電力市場(chǎng)化是當(dāng)前電力體制不斷發(fā)展的產(chǎn)物,電能是其中最重要的部分之一,它的價(jià)格是電力市場(chǎng)的重要因素,保證市場(chǎng)的穩(wěn)定運(yùn)行,對(duì)電價(jià)的預(yù)測(cè)也逐漸成為各國(guó)學(xué)者的關(guān)注焦點(diǎn)。從發(fā)電側(cè)角度分析,發(fā)電公司可以通過(guò)預(yù)測(cè)電價(jià)來(lái)制訂準(zhǔn)確的投標(biāo)計(jì)劃,從而取得更大的利潤(rùn);從購(gòu)電方角度分析,用戶可以通過(guò)預(yù)測(cè)的電價(jià)調(diào)整用電量,有效地控制購(gòu)電成本;從市場(chǎng)監(jiān)管者角度分析,電價(jià)預(yù)測(cè)可為市場(chǎng)的穩(wěn)定發(fā)展提供科學(xué)依據(jù)。所以,電價(jià)預(yù)測(cè)在電力市場(chǎng)中具有重要意義。通過(guò)對(duì)各國(guó)電力市場(chǎng)的歷史數(shù)據(jù)分析發(fā)現(xiàn)電價(jià)具有一定的周期性和波動(dòng)性,而且電價(jià)的影響因素很多,除了歷史電價(jià)、歷史負(fù)荷這些可量化的因素之外,還包括氣候、市場(chǎng)需求等時(shí)變因素,不能量化的因素,這些都大大增加了電價(jià)預(yù)測(cè)工作的難度。同時(shí)預(yù)測(cè)樣本的選擇同樣影響電價(jià)預(yù)測(cè)的精度,如何選擇和處理輸入數(shù)據(jù)是本文需要考慮的一個(gè)重點(diǎn)。本文的研究課題為預(yù)測(cè)短期電價(jià)。鑒于電價(jià)的隨機(jī)性特點(diǎn),在分析不同模型預(yù)測(cè)電價(jià)的優(yōu)缺點(diǎn)后,本文采用BP神經(jīng)網(wǎng)絡(luò)算法,因?yàn)樯窠?jīng)網(wǎng)絡(luò)具有很好的泛化能力,能處理各種非線性問(wèn)題。但同時(shí),BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢,反向傳播過(guò)程中會(huì)僅僅收斂到局部最小值的缺點(diǎn),造成訓(xùn)練時(shí)間長(zhǎng)。針對(duì)BP神經(jīng)...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 電價(jià)預(yù)測(cè)的分類
        1.2.2 電價(jià)預(yù)測(cè)的研究現(xiàn)狀
    1.3 論文的組織安排
第2章 電價(jià)預(yù)測(cè)基本原理
    2.1 電價(jià)形成機(jī)制
    2.2 電價(jià)特點(diǎn)分析
    2.3 電價(jià)影響因素
        2.3.1 歷史電價(jià)
        2.3.2 負(fù)荷
        2.3.3 其它因素
        2.3.4 輸入變量的選擇
    2.4 本章小結(jié)
第3章 基于BP神經(jīng)網(wǎng)絡(luò)的短期電價(jià)預(yù)測(cè)方法
    3.1 基于人工神經(jīng)網(wǎng)絡(luò)的電價(jià)預(yù)測(cè)方法綜述
    3.2 BP神經(jīng)網(wǎng)絡(luò)原理
    3.3 基于BP神經(jīng)網(wǎng)絡(luò)的短期電價(jià)預(yù)測(cè)分析
        3.3.1 數(shù)據(jù)的選取
        3.3.2 數(shù)據(jù)預(yù)處理
        3.3.3 BP神經(jīng)網(wǎng)絡(luò)確定隱含層節(jié)點(diǎn)數(shù)
        3.3.4 誤差分析
    3.4 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第4章 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)短期電價(jià)預(yù)測(cè)算法設(shè)計(jì)
    4.1 GABP算法設(shè)計(jì)思想
        4.1.1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)電價(jià)預(yù)測(cè)方法的不足
        4.1.2 遺傳算法的原理和模型分析
        4.1.3 基于遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)
    4.2 GABP短期電價(jià)預(yù)測(cè)算法的設(shè)計(jì)
    4.3 對(duì)比實(shí)驗(yàn)
    4.4 本章小結(jié)
第5章 基于MapReduce的GABP的短期電價(jià)預(yù)測(cè)算法實(shí)現(xiàn)
    5.1 云計(jì)算
        5.1.1 Hadoop
        5.1.2 HDFS
        5.1.3 MapReduce
        5.1.4 HBase
    5.2 基于Hadoop的GABP電價(jià)預(yù)測(cè)算法并行化實(shí)現(xiàn)
        5.2.1 MR-GABP的算法設(shè)計(jì)
        5.2.2 MR-GABP的并行化實(shí)現(xiàn)
    5.3 Hadoop云計(jì)算平臺(tái)與開發(fā)環(huán)境的搭建與配置
        5.3.1 系統(tǒng)環(huán)境配置
        5.3.2 全分布Hadoop集群搭建
        5.3.3 全分布HBase的安裝與配置
        5.3.4 開發(fā)平臺(tái)搭建
    5.4 對(duì)比實(shí)驗(yàn)
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本論文的主要工作
    6.2 本文不足及展望
參考文獻(xiàn)
致謝
在碩士研究生學(xué)習(xí)期間發(fā)表的學(xué)術(shù)論文及科研情況



本文編號(hào)：3837765