导读:本文包含了预测电价论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:电价,组合,神经网络,深度,记忆,电力,现值。
预测电价论文文献综述
张亮,王洪涛,邹斌[1]（2019）在《基于数据驱动的组合电价预测研究》一文中研究指出在解除管制的电力市场中,电价预测是核心。在不考虑电力市场本身情况及影响电价的诸多因素的基础上,单纯从数据驱动角度出发,以历史负荷和电价数据作为输入来预测电价。首先构造Lasso、随机森林、Gradient Boosting、SVM、BP神经网络和LSTM六种单算法电价模型,然后再构建组合六种算法的Lasso、BP神经网络和LSTM组合模型,以及组合叁种算法的BP神经网络模型,最后以澳大利亚昆士兰州电力市场历史数据进行仿真。实验结果表明:单算法电价模型中,LSTM模型精度最高,MAE为5.468;BP神经网络适合用于组合单算法电价模型。(本文来源于《工业控制计算机》期刊2019年11期）
刘源,胡雷周[2]（2019）在《基于信息熵的电价组合预测方法研究》一文中研究指出为解决单项电价预测方法的准确性不足、稳定性欠缺的问题,本文根据组合预测原理研究了基于信息熵的电价组合预测方法。基于信息熵理论,采用多准则评价方法对单项电价预测方法进行评价,建立了电价组合预测模型。电价预测实例验证了基于信息熵组合预测方法的可靠性,较单项预测方法提高了预测精度。(本文来源于《中国管理信息化》期刊2019年22期）
[3]（2019）在《李克强主持召开国务院常务会议》一文中研究指出新华社北京9月26日电 国务院总理李克强9月26日主持召开国务院常务会议，部署加强市场价格监测预测预警，保持物价基本稳定，保障基本民生；决定完善燃煤发电上网电价形成机制，促进电力市场化交易，降低企业用电成本；核定第八批全国重点文物保护单位。会议指(本文来源于《人民日报》期刊2019-09-27）
邹雅,滕贤亮,王阳,涂孟夫,谢蔚[4]（2019）在《现货市场环境下基于堆迭自编码器的电价预测》一文中研究指出人工神经网络法是短期电价预测的常用方法。但当输入、输出数据量较大时,训练速度缓慢,且易陷入局部极值甚至结果难以收敛等问题。鉴于此,本文提出基于堆迭自编码器的深度学习模型进行电价预测。本文分析了影响电价的因素,提出基于SAE模型的算法,并利用MATLAB工具对PJM电力市场进行电价预测。算例对SAE算法与BP算法进行比较分析,结果表明,基于SAE模型得到的预测结果精度更高。深度学习模型比浅层模型有更好的表达目标函数的能力,能有效解决传统神经网络训练困难的问题。(本文来源于《中国电机工程学会电力市场专业委员会2019年学术年会暨全国电力交易机构联盟论坛论文集》期刊2019-09-03）
Jeanne,Baptiste,NIYIGENA[5]（2019）在《电价预测与市场分析“卢旺达案例研究”》一文中研究指出随着全球电力市场的开放,电力可以像其他商品一样购买和出售。卢旺达电力市场中电价的上涨是本课题研究的重点。为了降低风险,增加利润和制定计划,电力市场参与者预测未来的电价的重要性不言而喻。本研究主要集中在电价预测和市场分析上,以卢旺达电力市场为例进行实证分析,同时从访谈、其他研究报告、EUCL、REG和RURA中收集数据,应用模糊逻辑模型,进而预测电价,并使用MATLAB和GMDH对数据进行分析。本研究的目标是在建立短期或长期电价模型时确定关键变量,为卢旺达电力市场确定合适的模型。为了更好的服务能源部门,应该考虑了以下因素:确保全国的可负担性,可靠性和持续的电力供应,改善能源部门的工作现状,鼓励投资者投资农村小水电电气化,确保地区能源多样化。我们发现,基于我们的目标,确定关键变量以建立适合于卢旺达电力市场的短期或长期电价模型,模糊逻辑模型是合适的,这是因为该模型不需要很多数据支撑。卢旺达电力市场的电价预测并不容易,但由于数据量较小,本研究设计了一个预测短期和长期电价的模型。利用FL模型预测的电价与实际电价相差很小。同时,从长期来看卢旺达电力市场在未来五年负荷和耗电量是增加的。在研究的最后,本研究提出了进一步研究公用设施的建议。(本文来源于《华北电力大学(北京)》期刊2019-06-01）
黄元生,张利君[6]（2019）在《基于遗传算法的BP-LSSVM组合变权模型权重优化的短期电价预测研究》一文中研究指出为了能够精确预测短期电价为市场参与者提供有效的决策指导,首先对电价数据进行水平处理,然后建立BP神经网络(BPNN)和最小二乘支持向量机(LSSVM)组合变权模型(BP LSSVM),同时提出采用遗传算法(GA)对该组合变权模型的权重进行优化,最后将权重优化之后的GA BP LSSVM模型应用于美国PJM电力市场的边际电价预测,并与传统的LSSVM与BPNN的预测结果进行比较,结果表明,该组合变权模型能够提供更加精确的预测电价。(本文来源于《煤炭工程》期刊2019年05期）
刘文,于强,龚文杰,张智晟[7]（2019）在《计及尖峰电价机制的短期负荷预测研究》一文中研究指出针对需求响应的实施对电力系统短期负荷预测带来的新挑战,本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理,依据基于消费者心理学的用户响应模型,对实施需求响应后的负荷序列进行模拟。同时,构造了Elman神经网络短期负荷预测模型,由于Elman神经网络的承接层反馈使其具有较好的动态存储功能,使模型对非线性负荷序列具有良好的预测性能,并给出实际算例进行仿真分析。仿真结果表明,采用计及尖峰电价需求响应机制的Elman神经网络预测模型,能较准确预测在需求响应策略影响下负荷曲线的变化,最大相对误差为4.34%,平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型,预测精度明显较低,其最大相对误差为10.76%,平均绝对误差为6.71%,说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。(本文来源于《青岛大学学报(工程技术版)》期刊2019年02期）
姚蕊[8]（2019）在《基于净现值法的我国分布式光伏电价补贴预测研究》一文中研究指出随着我国经济的发展,能源和环境的压力日渐增加。光伏、风电等可再生能源的大规模应用,能够部分替代和减少传统化石能源的使用,从而缓解局部能源供应短缺与环境保护的双重压力。价格补贴作为一种行之有效的政策手段,合理的补贴价格有利于促进我国光伏产业的健康发展。目前我国对光伏产业补贴额度较高,高额的补贴引发了可再生能源基金入不敷出和用户骗补等一系列的问题。2018年6月国家发展改革委、财政部、国家能源局发布《关于2018年光伏发电有关事项的通知》中提到我国光伏发电规模不断扩大,技术进步和成本下降速度明显加快,要加快光伏发电补贴退坡,降低补贴强度。因此本文根据不断下降的光伏设备成本对我国分布式光伏电价补贴进行预测,一方面为国家优化电价补贴退坡机制提供政策参考,另一方面也为分布式光伏项目投资者的投资决策提供意见。目前的研究主要集中于光伏初始投资补贴和上网电价补贴政策,本文主要针对分布式光伏度电补贴政策作相关研究。论文首先梳理了我国分布式光伏的定义和相关政策,然后对我国分布式光伏电价补贴影响因素做了系统动力分析,发现光伏设备成本是影响光伏补贴的最直接因素,接着基于双因素学习曲线构造了光伏设备成本预测模型并预测了我国光伏设备成本。基于已经预测的光伏设备成本利用净现值法构建了分布式光伏电价补贴预测模型,先以我国浙江省一般工商业分布式光伏用户为例进行度电补贴预测,考虑并预测了不同贷款方式、补贴年限、自用比例、日照时间、区域分布下的电价补贴变化趋势,然后将预测模型应用到全国另外24个的省市并得出了各省市度电补贴预测的结果。研究发现:2018年浙江省居民用户和大工业用户所需的度电补贴比一般工商业用户所需的度电补贴分别高出0.14元/kWh和0.08元/kWh;增大贷款比例、延长贷款年限、增大自用比例可降低度电补贴金额;全国各省一般工商业用户预计在2022年可以全部去补贴。研究贡献在于使用净现值法综合考虑多种因素建立了我国分布式光伏度电补贴预测模型,并将其运用到我国分布式光伏补贴预测之中。研究结果为政府优化补贴退坡政策和用户投资决策提供了参考。(本文来源于《合肥工业大学》期刊2019-05-01）
常子汉[9]（2019）在《基于小波变换与Adam优化的LSTM电价预测研究》一文中研究指出当今社会,电能与人类的生活和经济的发展息息相关,如何合理并且高效地利用电能成为了一个国家乃至全世界所密切关心的问题。在此背景下,电价的精准预测也成为了能源市场研究人员和电力决策者的研究重心,他们通过对于电价的预测来实时安排或调整电能的生产以及进行相关的决策实施。然而在很大程度上,电的价格具有很大的不稳定性,这也是由于电能的生产与消费经常会受到一些诸如季节、燃料类型以及天气等因素影响,这些因素会实时地让电的价格产生波动。正因为这样,电价的预测对于研究者来说是一项困难而具有挑战性的任务。近年来随着人工智能的蓬勃发展,深度学习因其出色的表现而在各个应用领域内受到研究人员的青睐。循环神经网络(RNN)作为深度学习的一种,在处理序列数据预测上具有明显的优势,而长短期记忆网络(LSTM)是在循环神经网络的机制上做出了一系列的改进,使其在序列预测方面有了进一步的提升。Adam是一种新兴的基于随机梯度优化的优化方法,它能够使深度学习模型在处理非线性问题上表现更为出色。而小波变换(wavelet transform)是进行信号时频分析的有力工具,它可以在不改变数据本身的基础上,通过分解时间序列数据使得处理后的数据方差更小。在此基础上,本文提出了一种基于Adam优化的LSTM神经网络与小波变换的新型混合模型,简记为WT-Adam-LSTM,该模型在电价预测上具有不俗的表现。文章列举了四个案列来证明WT-Adam-LSTM的出众表现,并采用了澳大利亚新南威尔士州以及法国的电力市场的公开数据集进行了实验。最终的实验结果表明,本文提出的混合模型WT-Adam-LSTM确实能够显着地提高电价的预测精度。(本文来源于《兰州大学》期刊2019-04-01）
吉晓琼[10]（2019）在《基于深度学习的电力市场短期电价预测研究》一文中研究指出电力行业不断从垄断经营走向竞争化,电力市场的价格变动也对公用事业收入和用户成本产生不利影响。电价的变动既对供给侧发电售电带来了挑战,也为用户侧的使用产生了影响,作为市场调节的杠杆,准确的电价预测显得尤为重要。在保证电力可靠性、高效性和安全供应的前提下,要保证售电公司准确把握市场导向,提供具有竞争力的价格与服务。目前存在的电价预测方法对其周期性变化规律利用度较低,预测步长较短,使得电价预测存在较大误差。通过调取美国PJM电力市场电价数据库中数据,分析电力市场改革下售电公司的成立对电价产生的影响,学习深度学习的相关理论,提出基于ELU激活函数的双向LSTM模型对电力市场供给侧短期电价变化进行预测。主要针对循环神经网络的缺点和不足,通过分析影响电价的因素,采用LSTM模型,在对激活函数进行优化与改进后设计E-BLSTM模型并进行实验分析,在有限次迭代达到收敛情况下证明了模型的准确性。具体工作如下:1)针对电价数据受到多因素影响的问题,利用模糊相似性原理,对数据做预处理,将神经网络算法引入电价预测模型中,根据时间序列之间存在的相关关系对样本数据进行学习与训练,降低实验误差。2)针对反向传播计算过程中的梯度消失问题,根据电力市场供给侧对电价的敏感度,捕捉电价线性和非线性的特点,设计售电市场供给侧电价预测的E-BLSTM模型。利用LSTM保持长久记忆特征,改进sigmoid函数和tanh函数,在LSTM模型上添加叁类阀门,将ELU激活函数引入双向LSTM电价预测模型中,提高步长,解决梯度消失问题。使用优化的ADAM梯度下降算法,根据训练数据迭代地更新神经网络的权重,选择最优的损失函数,提高电价预测的准确率。3)将设计的E-BLSTM模型与普通的LSTM模型进行对比,为保证实验的准确性,并与ARIMA模型和ARMA模型进行对比实验,实验证明算法能收敛到较低的损失率,可以对电力市场供给侧波动较大的电价进行精确预测,证明了模型的有效性和可收敛性。(本文来源于《华北电力大学》期刊2019-03-01）
预测电价论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决单项电价预测方法的准确性不足、稳定性欠缺的问题,本文根据组合预测原理研究了基于信息熵的电价组合预测方法。基于信息熵理论,采用多准则评价方法对单项电价预测方法进行评价,建立了电价组合预测模型。电价预测实例验证了基于信息熵组合预测方法的可靠性,较单项预测方法提高了预测精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
预测电价论文参考文献
[1].张亮,王洪涛,邹斌.基于数据驱动的组合电价预测研究[J].工业控制计算机.2019
[2].刘源,胡雷周.基于信息熵的电价组合预测方法研究[J].中国管理信息化.2019
[3]..李克强主持召开国务院常务会议[N].人民日报.2019
[4].邹雅,滕贤亮,王阳,涂孟夫,谢蔚.现货市场环境下基于堆迭自编码器的电价预测[C].中国电机工程学会电力市场专业委员会2019年学术年会暨全国电力交易机构联盟论坛论文集.2019
[5].Jeanne,Baptiste,NIYIGENA.电价预测与市场分析“卢旺达案例研究”[D].华北电力大学(北京).2019
[6].黄元生,张利君.基于遗传算法的BP-LSSVM组合变权模型权重优化的短期电价预测研究[J].煤炭工程.2019
[7].刘文,于强,龚文杰,张智晟.计及尖峰电价机制的短期负荷预测研究[J].青岛大学学报(工程技术版).2019
[8].姚蕊.基于净现值法的我国分布式光伏电价补贴预测研究[D].合肥工业大学.2019
[9].常子汉.基于小波变换与Adam优化的LSTM电价预测研究[D].兰州大学.2019
[10].吉晓琼.基于深度学习的电力市场短期电价预测研究[D].华北电力大学.2019
论文知识图
