產(chǎn)成本成倍增加。在高峰期可以通過提高電價，發(fā)電廠會根據(jù)電價提高高峰期發(fā)電計劃，而電力用戶會選擇盡量躲開高峰期用電；在用電低谷時段的情況與高峰期正好相反，降低電價，降低發(fā)電量，鼓勵用電。達(dá)到避免電力資源浪費(fèi)，降低電力系統(tǒng)的容量大幅震蕩，怎前電力系統(tǒng)穩(wěn)定性的目的[14]。通過觀察和實驗分析，我們可以總結(jié)出電價的特點(diǎn)：波動性，通過對美國PJM電力市場一天24個時間點(diǎn)的觀察，可以看出電價變化具有很明顯的波動性，用電高峰期電價明顯較高；周期性，從連續(xù)電價曲線圖可以看出，電價是以日為周期循環(huán)變化的具有明顯的日周期性；跳躍和價格尖峰性，電價曲線具有一些價格尖峰和價格跳躍點(diǎn)出現(xiàn),且很難對它們進(jìn)行預(yù)測，這是由特殊影響因素出現(xiàn)造成的[15]。電價的形成機(jī)制電價是電能的價值衡量標(biāo)準(zhǔn),它的形成過程貫穿于電力網(wǎng)絡(luò)的開始與結(jié)束。電價信息是市場參與者最關(guān)心的信息之一，電價具有一般價格的共性,但電能作為生產(chǎn)生活的必需品，以及電能的特殊屬性,電價又具有一定的特殊性:發(fā)電備用容量、及時的信息反饋以及提前進(jìn)行交易,電價的形成是兩種因素相互作用的結(jié)果[16]。在介紹電價的形成機(jī)制即電價的基本計算方法，最常用的計算方法如下：(l)綜合成本法:基于電力企業(yè)的收支平衡。綜合成本法是一種成本分配機(jī)制，將未來電價所需的全部成本分配給各個用戶,其中容量成本和電量成本進(jìn)行平均分配。長期成本法:長期一般是指5一10年時間范圍,將電力系統(tǒng)發(fā)展規(guī)劃和運(yùn)行考慮在內(nèi)。長期成本法對外部市場環(huán)境有較強(qiáng)的敏感性,對未來規(guī)劃發(fā)展提供有效的引導(dǎo),方便用戶正確的選擇性用電,是目前最常用的定價方法。實時電價法:實時電價法依靠實時的電力系統(tǒng)數(shù)據(jù)和電力運(yùn)營的情況,在規(guī)定時間段內(nèi)公布的電力邊際成本價格，適用于短期競價上網(wǎng)電價計算中[17]。電價的制定及分類電價的制定在電價的制定過程中，發(fā)電商需要考慮到方方面面的因素，保障電力用戶的利益。對于企業(yè)，應(yīng)保障其在生產(chǎn)和擴(kuò)大生產(chǎn)的需求，但不能使其獲得暴利。針對不同類型的用戶，需采用不同的制定標(biāo)準(zhǔn)，應(yīng)嚴(yán)格遵守公平公正的原則，一視同仁，以下是三種基本的制定電價方式：政府定價方式顧名思義，它是由政府嚴(yán)格控制，具體分為兩種：最高限價和成本加成。最高限價方式市政府部門按上年度的電量與收入情況，決定下年度的電價;成本加成方式根據(jù)運(yùn)營成本和回報情況制定電價。缺點(diǎn)是不能及時反映真實電價。協(xié)議定價方式通過買賣雙方簽訂購銷協(xié)議,在合同中規(guī)定交易電價,加大了電價的不透明性，一般用電大戶或特定的用戶大多采用這種方式。市場定價方式在電力市場環(huán)境下，由于引入競爭對外開放，形成的一種電價方式,市場電價方式又分為同價競爭和報價競爭兩種。同價競爭指的是有一方定價的情況下，其他方競爭，定價方可以是買方也可以是賣方，也有由第三方定價的情況。報價競爭是指交易雙方各自報價，再由另一方選擇，即買方賣方報價中首先選擇價格低的合作，賣方根據(jù)多個買方報出價格優(yōu)先為高價者供電[18]。電價制定的原則電力工業(yè)的發(fā)展現(xiàn)狀，對電價的制定有很大影響。目前，我國的電力行業(yè)正處于高速發(fā)展時期，電力工業(yè)作為國民經(jīng)濟(jì)發(fā)展的基礎(chǔ)行業(yè)，需要大力發(fā)展，保障我國經(jīng)濟(jì)快速發(fā)展，在電價制定的時候應(yīng)考慮大量的電力投資和建設(shè)。應(yīng)遵循的原則有：①合理補(bǔ)償原則②合理收益原則③依法計稅原則④公平負(fù)擔(dān)原則等電價的分類電價是集發(fā)、輸、配、售各個環(huán)節(jié)電價為一個整體的完整體系。按照電能生產(chǎn)輸送分配消費(fèi)的過程，我們對以下幾種電價進(jìn)行分析：①上網(wǎng)電價:是購電商從發(fā)電企業(yè)購電時的結(jié)算價格。上網(wǎng)電價形成方式有競價形成方式或雙方協(xié)商形成方式,上網(wǎng)電價包括了發(fā)電的成本、市場參與者的盈利以及法律規(guī)定的價內(nèi)稅等。②輸電電價與配電電價：輸配網(wǎng)擁有者提供輸配電服務(wù)的價格。在輸配售三個環(huán)節(jié)沒分開的情況下，不獨(dú)立核算,一般一并向用戶收取。輸配電價格同樣包括了發(fā)電的成本、市場參與者的盈利以及法律規(guī)定的價內(nèi)稅等③銷售電價：向用戶售電價格,即用戶電價,是電能流通全過程發(fā)生的費(fèi)用在用戶間分?jǐn)偟膬r格[19]。影響電價的因素電價受到電力市場內(nèi)外各種因素的影響，在電價預(yù)測中，主要考慮以下幾個重要因素：政策的影響：電力行業(yè)作為一個相對壟斷性的公用性服務(wù)行業(yè),關(guān)系到國民經(jīng)濟(jì)、人民生活的方方面面，牽一發(fā)而動全身，對其他行業(yè)的影響頗大,因此受到國家政策的宏觀調(diào)控。電價太高會引起其他產(chǎn)品的價格上漲，政府需從宏觀上進(jìn)行調(diào)整，不能只依靠市場的調(diào)節(jié)。社會費(fèi)用的影響:電費(fèi)除供電公司的電力成本和利潤外,還包括在電價外收取的其他費(fèi)用,如人員工資、設(shè)備、相關(guān)機(jī)構(gòu)費(fèi)用等。一次能源的價格也會影響電價，如煤、石油、天然氣等歷史電價的影響:電價在一定時間段內(nèi)具有較強(qiáng)聯(lián)系,尤其相鄰時間段的同一時刻的電價,電價預(yù)測很多方法就是通過這種聯(lián)系進(jìn)行預(yù)測的。負(fù)荷的影響:通過負(fù)荷曲線和電價曲線的分析，可也看出，電價曲線除了有一些尖峰尖谷外，整體走向與負(fù)荷曲線大致相同。如下圖所示：發(fā)電商報價影響:發(fā)電商的報價曲線決定了供給側(cè)信息,因此對電價也有較大的影響,價格尖峰出現(xiàn)的主要原因就是發(fā)電商的策略性報價,且發(fā)電商的報價很難量化。時段因素:同一日電不同時段，電價會有加大差異，如用電低谷時斷電價明顯低于用電高峰時段電價；不同日的不同時段電價也會存在差異，工作日電價通常高于雙休日電價。還有其他一些因素影響電價的高低，如突發(fā)的重大事件和洪水、臺風(fēng)等自然災(zāi)害也對電價有較大影響。歷史電價、負(fù)荷、時段等是我們做電價預(yù)測時，著重考慮的影響因素[20]。電力市場中電價預(yù)測的研究電價預(yù)測的基本原理電價預(yù)測是利用預(yù)測原理，在充分考慮各種影響電價因素因素前提下,通過對歷史電價的開發(fā)處理研究，建立與未來電價聯(lián)系的數(shù)學(xué)模型,然后利用建立的模型對未知電價進(jìn)行一定精度的預(yù)測。從以上的電價預(yù)測理論可以知道，通過是歷史數(shù)據(jù)推測未來電價的發(fā)展趨勢,必須滿足以下原理:1)可知性：電價預(yù)測的基礎(chǔ)是未來電價是可以被人們所知的,我們可以通過對過去和現(xiàn)在的電價推測出未來電價的趨勢。盡管預(yù)測有一定的誤差。2)可能性：從前文中知道電價受到很多因素的影響,這些因素將導(dǎo)致未來電價有很多可能性,我要做的是在考慮眾多因素的前提下，做出一種可能性的推測。3)延續(xù)性：電價的變化過程是一個連續(xù)完整的過程,在這不間斷的過程中受到各種因素影響的痕跡和聯(lián)系就是我們預(yù)測未來電價的依據(jù)。4)相似性：預(yù)測的過程就是從不同時期數(shù)據(jù)中提取相似性的過程。相似性就是客觀存在的事物之間的運(yùn)行規(guī)律和事物之間的聯(lián)系。研究電價不同時期的發(fā)展?fàn)顩r的相似之處,來預(yù)測電價未來的狀況,即電價預(yù)測的相似性原理。5)反饋性：由于影響電價的因素眾多，預(yù)測誤差不可避免,我們建立的模型通過預(yù)測誤差的反饋來修正模型和參數(shù),減小預(yù)測誤差的過程就是不斷地反饋調(diào)節(jié)的過程。6)系統(tǒng)性：即要求我們預(yù)測的電價是一個完整的系統(tǒng)，必須知道過去和現(xiàn)在的數(shù)據(jù)。電價預(yù)測的分類電價預(yù)測根據(jù)預(yù)測點(diǎn)、預(yù)測時間、預(yù)測內(nèi)容有以下三種分類方法。(l)按預(yù)測點(diǎn)分類可以分為統(tǒng)一出清電價預(yù)測，通常電價預(yù)測都是對系統(tǒng)的統(tǒng)一出清電價的預(yù)測，此外還有區(qū)域邊際電價預(yù)測和節(jié)點(diǎn)邊際電價預(yù)測兩種[21]。(2)按預(yù)測時間分類根據(jù)預(yù)測目標(biāo)和歷史電價數(shù)據(jù)利用情況，可以分為短期和中長期兩種。短期電價預(yù)測指的所要預(yù)測的時間段較短，可以是未來一小時電價或者未來一天的電價一般不超過未來一周電價的情況,本文研究的是日前電價預(yù)測。短期電價預(yù)測能用來報價策略,減少風(fēng)險等。中長期電價預(yù)測與短期點(diǎn)擊預(yù)測所預(yù)測時間段明顯要長很多，一般是未來一月或一季度的電價趨勢，甚至?xí)ξ磥硪荒甑碾妰r進(jìn)行預(yù)測。中長期電價預(yù)測用作計劃的制定和投資參考,為監(jiān)管部門提供客觀監(jiān)管依據(jù)，由于準(zhǔn)確度較低，目前研究較少[22]。(3)按預(yù)測內(nèi)容分類可以分為兩種，其中一種是確定性預(yù)測，它運(yùn)用于短期電價預(yù)測,能明確的給出一個電價數(shù)值;另一種空間分布預(yù)測是利用統(tǒng)計學(xué)原理對未來電價的可能范圍進(jìn)行推斷或給出一個數(shù)據(jù)作為電價均值,空間分布預(yù)測運(yùn)用于中長期電價預(yù)測[23]。電價預(yù)測的基本步驟確定預(yù)測工作具體步驟是科學(xué)的電價預(yù)測的前提,只有科學(xué)有效電價預(yù)測工作步驟,才能保證電價預(yù)測具有較高的準(zhǔn)確性。一般步驟如下：利用模型實現(xiàn)預(yù)測利用模型實現(xiàn)預(yù)測結(jié)果評價與分析確定預(yù)測目標(biāo)和內(nèi)容資料分析及處理歷史數(shù)據(jù)收集系統(tǒng)內(nèi)因素的獲取選取預(yù)測方法和模型建立模型數(shù)據(jù)預(yù)處理模型參數(shù)識別模型是否符合要求？電價預(yù)測的研究現(xiàn)狀通過前問我們知道了電價在電力市場中的作用，以及電價預(yù)測時研究電價不可忽視的重要組成部分。電價預(yù)測逐漸成為我們關(guān)注的重點(diǎn)，成為目前的研究熱點(diǎn)之一。準(zhǔn)確的電價預(yù)測有利于合理的安排選擇電價用電時段，制定更加全面的電價方案，為電價政策的制定提供前期準(zhǔn)備，為我國電力市場健康運(yùn)行提供保障等等。目前國內(nèi)外研究較多的電價預(yù)測方法大致可以分為以下四種。時間序列預(yù)測法運(yùn)用時間序列法預(yù)測電價的關(guān)鍵是確定歷史電價與將來的電價存在相互依賴所包含的信息。由于電價具有非平穩(wěn)序列特性,對電價預(yù)測精度的影響有較大影響,所以利用時間序列法預(yù)測主要難點(diǎn)是怎樣有效的去除非平穩(wěn)序列是電價,我們知道電價具有均值回復(fù)、較強(qiáng)波動性、跳躍和價格尖峰、周期性等特點(diǎn)[24]。時間序列法的優(yōu)點(diǎn)是能夠知道模型當(dāng)中不同分量的物理含義,模型簡單明了,不需要推導(dǎo)龐大的歷史數(shù)據(jù)進(jìn)行,工作量小,計算效率高;缺點(diǎn)主要是影響電價的因素眾多，時間序列法未能充分考慮歷史電價數(shù)據(jù)以外因素的影響,預(yù)測的精度不高;難點(diǎn)是模型的選擇,由于影響電價的因素較多,并且一些因素不能量化,所以很難準(zhǔn)確的建立模型[25]。人工神經(jīng)網(wǎng)絡(luò)預(yù)測法人工神經(jīng)網(wǎng)絡(luò)是通過模擬大腦結(jié)構(gòu),來處理非線性以及多變量問題,不需要建立復(fù)雜的數(shù)學(xué)模型，可以大大簡化問題。電價具有非平穩(wěn)性的特點(diǎn),用一般的數(shù)學(xué)模型很難建立起預(yù)測模型,這種結(jié)構(gòu)在電價預(yù)測得到很好利用，獲得國內(nèi)外許多學(xué)者的認(rèn)可。這種結(jié)構(gòu)可以通過學(xué)習(xí)訓(xùn)練找到歷史電價數(shù)據(jù)之間的規(guī)律,從而對未來電價進(jìn)行一個預(yù)測推導(dǎo)，具有較強(qiáng)泛化能力。BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型是研究的較早的一種神經(jīng)網(wǎng)絡(luò),雖然有較大的誤差,但是經(jīng)過了專家學(xué)者的不斷地發(fā)展和完善,在電價預(yù)測方面取得很好效果，為之后方法起到了一個指導(dǎo)性作用。目前,國內(nèi)外一些專家學(xué)者以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)發(fā)展完善的神經(jīng)網(wǎng)絡(luò)電價預(yù)測研究有很多,都取得了一定的成果。基于小波理論的預(yù)測方法小波分析技術(shù)是一種基于復(fù)變函數(shù)的的信號分析技術(shù),原理是利用傅里葉變換將信號分解到時域和頻域上,從中提取有效信息,然后對其進(jìn)行分析。它對具有突變性和短時性的信號的分析處理有很好的效用。以下是幾種實現(xiàn)方式：基于小波理論神經(jīng)網(wǎng)絡(luò)預(yù)測主要特點(diǎn)是將傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)當(dāng)中所用到的傳遞函數(shù)用小波函數(shù)代替,神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值參數(shù)則分別用小波尺度和平移參數(shù)替代[26]。小波分析法的優(yōu)點(diǎn)是對波動性大、不穩(wěn)定的時段的電價預(yù)測有一定的應(yīng)用效果;但是,模型只考慮了歷史電價作為影響因素,目前還不能將其它影響因素引入到電價預(yù)測中。組合預(yù)測法在電價預(yù)測過程中，利用單一的預(yù)測模型往往很難達(dá)到滿意的效果,通過對不同預(yù)測模型優(yōu)缺點(diǎn)的分析，優(yōu)點(diǎn)互補(bǔ)、博采眾長的采用多個預(yù)測模型,達(dá)到優(yōu)化預(yù)測的效果,這就是組合預(yù)測。組合預(yù)測模型是預(yù)測方法上的一種進(jìn)步,一些組合確實可以提高預(yù)測的精度,但是并不是任意組合均能提高預(yù)測效果,我們需要在實際應(yīng)用當(dāng)中去檢驗、分析才能夠判斷這種模型在實際問題中是否有效。預(yù)測誤差分析電價預(yù)測是通過建立模型對未來電價的推測,預(yù)測電價與未來實際電價之間的誤差是不可避免的。誤差的大小決定預(yù)測電價的準(zhǔn)確性,誤差分析方法對電價預(yù)測研究有著非常重要的意義。(1)產(chǎn)生誤差原因1)在建立模型時只考慮了影響電價的主要因素，而忽略了其他的一些因素，這樣的簡化模型必然導(dǎo)致預(yù)測誤差。2)影響電價的因素不是一成不變的，根據(jù)不同情況選擇影響因素建立的模型是不同的,沒有選擇合適的預(yù)測模型就會導(dǎo)致較大誤差。3)有些影響電價的因素是不能量化的,在電價預(yù)測的過程中只能忽略,這也會產(chǎn)生預(yù)測較大誤差。4)在電價預(yù)測過程中的人為造成的誤差也會產(chǎn)生誤差。(2)電價預(yù)測誤差以下是幾種電價預(yù)測誤差分析常用數(shù)據(jù)指標(biāo):1)絕對誤差和相對誤差:其中表示電價真實值,表示電價預(yù)測值,則絕對誤差:(2-1)相對誤差:(2-2)絕對誤差與相對誤差非常直觀是電價預(yù)測考核指標(biāo)中最常用的誤差表示方式。2)平均絕對百分比誤差MAPE:(2-3):第i個絕對誤差;3)均方誤差MSE(MeanSquaredError):(2-4)MSE是衡量誤差的一種簡便方法，可以評價數(shù)據(jù)的變化程度，值越小表明預(yù)測模型精確度越高。4)均方根誤差RMSE（root-mean-squareerror）:(2-5)5)標(biāo)準(zhǔn)誤差:(2-6):電價預(yù)測標(biāo)準(zhǔn)誤差;6)關(guān)聯(lián)度本文中指的是預(yù)測電價曲線與實際電價曲線的相似程度，用關(guān)聯(lián)度將仿真曲線與實際曲線的擬合程度抽象的具體數(shù)字化，判斷它們的相似程度，關(guān)聯(lián)度越大，擬合度越高，我們可以以此來選出最佳預(yù)測模型。電價預(yù)測過程中的重要問題電價預(yù)測的歷史數(shù)據(jù)預(yù)處理電價預(yù)測是利用歷史電價數(shù)據(jù)對未來電價進(jìn)行推測,對收集到的歷史數(shù)據(jù)進(jìn)行預(yù)先處理,是電價預(yù)測非常重要的過程,在處理的過程中，應(yīng)注意以下幾個方面：當(dāng)收集的歷史數(shù)據(jù)部分缺失時,我們可以根據(jù)相似日數(shù)據(jù)補(bǔ)足缺失數(shù)據(jù)；另外，發(fā)現(xiàn)無效數(shù)據(jù)或少量尖峰數(shù)據(jù)時，應(yīng)進(jìn)行適當(dāng)?shù)奶鎿Q和濾除。在對價格進(jìn)行時間序列分析時，有時可將指數(shù)趨勢變?yōu)榫€性趨勢。在電價預(yù)測過程中，需要將歷史數(shù)據(jù)空間分成不同子空間，每個獨(dú)立的子空間分別進(jìn)行預(yù)測，然后進(jìn)行分析整合成全局的預(yù)測電價。可以按時段或星期劃分。這樣做可以使規(guī)律更加明顯，提高準(zhǔn)確性。影響因素的選擇電價預(yù)測受到眾多電力系統(tǒng)內(nèi)外的干擾，我們考慮不同影響因素可以建立不同的預(yù)測模型，模型的選擇將直接決定預(yù)測準(zhǔn)確性。因此影響因素的選擇尤為重要。本為采用的神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點(diǎn)是可以處理多變量問題,但無關(guān)或次要因素的引入會影響學(xué)習(xí)過程的準(zhǔn)確性。所以在實際運(yùn)用過程中，可以利用先驗知識或?qū)嶒烌炞C找出主要的影響因素作為輸入神經(jīng)網(wǎng)絡(luò)的變量。數(shù)據(jù)時段的選擇我們做電價預(yù)測時，對數(shù)據(jù)時段的選擇應(yīng)該是:盡量選擇與預(yù)測時段相鄰時段的數(shù)據(jù)，在選取各時段的擬合殘差時應(yīng)區(qū)別對待,近期的發(fā)展規(guī)律的擬合度應(yīng)高于遠(yuǎn)期歷史數(shù)據(jù)[27]。本章小結(jié)本章著重介紹了關(guān)于電價以及電價預(yù)測的相關(guān)知識，提出了在預(yù)測時應(yīng)注意的幾個問題三個方面。在電價的基本原理部分，著重介紹了電價的功能和特點(diǎn)、電價的形成機(jī)制、電價的制定和分類以及影響電價的因素，對電價有了系統(tǒng)的認(rèn)識。隨后詳細(xì)分析了預(yù)測誤差的產(chǎn)生原因。最后，介紹了電價預(yù)測時應(yīng)著重考慮的幾個問題，對我們預(yù)測過程和預(yù)測結(jié)果的準(zhǔn)確性都有著至關(guān)重要的作用。基于BP神經(jīng)網(wǎng)絡(luò)的短期電價預(yù)測人工神經(jīng)網(wǎng)絡(luò)簡介人工神經(jīng)網(wǎng)絡(luò)的定義人工神經(jīng)網(wǎng)絡(luò)ANN（ArtificialNeuralNetwork），是一種運(yùn)算模型，由大量神經(jīng)元的互聯(lián)構(gòu)成，其原理是從信息處理方面入手，對生物神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象模擬，從而建立具體模型，我們可以理解為對某種函數(shù)、算法的逼近或是對一種邏輯策略的表達(dá)[28]。人工神經(jīng)網(wǎng)絡(luò)興起于20世紀(jì)80年代，盡管發(fā)展不是一帆分順，但由于其強(qiáng)大的潛力逐漸成為人工智能方面的研究熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)功能全面強(qiáng)大，根據(jù)網(wǎng)絡(luò)連接方式的不同建立不同的神經(jīng)網(wǎng)絡(luò)分別處理不同類型的問題，具有并列運(yùn)行、分布式處理、非線性自適應(yīng)和自學(xué)習(xí)能力等，適用于需同時考慮多因素和條件以及模糊數(shù)據(jù)處理問題。特別的，人工神經(jīng)網(wǎng)絡(luò)具有處理非線性問題的能力，獨(dú)特的自適應(yīng)能力，在信息處理方面克服了很多人工智能直覺缺陷，因此得到廣泛運(yùn)用。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及現(xiàn)狀人工神經(jīng)網(wǎng)絡(luò)從20世紀(jì)40年代提出，到如今的70多年的發(fā)展過程中經(jīng)歷了興起、平緩、興盛三個階段，并不是一帆風(fēng)順[29]。下面我們來簡要了解一下。1）1943年,心理學(xué)家W.S.McCulloch和數(shù)學(xué)家W.Pitts。共同建立了建立了MP模型，一直到到60年代期間，這個時期可以說是神經(jīng)網(wǎng)絡(luò)的興起階段，期間的主要成就是完成了很多神經(jīng)網(wǎng)絡(luò)模型的建立以及學(xué)習(xí)算法的發(fā)展[30]。2）20世紀(jì)60年代到70年代發(fā)展相對緩慢，M.Minsky等出版了《Perceptron》，指出感知器的一些缺陷，以及當(dāng)時串行計算機(jī)和人工智能的成就，使人工神經(jīng)網(wǎng)絡(luò)ANN研究趨向低潮。3）80年代后快速發(fā)展。人工神經(jīng)網(wǎng)絡(luò)重新走上快速發(fā)展道路得益于美國物理學(xué)家JohnHopfield，在1982年提出了模擬人腦的神經(jīng)網(wǎng)絡(luò)模型，被人們稱之為Hopfield模型。兩年后，JohnHopfield建立連續(xù)時間Hopfield模型，取得了顯著的成果，極大地推動了神經(jīng)網(wǎng)絡(luò)的發(fā)展。1986年，Rumelhart,Hinton,Williams給出了BP算法。同年，Rumelhart與McClelland出版《Paralleldistributionprocessing:explorationsinthemicrostructuresofcognition》，神經(jīng)網(wǎng)絡(luò)研究進(jìn)入快速發(fā)展時期[31]。人工神經(jīng)網(wǎng)絡(luò)的基本原理人工神經(jīng)網(wǎng)絡(luò)是由許多個神經(jīng)元互聯(lián)而組成的完整網(wǎng)絡(luò),每一個神經(jīng)元其它的神經(jīng)元互聯(lián)，值得注意的是一個神經(jīng)元只有一個輸出。神經(jīng)網(wǎng)絡(luò)是通過連接權(quán)值體現(xiàn)神經(jīng)元之間的相互作用,神經(jīng)元的輸出與輸入具有一定的函數(shù)關(guān)系。要使人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大完整的功能，那么神經(jīng)元的數(shù)量必須達(dá)到要求，畢竟單個神經(jīng)元功能簡一有限,。人工神經(jīng)網(wǎng)絡(luò)基本模型的構(gòu)成有三個基本要素[32]：一組連接：需要通過連接權(quán)值體現(xiàn)神經(jīng)元之間的相互作用；一個加法器：對經(jīng)過連接權(quán)值處理后的輸入量進(jìn)行整合；傳遞函數(shù)：用來處理非線性問題,并對輸入變量范圍進(jìn)行限制。神經(jīng)元傳遞信息的過程：3-1神經(jīng)元信息傳遞圖神經(jīng)元j多個輸入xi(i=1，2,…,m)與一個輸出的函數(shù)關(guān)系:(3-1)其中，wij為連接權(quán)重因子。人工神經(jīng)網(wǎng)絡(luò)的分類按照不同的分類標(biāo)準(zhǔn)人工神經(jīng)網(wǎng)絡(luò)有以下幾種分類方式:按網(wǎng)絡(luò)性能：離散網(wǎng)絡(luò)、連續(xù)網(wǎng)絡(luò)、確定型以及隨機(jī)型網(wǎng)絡(luò);按信號傳遞方向進(jìn)行：前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò);按學(xué)習(xí)方式：導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí);按連接權(quán)性質(zhì)：線性人工神經(jīng)網(wǎng)絡(luò)、非線性神經(jīng)網(wǎng)絡(luò)。按結(jié)構(gòu)以及算法組合：見到較多的前向神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)，還有少見的隨機(jī)神經(jīng)網(wǎng)絡(luò)和競爭神經(jīng)網(wǎng)絡(luò)，其中前向網(wǎng)絡(luò)又分為單層和多層神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的在電價預(yù)測中的運(yùn)用以歷史電價數(shù)據(jù)為基礎(chǔ)，通過BP神經(jīng)網(wǎng)絡(luò)建立模型找出隱含的在數(shù)據(jù)中的規(guī)律和趨勢,再通過訓(xùn)練好的模型對未來電價做出推斷，這就是基于神經(jīng)網(wǎng)絡(luò)對電價進(jìn)行電價預(yù)的過程。利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法預(yù)測電價還有以下優(yōu)勢:(1)歷史電價數(shù)據(jù)非常容易獲得，可以為神經(jīng)網(wǎng)絡(luò)訓(xùn)練提供數(shù)據(jù)支持;(2)人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的泛化能力，適用于電價預(yù)測這種影響因素眾多的非線性問題,且不相關(guān)輸入較多的問題不利于建立數(shù)學(xué)模型,網(wǎng)絡(luò)會通過訓(xùn)練來選擇自己的模型,不需要建立數(shù)學(xué)模型[33]。(3)人工神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的噪聲干擾能力，利于解決在電價數(shù)據(jù)中大量的噪聲對預(yù)測的干擾。BP神經(jīng)網(wǎng)絡(luò)及其原理BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)，即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，一種單向傳播的多層前向網(wǎng)絡(luò),由輸入層、隱含層和輸出層組成。神經(jīng)元之間的互聯(lián)只在相鄰層之間存在，同層之間不能進(jìn)行互聯(lián)。輸入信號流通過程是從輸入層節(jié)點(diǎn)開始，經(jīng)各隱層節(jié)點(diǎn)到輸出節(jié)點(diǎn),因為一個神經(jīng)元只有一個輸出的原因，所以輸出只對下一層節(jié)點(diǎn)產(chǎn)生影響，其傳遞函數(shù)常為Sigmoid函數(shù)[34]。隱含層輸入層輸出層輸入量Xj輸出量Yj3-2典型BP網(wǎng)絡(luò)模型BP網(wǎng)絡(luò)作為一種多層前饋神經(jīng)網(wǎng)絡(luò)，除了輸入信號的前文介紹的單向傳播外，還有另一種信號在層與層之間流通，它就是是誤差信號,信號來源是實際輸出與期望輸出間的差值，信號在輸出端產(chǎn)生并開始流通，逐層經(jīng)過隱含層向輸入端反向傳播，這也是名稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)的來源。兩種信號傳遞處理過程共同組成了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。兩種過程不斷依次反復(fù)進(jìn)行，不斷對每層的權(quán)值和閾值進(jìn)行更換優(yōu)化，直到網(wǎng)絡(luò)誤差達(dá)到期望值。BP神經(jīng)網(wǎng)絡(luò)的算法流程如下：設(shè)置變量參數(shù)設(shè)置變量參數(shù)隱含層輸出層各節(jié)點(diǎn)的輸出誤差E是否滿足？樣品是否學(xué)完？計算并修正權(quán)值輸入變量反向計算梯度數(shù)據(jù)初始化結(jié)束BP神經(jīng)網(wǎng)絡(luò)的功能BP神經(jīng)網(wǎng)絡(luò)在人工神經(jīng)網(wǎng)絡(luò)的中發(fā)展較早、進(jìn)展最快、最基礎(chǔ)的一種，可以說它是人工神經(jīng)網(wǎng)絡(luò)的核心。目前。BP神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域都得到應(yīng)用，體現(xiàn)了它應(yīng)用廣泛、功能全面的特點(diǎn)，以下是BP網(wǎng)絡(luò)的主要功能：函數(shù)逼近：BP神經(jīng)網(wǎng)絡(luò)最基本的功能，實現(xiàn)網(wǎng)絡(luò)輸出以一定精度逼近輸入數(shù)據(jù)。模式識別：通過一定的手段標(biāo)準(zhǔn)，見輸出與輸入聯(lián)系起來，建立橋梁。分類：把輸入向量進(jìn)行分類。數(shù)據(jù)壓縮：對數(shù)據(jù)進(jìn)行降低維數(shù)處理，方便利用。BP神經(jīng)網(wǎng)絡(luò)的評價BP神經(jīng)網(wǎng)絡(luò)目前應(yīng)用廣泛是研究的熱點(diǎn)之一，表明它具有很多優(yōu)點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)有很多。首先它能處理多因素非線性問題，其非線性映射能力為非線性問題提供重要手段。BP神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中有一定的準(zhǔn)確度，理論上只要隱含層層數(shù)夠多、神經(jīng)元的數(shù)目夠多，那么網(wǎng)絡(luò)就能達(dá)到一定的精確度。特別的BP神經(jīng)網(wǎng)絡(luò)還具有對輸入信息聯(lián)想記憶的能力，BP神經(jīng)網(wǎng)絡(luò)由預(yù)存信息和學(xué)習(xí)機(jī)制進(jìn)行的自適應(yīng)訓(xùn)練，能恢復(fù)缺失的信息。BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性處理能力，對樣本進(jìn)行有效識別與分類。另外，BP神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的優(yōu)化計算能力，不過存在局部極小問題需改善。BP神經(jīng)網(wǎng)絡(luò)如今的到了廣泛應(yīng)用，其優(yōu)點(diǎn)毋庸置疑，可依然具有一定的局限性。首先，BP網(wǎng)絡(luò)訓(xùn)練過程中對學(xué)習(xí)效率有較高要求，其學(xué)習(xí)效率太低會花費(fèi)很長時間降低工作效率；一般情況模型訓(xùn)練采用的梯度下降法收斂很慢用時較長，在借助其他算法進(jìn)行優(yōu)化的情況下可以得到一定的提高，例如本文中采用的Levenberg-Marquardt算法。其次，理論上神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛，線性系統(tǒng)問題和非線性系統(tǒng)問題我們都可以借助神經(jīng)網(wǎng)絡(luò)得到解決，但是在實際運(yùn)用中BP網(wǎng)絡(luò)并不一定總能給出答案。最后，我們會發(fā)現(xiàn)影響神經(jīng)網(wǎng)絡(luò)的因素太多，即導(dǎo)致產(chǎn)生誤差的原因很復(fù)雜，輸出結(jié)果可能很多有可能含有局部最優(yōu)解，而得不到全局最優(yōu)解[35]。BP神經(jīng)網(wǎng)絡(luò)的MATLAB實現(xiàn)基于人工神經(jīng)網(wǎng)絡(luò)的電價預(yù)測實現(xiàn)需要借助到MATLAB軟件，神經(jīng)網(wǎng)絡(luò)的計算量十分巨大，特別是訓(xùn)練模型過程必須借助計算機(jī)。在MATLAB中含有專門的神經(jīng)網(wǎng)絡(luò)工具箱，因此利用MATLAB可以建立各種神經(jīng)網(wǎng)絡(luò)模型，快速的實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)的仿真，快捷方便切準(zhǔn)確率高。BP網(wǎng)絡(luò)的常用函數(shù)如下：創(chuàng)建函數(shù)newff創(chuàng)建一個BP網(wǎng)絡(luò)。調(diào)用格式：net=newff(PR,[S1S2..SN1],{TF1TF2..TFN1},BTF,BLF,PF)其中，PR：如minmax(P)，表示輸入P的范圍矩陣；{TFlTF2…TFN1}：傳輸函數(shù)，默認(rèn)為‘tansig’；BTF：訓(xùn)練函數(shù)，默認(rèn)為‘trainlm’；BLF：權(quán)值學(xué)習(xí)函數(shù)，默認(rèn)為‘learngdm’；PF：性能數(shù)，默認(rèn)為‘mse’。傳遞函數(shù)Logsig：S型的對數(shù)傳遞函數(shù)。調(diào)用格式：D=logsig（n）；info=logsig（code）Tansig：雙曲正切S型傳遞函數(shù)。調(diào)用格式：D=tansig（n）；info=tansig（code）Purelin：線性傳遞函數(shù)。調(diào)用格式：D=purelin（n）；info=purelin（code）學(xué)習(xí)函數(shù)Learngd:學(xué)習(xí)函數(shù)。具體格式：[DW,lS]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS);[DB,lS]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS);info=learngd(code)訓(xùn)練函數(shù)Train：BP網(wǎng)絡(luò)訓(xùn)練函數(shù)。具體格式：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai,VV,TV)Traingd：梯度下降BP算法函數(shù)；Traingdm：梯度下降動量BP算法函數(shù);Trainlm:L-M算法優(yōu)化的訓(xùn)練函數(shù)。本章小結(jié)本章詳細(xì)介紹了人工神經(jīng)網(wǎng)絡(luò)的概念和基本理論，并著重闡述了BP神經(jīng)網(wǎng)絡(luò)功能，以及在實際運(yùn)用中的實現(xiàn)方法。在本章的最后，列舉了部分MATLAB實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)仿真的功能函數(shù)。日前電價預(yù)測的實現(xiàn)案例簡介本課題名為基于人工神級網(wǎng)絡(luò)的日前電力市場電價預(yù)測。采用的是人工神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)建立模型，利用MATLAB6.5中的神經(jīng)網(wǎng)絡(luò)工具箱實現(xiàn)案例仿真。預(yù)測仿真案例采用的是2012年美國PJM電力市場歷史電價數(shù)據(jù)。預(yù)測案例選用美國PJM電力市場1月4日到1月20日歷史電價，其中1月4日到1月18日數(shù)據(jù)作為訓(xùn)練模型的輸入，1月20日電價作為測試數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)模型建立本案例需建立一個三層的BP神經(jīng)網(wǎng)絡(luò)，分別為輸入層，隱含層和輸出層。模型中隱含層只用一層，含9個神經(jīng)元節(jié)點(diǎn)，輸入為1月4日到18日的歷史電價數(shù)據(jù)，目標(biāo)函數(shù)為1月19日電價數(shù)據(jù)，對模型進(jìn)行訓(xùn)練。數(shù)據(jù)處理：首先，將2012年美國PJM電力市場1月原始電價數(shù)據(jù)放入31*24的矩陣D中；則P=D(4:18,:)為輸入數(shù)據(jù)；T=D(19,:)為訓(xùn)練目標(biāo)函數(shù)。建立BP神經(jīng)網(wǎng)絡(luò)模型：net_1=newff(minmax(P),[9,1],{'tansig','purelin'},'trainlm')各層網(wǎng)絡(luò)權(quán)值閾值初始化：inputWeights=net_1.IW{1,1}；inputbias=net_1.b{1}；layerWeights=net_1.LW{2,1}；layerbias=net_1.b{2}；模型中的trainlm函數(shù)表明采用的是Levenberg-Marquardt優(yōu)化方法，是度下降法與高斯—牛頓法的結(jié)合，也被稱作高斯—牛頓法的改進(jìn)算法，利用了近似的二階導(dǎo)數(shù)信息，收斂比梯度法快得多。Levenberg-Marquardt的訓(xùn)練函數(shù)trainlm.m在MATLAB工具箱中帶有,可以直接調(diào)用。BP網(wǎng)絡(luò)訓(xùn)練：設(shè)置訓(xùn)練參數(shù)：net_1.trainParam.show=50;顯示的間隔次數(shù)；net_1.trainParam.lr=0.001;學(xué)習(xí)率；net_1.trainParam.mc=0.9;動量因子，默認(rèn)：0.9；net_1.trainParam.epochs=10000;訓(xùn)練次數(shù)：10000；net_1.trainParam.goal=0.001;訓(xùn)練目標(biāo)：0.001。調(diào)用TRAINLM算法訓(xùn)練BP網(wǎng)絡(luò)：[net_1,tr]=train(net_1,P,T);下圖為網(wǎng)絡(luò)訓(xùn)練過程：4-1訓(xùn)練過程對BP網(wǎng)絡(luò)進(jìn)行仿真：B=sim(net_1,P);達(dá)到訓(xùn)練目標(biāo)后會停止訓(xùn)練，下圖為訓(xùn)練結(jié)果：4-2訓(xùn)練結(jié)果仿真結(jié)果及數(shù)據(jù)分析當(dāng)神經(jīng)網(wǎng)絡(luò)達(dá)到訓(xùn)練目標(biāo)后，就可以對神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，驗證詞BP神經(jīng)網(wǎng)絡(luò)是否符合要求，達(dá)到實現(xiàn)電價預(yù)測的目的。具體測試過程如下：網(wǎng)絡(luò)輸入選用R=D(5：19，:),即1月5日到1月19日的歷史數(shù)據(jù)對1月20日電價進(jìn)行預(yù)測，實際電價為X=D(20，:)。測試調(diào)用函數(shù)程序：Y=sim(net_1,R)；其中，1月20日實際24小時電價數(shù)據(jù)X=D(20，:)為：30.000029.480029.150029.270029.820033.150046.880061.040046.090044.490042.340038.380035.950034.660032.720032.440035.410050.150044.030041.760040.860035.020032.360030.20001月20日預(yù)測24小時電價結(jié)果數(shù)據(jù)Y為：32.106232.363633.234132.628733.244634.850243.133270.670263.016748.686647.465340.962337.052336.241735.010835.222539.608055.227451.064044.860544.223239.592334.053331.6552預(yù)測電價實際電價數(shù)據(jù)對比圖：4-3預(yù)測測試結(jié)果上圖為1月20日24小時的實際和預(yù)測電價曲線圖，實線為實際電價，虛線為預(yù)測電價。預(yù)測誤差分析通過以上的仿真結(jié)果，實際電價數(shù)據(jù)X與預(yù)測電價數(shù)據(jù)Y可以得到他們的誤差數(shù)據(jù)E,由E=X-Y得誤差E為：-2.1062-2.8836-4.0841-3.3587-3.4246-1.70023.7468-9.6302-16.9267-4.1966-5.1253-2.5823-1.1023-1.5817-2.2908-2.7825-4.1980-5.0774-7.0340-3.1005-3.3632-4.5723-1.6933-1.4552（1）由均方誤差公式得：27.3155（2）平均絕對百分比誤差MAPE公式得：=10.32%結(jié)論本文的研究課題是是基于人工神經(jīng)網(wǎng)絡(luò)的日前電力市場短期電價預(yù)測。電能是現(xiàn)代人類生活必不可少的一部分，我們生活、生產(chǎn)的方方面面都離不開它。電價是我們關(guān)注電能的主要方面。同樣，電價在電力市場中的地位毋庸置疑，關(guān)系到電力市場眾多參與者的切身利益，是他們之間利益連接的樞紐。那么電價預(yù)測在電力生產(chǎn)運(yùn)行之中的作用就顯而易見了。發(fā)電商可以利用他優(yōu)化上報價格，相互競爭時可以提供重要指導(dǎo)；在電力系統(tǒng)的穩(wěn)定性方面同樣意義重大，電力系統(tǒng)的合理調(diào)度和正常運(yùn)行離不開對未來電價的預(yù)見；我們電力用戶特別是用電企業(yè)，可以利用未來各時段電價，來調(diào)整用電計劃，降低用電支出或用電成本。本文就是對日前電價預(yù)測理論及實現(xiàn)方法進(jìn)行詳細(xì)論述，主要成果如下:一、介紹了一下電力市場化的背景，電力市場的概況和基本理論，以及電價預(yù)測在電力市場中的意義和發(fā)展現(xiàn)狀。二、介紹電價及其電價預(yù)測的基本理論。從介紹電價的基本概念開始,其中包括電價的制定原則、電價的形成過程、電價的特點(diǎn)以及其影響電價的因素;緊接著分析了電價預(yù)測的原理和步驟,并說明了分析電價預(yù)測誤差的方法和指標(biāo)。三、本文選用的電價預(yù)測方法是BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測法，文中詳細(xì)介紹了人工神經(jīng)網(wǎng)絡(luò)的理論。分析BP人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn),并提出了BP神經(jīng)網(wǎng)絡(luò)的算法方案。利用MATLAB對2012年美國PJM電力市場日前電價進(jìn)行預(yù)測仿真，模型訓(xùn)練中采用Levenberg-Marquardt算法進(jìn)行優(yōu)化,取得了比單純BP網(wǎng)絡(luò)預(yù)測更好的效果。本文最后對預(yù)測誤差進(jìn)行分析，其平均絕對百分比誤差為10.32%，可以看出BP神經(jīng)網(wǎng)絡(luò)預(yù)測法是一種科學(xué)有效的電價預(yù)測手段，且簡單方便，適合在實際電力市場中得到推廣。致謝時光匆匆，大學(xué)四年生活轉(zhuǎn)瞬即逝，隨著畢業(yè)論文的完成，我即將離開自己的母校開始新的人生旅程。在這里要感謝母校四年對我的培養(yǎng)，讓我獲得知識的同時也收獲了人生經(jīng)驗和友誼，大學(xué)生活將成為我人生最寶貴的記憶。本論文是在熊高峰老師的悉心指導(dǎo)和嚴(yán)格要求下完成的，從課題選擇到具體的寫作過程，都有著著熊高峰老師的關(guān)心和指導(dǎo)，在我的畢業(yè)設(shè)計期間，熊高峰老師為我提供了各種專業(yè)知識上的指導(dǎo)和一些富于創(chuàng)造性的建議，熊老師一絲不茍的作風(fēng)，嚴(yán)謹(jǐn)求實的態(tài)度使我深受感動，沒有這樣的幫助和關(guān)懷和熏陶，我不會這么順利的完成畢業(yè)設(shè)計。在此向熊高峰老師表示深深的感謝和崇高的敬意!在臨近畢業(yè)之際，我還要借此機(jī)會向在這三年中給予我諸多教誨和幫助的各位老師表示由衷的謝意，感謝他們?nèi)陙淼男燎谠耘?。不積跬步何以至千里，各位任課老師認(rèn)真負(fù)責(zé)，在他們的悉心幫助和支持下，我能夠很好的掌握和運(yùn)用專業(yè)知識，并在設(shè)計中得以體現(xiàn)，順利完成畢業(yè)論文。同時，在論文寫作過程中，我還參考了有關(guān)的書籍和論文，在這里一并向有關(guān)的作者表示謝意。我還要感謝我的同學(xué)們以及我的各位室友，在畢業(yè)設(shè)計的這段時間里，你們給了我很多的啟發(fā)，提出了很多寶貴的意見，對于你們幫助和支持，在此我表示深深地感謝!參考文獻(xiàn)［1］劉振宗，吳穎超．電力市場短期電價預(yù)測方法綜述[J]．中國電力教育,2009，20：254-256．［2］鄧建利．關(guān)于我國電力市場建設(shè)的思[J]．電力技術(shù)經(jīng)濟(jì),2004，4：1-6．［3］聶艷麗．電力市場中供電企業(yè)購電決策及風(fēng)險管理的研究[D]．北京：華北電力大學(xué)，2005．［4］杜松懷．電力市場經(jīng)濟(jì)性能分析、電價預(yù)測與輸電服務(wù)研究[D]．上海：上海交通大學(xué)，2002．［5］孫倩，劉峰．電力工業(yè)改革理論依據(jù)及其模式綜述[J]．電力技術(shù)經(jīng)濟(jì),2005，5：1-4．［6］陳友．基于時間序列方法的短期電價預(yù)測[D]．上海：上海大學(xué)，2009．［7］姚建剛,章建,銀車來.電力市場運(yùn)營及其軟件開發(fā)[M].北京:中國電力出版社,2001.［8］吳興華．電力市場條件下的短期電價預(yù)測研究[D]．北京：北京交通大學(xué)，2007．［9］晉自力．電力市場改革模式的國際比較與現(xiàn)實選擇[J]．上海電力學(xué)院學(xué)報,2007，1：88-96．［10］郁嵐．電力市場下無功電價研究[D]．貴陽：貴州大學(xué)，2005．［11］湯懿