【摘要】：隨著社會對各種能源電力需求的日益增長,新能源不斷并網(wǎng)接入,電力交易數(shù)據(jù)涵蓋常規(guī)能源與新能源,面臨的數(shù)據(jù)采集規(guī)模量從目前的GB增長至TB甚至于PB級別。在未來的電力市場環(huán)境下,面對如此海量高緯度的大數(shù)據(jù),進行電價預測還需要更進一步提升高并發(fā)、高性能的數(shù)據(jù)處理技術要求。智能電網(wǎng)的云計算存儲模型已取得一定研究成果,但是基于大數(shù)據(jù)環(huán)境的電價預測模型的并行算法卻少有提及。在互聯(lián)網(wǎng)技術飛速發(fā)展的背景下,本文針對大數(shù)據(jù)環(huán)境下電力市場運營的關鍵問題即短期電價預測進行研究。首先,分析國內外電力交易市場的運作模式及傳統(tǒng)能源電力和分布式能源電力的交易特點,研究電價預測方法及大數(shù)據(jù)相關技術,將集成經(jīng)驗模態(tài)分解算法與在線核極限學習機模型相結合得出優(yōu)化的電價預測模型。在此基礎上,針對單個極限學習機的局限性,根據(jù)集成學習的思想結合多個在線核極限學習機提出基于集成學習在線核極限學習機模型。該模型算法相比較傳統(tǒng)的算法具有更高的精確性和泛化能力,在大數(shù)據(jù)噪音的條件下其優(yōu)勢更加明顯。其次,基于集成學習的電價預測模型算法結合多個極限學習機模型,在串行數(shù)據(jù)處理方式中,會造成時間復雜度的增加。根據(jù)大數(shù)據(jù)的特征以及數(shù)據(jù)處理技術原理,提出基于MapReduce的多個在線核極限學習機模型的并行算法,可使一個MapReduce作業(yè)完成多個模型的在線訓練。通過算例測試驗證提出的基于MapReduce的并行算法可以有效的提高模型的準確度和實時的訓練速度。最后,基于MapReduce的并行模型算法,針對分布式架構的電力交易系統(tǒng)設計并實現(xiàn)電價預測功能。,搭建遠程大數(shù)據(jù)環(huán)境,安裝配置相應版本的Hadoop服務器,并配置運行Cloudera和Cloudera Desktop;在該架構下設計實現(xiàn)的電價預測系統(tǒng)功能主要包含三個功能模塊:預處理模塊用于將原始電價數(shù)據(jù)預處理,得到載入模型的對應數(shù)據(jù);學習訓練模塊運用并行模型算法進行多個在線核極限學習機模型的并行化訓練;預測模塊用于對學習訓練后數(shù)據(jù)的預測以及展示。通過電價預測模型結合大數(shù)據(jù)并行處理技術使得模型拓展性能更強、訓練速度更快以及預測穩(wěn)定性能更高,對于以未來分布式能源并網(wǎng)為發(fā)展目標,在大數(shù)據(jù)環(huán)境下新一代電力交易平臺的應用研究,有一定的實用價值。
【圖文】：

東華大學碩士研究生畢業(yè)論文 相關研究基礎方式處理，形成一個局部獨立區(qū)域的綠色電力生產(chǎn)和消費模式。其電價形成的機制需要特殊的政策扶持來倚靠，最典型的最是綠色電價制度，鼓勵用戶參與到清潔能源的消費中。2.2.2 電力價格特點和影響因素根據(jù)電價形成機制，通過圖 2-1~2-3 展示以往不同電力市場的歷史電價直觀的體現(xiàn)電價的非平穩(wěn)性特點。圖 2-1 選出的是荷蘭 2008 年四個季節(jié)首日的電價曲線，，可以非常清晰的看到冬季的電價高于其他季節(jié)的電價，電價是隨著時間季節(jié)變化有明顯的不同，而季節(jié)的不同也會影響到負荷需求的分配。從圖 2-2 中可以讀取到的信息則是電價的波動還會隨著社會資源的調整而有明顯的變化圖 2-3中顯示價格的突變的特性，在夜間的價格峰值為負值，這種價格主要是由于供應的可再生電能造成的能源過剩所造成的，突發(fā)問題結束后很快會恢復到正常水平。

節(jié)變化有明顯的不同，而季節(jié)的不同也會影響到負荷需求的分配。從圖 2-2 中可以讀取到的信息則是電價的波動還會隨著社會資源的調整而有明顯的變化圖 2-3中顯示價格的突變的特性，在夜間的價格峰值為負值，這種價格主要是由于供應的可再生電能造成的能源過剩所造成的，突發(fā)問題結束后很快會恢復到正常水平。圖 2- 1 荷蘭 2008 年四個季節(jié)首日電價Fig.2- 1 The first day of the four seasons in the Netherlands in 2008
【學位授予單位】：東華大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F407.61;TP311.13;TP18

【相似文獻】

相關期刊論文 前10條

1 徐兵;;電力市場下短期電價預測淺析[J];經(jīng)貿(mào)實踐;2015年08期

2 趙晶;;電力市場中電價預測方法綜述[J];企業(yè)技術開發(fā);2013年18期

3 楊俊;張勤;潘虹;張婷婷;;遺傳程序設計在短期電價預測中的應用[J];電力學報;2009年01期

4 劉振宗;吳穎超;;電力市場短期電價預測方法綜述[J];中國電力教育;2009年20期

5 張顯;王錫凡;;短期電價預測綜述[J];電力系統(tǒng)自動化;2006年03期

6 謝詩宇;;基于統(tǒng)計學習的電價預測模型[J];通訊世界;2018年05期

7 汪敏霞;;基于電力市場的短期電價預測分析[J];通訊世界;2015年11期

8 謝新南;;一種短期電價預測的新方法[J];電工電氣;2009年08期

9 謝品杰;譚忠富;尚金成;侯建朝;王綿斌;;基于小波分析與廣義自回歸條件異方差模型的短期電價預測[J];電網(wǎng)技術;2008年16期

10 謝新南;;一種短期電價預測的新方法[J];安徽電力;2008年03期

相關會議論文 前10條

1 鄒雅;滕賢亮;王陽;涂孟夫;謝蔚;;現(xiàn)貨市場環(huán)境下基于堆疊自編碼器的電價預測[A];中國電機工程學會電力市場專業(yè)委員會2019年學術年會暨全國電力交易機構聯(lián)盟論壇論文集[C];2019年

2 閆彥;孫桂新;;互聯(lián)電網(wǎng)地區(qū)電價預測與分析[A];發(fā)展的信息技術對管理的挑戰(zhàn)——99’管理科學學術會議專輯（上）[C];1999年

3 馬新順;;基于神經(jīng)網(wǎng)絡與小波分解的市場清算電價預測[A];第十屆中國青年信息與管理學者大會論文集[C];2008年

4 秦磊;鄒斌;;電價預測及其概率分布[A];2007中國控制與決策學術年會論文集[C];2007年

5 崔天寶;栗然;王粵;;基于云模型的短期電價預測[A];中國高等學校電力系統(tǒng)及其自動化專業(yè)第二十四屆學術年會論文集（中冊）[C];2008年

6 廉晨;韓小平;左月明;;基于神經(jīng)網(wǎng)絡和小波分析的短期電價預測方法[A];紀念中國農(nóng)業(yè)工程學會成立30周年暨中國農(nóng)業(yè)工程學會2009年學術年會（CSAE 2009）論文集[C];2009年

7 孫偉;盧建昌;孟明;;基于時間序列支持向量機模型的電價預測研究[A];2006中國控制與決策學術年會論文集[C];2006年

8 田慧欣;;基于多神經(jīng)網(wǎng)絡的日前電價預測[A];天津市電機工程學會2009年學術年會論文集[C];2009年

9 涂啟玉;張茂林;;小波神經(jīng)網(wǎng)絡預測電價的新改進[A];2010年云南電力技術論壇論文集（文摘部分）[C];2010年

10 趙軍科;李郁俠;;我國電價時間序列混沌特性分析及電價預測[A];2006電力系統(tǒng)自動化學術交流研討大會論文集[C];2006年

相關博士學位論文 前3條

1 李彩虹;兩類組合預測方法的研究及應用[D];蘭州大學;2012年

2 劉達;電力市場中電價預測模型方法及應用研究[D];華北電力大學（北京）;2008年

3 楊俊;市場環(huán)境下電力系統(tǒng)可靠性分析若干問題研究[D];華北電力大學（北京）;2009年

相關碩士學位論文 前10條

1 曾云;電力市場下基于信息熵理論的電價預測[D];廣東工業(yè)大學;2019年

2 沈哲鈞;基于極限學習機和MapReduce的電價預測研究[D];東華大學;2019年

3 公維濤;電力市場下日前電價預測方法的研究[D];東華大學;2019年

4 吉曉瓊;基于深度學習的電力市場短期電價預測研究[D];華北電力大學;2019年

5 李欣寧;基于電價預測的零售電價套餐形成方法[D];華北電力大學(北京);2019年

6 Jeanne Baptiste NIYIGENA;電價預測與市場分析“盧旺達案例研究”[D];華北電力大學(北京);2019年

7 黃晗;新南威爾士州日前市場出清電價預測研究[D];華北電力大學(北京);2019年

8 常子漢;基于小波變換與Adam優(yōu)化的LSTM電價預測研究[D];蘭州大學;2019年

9 舒文杰;用于電價預測的自適應理性超限學習機研究[D];湘潭大學;2018年

10 劉威;互聯(lián)電力市場的區(qū)域電價預測[D];華中科技大學;2018年

本文編號：2676917