基于混合小波粒子群优化算法的自适应模糊神经网络技巧的短期电价预测.docxVIP

电力系统自动化会刊，第26卷，1号，2011年2月 基于混合小波-粒子群优化算法的自适应模糊神经网络方法的短期电价预测 摘要——在竞争激烈的市场中，本文将提出一种结合了小波转换，粒子群优化和自适应性模糊神经网络算法的新型的混合方法来用于短期电价预测。这个方法起源于一个基于西班牙大陆市场的方案研究而提出，通过彻底的对照，同时考虑到以前的出版物的结果，最后才得出的结果。 关键词——电力市场，模糊逻辑，神经网络，价格预测，群优化，小波转换。 一．介绍 在过去的二十年期间，全世界的电力系统工业都承担着意义重大的结构凋整。在大多数国家，一个成本最小化模式已经被利润最大化模式取代。在利润最大化的框架内，生产商，零售商和消费者通过市场相互影响寻求他们各自利润的最大化。双边合同框架和同池效应这两个市场结构经常被考虑在内。 考虑到物价计算数列存在的特殊的特点，物价计算数列远比需求计算数列更加复杂。在多数的竞争电力市场中，物价计算数列代表了一下的特征：高频率，非常数均值和方差，每日或每周的季节性，日程表对周末和公共假期的影响，高波动和高百分比的不寻常物价。因此，在竞争激烈的环境下，价格预测工具对所有市场参与者是非常必要的。从短期来看，生产商需要价格预测来获得最佳的自我进程和取得他投标策略。零售商和消费者同样也需要和生厂商一样的价格预测。 在许多技术文献中，很多预测短期电价的技术被刊登，即名为硬件和软件计算技术。 硬件计算技术包括自回归综合滑动平均（ARIMA）,微波自回归综合滑动平均和混合模式方法。通常来说，需要一个精确的系统模式和找出一个解决方案通过考虑物理现象运用预算法则来控制进程。虽然这些方法可以非常精确，但是需要很多的信息量和高电脑运算花费。 软件计算技术包括神经网络（NN），模糊神经网络(FNN)，加权近邻(WNN)，自适应微波神经网络(AWNN)，混合智能系统(HIS)和级联神经进化算法(CENA)。一种小波变换与神经网络（NNWT）结合的方法最近也被提了出来，在预测精确度和计算时间两者间取得很好的权衡。通常一个输入输出的绘制是从历史的样本中获得的，所以并不需要去建模一个系统。因此，如果是有正确的输入数据，这些方法可以更好地提高计算效率并且和硬件计算技术一样精确。 在本文中将提出一种新的混合方法来进行短期电价预测。此方法是基于微波变换，粒子群算法和自适应模糊神经网络相联合的。我们的混合WPA方法在西班牙大陆的电力市场上检测，通常在一些价格预测报告上做为测试方案。现以得出西班牙市场上有很强的非线性行为和时变函数关系，所以这个市场是真正的世界级足够复杂的方案研究。这个方法与自回归综合滑动平均模型、混合模式、神经网络,小波-自回归综合滑动平均模型、加权近邻、模糊神经网络、混合智能系统、自适应微波神经网络、小波变换与神经网络和级联神经进化算法这些方法相比，能证明它在预测精确性和计算时间上的有效性。 这篇文章的贡献有一下三个方面： 提出一个新的短期电力价格预测的混合方法。 提高预测精确性，重视先前的出版刊物的结果。 减少建模复杂性，从而实现一个可接受的计算时间。 这篇文章有以下几个章节组成。第二节是用此种方法来预测电价。第三节是用不同的标准来评估预测的精确性。第四节是基于西班牙大陆电力市场的方案研究的结果。第五节是概述结论。 二．计算方法 这张计算方法是基于小波变换、粒子群优化和适应性神经模糊推论系统的联合。小波变换(WT)是通常用于分解一些非常态的价格数列变成一系列简单的基本数列。接着，这些基本数列的未来价值就用适应性神经模糊推论系统（ANFIS）来预测。粒子群优化(PSO)是用于提高ANFIS的成果，调整所需的隶属函数来实现较低的错误。最后，上述ANFIS预测通过相反的WT,重健价格数列的未来态来预测价格。 微波变换 微波变换将一个价格数列转换成一系列基本数列。这些基本数列比原来的价格数列更简单，因此它们可以更精确地预测。基本数列更简单的原因就是微波变换的过滤效果。 微波变换可以分为两类：连续微波变换（CWT）和离散微波变换(DWT)。连续微波变换函数W(a,b) 是信号函数f(x)与基波 Φ（Χ）的关系为： 其中刻度参数a控制微波的延伸范围，平移参数b决定他的中心位置。 DWT更高效并且与CWT一样精确。DWT定义为： 其中T是信号函数f(t)的长度。刻度参数和平移参数是整数变量m和n的函数(a=2m,b=n2 一个快速的基于四个过滤器的小波变换算法通过Mallat开发出来。虽然抽取过程有利于更快的计算过程，但该算法不是随时间变化而转换的，并可能在进程中丢失历史信息。这种丢失在预测模式中尤其不希望存在，因为已完成的精确历史数据对于预测未来的数据时必不可少的。为了保持重要的历史信息以及时间不变性的变换，由MATLAB提供的多余的或者