博士研究生论文答辩 - 模板.ppt

博士研究生论文答辩竞争性电力市场环境下电价预测方法与应用研究;汇报提纲;论文的背景;;;发电商竞价策略研究综述 基于成本分析 基于电价预测 基于博弈理论优化 基于矩阵博弈模型 基本寡头博弈模型 发电商风险控制研究综述 风险来源 风险管理 风险计量;论文的研究框架路线;电力市场及电价分析;电力市场体系结构;电力交易模式及交易类型 交易模式 双向合约模式 电力库模式 综合模式 交易类型 现货交易 合约交易 期货交易;电价的形成;电力产品及电价的特点;;;;;与一般商品的市场均衡不同，电力产品的市场均衡，必须同时实现电力和电量双重平衡 发电企业产出的关键是电力，其次才是电量 发电设备的装机容量（生产能力）不能以均匀的生产满足随时间变化的不均匀的需求，装机容量要大于最大电力负荷的120-150%（含备用容量）。 电力系统提供的电量既不能多于需求，又不能少于需求。 电力系统既需足够容量，还需统一调度;;;;平均绝对误差 均方误差 均方根误差 改进的平均绝对百分比误差 传统的MAPE 改进的MAPE;电价价格钉预测与控制 ;价格钉的定义;价格钉的成因;价格钉的影响因素;; 价格钉的判别及分布特点;价格钉的预测;;基于SMOTEBoost的SVM分类器价格钉预测模型;;算法模型 AdaBoost分类器 AdaBoost算法的基本思想是通过训练一组分量分类器，将多个弱分类器集成为一个强分类器。在训练过程中，每个训练样本被赋予一个初始权值，当一个弱分类器训练完成后，根据其在训练集上的分类结果对所有的样本权值进行调整，使得下一次训练的弱分类器更关注那些被识别错误的样本。最后的强分类器的判决结果是所有弱分类器判决结果的加权和 SMOTE增加少数样本法 增加少数样本法是通过增加数据集中少数类样本的办法，降低类别之间分布的不平衡程度。早期的增加少数法是直接复制少数类样本，以增加其数量。DeRouin等学者通过神经网络技术，用仿制取代复制，以期减少少数类信息的缺失。Chawla则沿用仿制的思路，提出了少数类信息的仿制技术SMOTE（Synthetic Minority Over- Sampling Technique） ;SMOTEBoostSVM集成算法 基本思想 先运用SMOTE技术合成少数类样本，改善数据的偏斜状况，然后用AdaBoost算法集成多个SVM分类器，从而达到非均衡数据集上更好的分类效果与模型泛化能力 算法流程 ; ;实例分析 数据的选择与预处理 评价指标 少数类正确率 多数类正确率 几何平均正确率 精确率 召回率 F-measure 训练与预测结果;;;电价的非线性预测;电价的解释变量选择 ;电价的非线性特性分析 ;电价非线性检验实例; ;关联维数统计检验 ;电价的非线性预测模型;;;47;;;;支持向量机模型; 证据框架与模型参数选择 贝叶斯证据框架是通过最大化参数分布的后验，来得到最佳参数值或最佳的模型。贝叶斯推断可分为三个层次：推断的第一层，选择模型的参数，在推断的第二层，选择模型超参数，第三层，选择模型的核参数，并选择相关输入变量 第一层推断 根据贝叶斯准则推断参数向量 和 的后验概率 第二层推断;;模型仿真与比较 ;仿真结果及比较;;57;58;在电价变化比较平缓的时段中（如W1周和W2周），局域多项式方法具有较高的预测精度，支持向量机方法以及样条回归方法稍逊； 在电价变化比较剧烈，价格钉出现频率较高的时间段中（如W5周和W6周），支持向量机方法具有较好的预测精度，而局域多项式方法则相对较差，样条回归方法则介于两者之间 即使对同一种方法，在电价变化相对平稳的时间段，其预测效果要优于变化剧烈的时间段，但支持向量机方法在各个时间段的预测精度相对稳定 ;电价的组合预测 ;组合预测基本概念 ;电价组合预测模型; ;加权几何平均电价组合预测 评价准则 误差信息矩阵 几何平均组合预测模型为下列优化问题;变权重几何平均的电价组合预测步骤 选择合适的时间区间 ； 分别用 种单项预测方法对区间 的电价进行预测，得到 个电价预测值； 计算这些预测值与真实值之间的差异； 计算最优权重； 用单项预测方法预测 时刻的电价值，并利用最优权重组合预测 时刻的电价； 令 ，返回步骤（2）。 不变权重几何平均的电价组合预测 令变权重几何平均组合预测中的时间区间参数 ，则变权重几何平均组合预测变为不变权重几何平均组合预测，其余的步骤同变权重几何平均组合预测 ;;;组合预测实例分析 组合方式 组合1：ARIMA、LS-SVM 组合2：ARIMA、LS-SVM、局域多项式 组合