导读:本文包含了电价预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:遗传算法,BP神经网络,最小二乘支持向量机,短期电价预测
电价预测模型论文文献综述
黄元生,张利君[1]（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）
潘玉荣,贾朝勇[2]（2018）在《基于季节ARIMA模型的短期电价预测》一文中研究指出考虑电价具有波动性、多重周期性和均值回复性等特点,将季节ARIMA模型应用于电价的短期预测中.以美国加州电力市场的历史电价数据为样本,利用EVIEWS软件建立了电价的短期预测模型,并用建立的模型对未来一天24个时段的电价进行预测.研究结果表明,季节ARIMA模型对短期电价具有较高的预测精度.(本文来源于《白城师范学院学报》期刊2018年12期）
匡鹏,李刚,刘本希[3]（2018）在《基于缓冲算子和GM(1,1)模型的电价预测方法》一文中研究指出在以水电等清洁能源为主的电力市场环境中,电价波动较为明显。由于冲击扰动作用导致市场行为数据信息本身失真,直接建模预测电价已难以得出准确的结果,需要削弱甚至消除冲击扰动作用。利用缓冲生成序列对原始数据序列施以缓冲算子,可淡化或消除冲击扰动对系统行为数据序列的影响。分别采用原始序列和缓冲生成序列,对某省自开展市场化交易以来的电价统计信息进行建模,分析结果表明,缓冲算子对提高预测精度是切实有效的。(本文来源于《水力发电》期刊2018年11期）
王曙,潘庭龙[4]（2018）在《Stacking集成模型在短期电价预测中的应用》一文中研究指出为进一步提高短期电价预测结果的准确性和可靠性,本文提出了一种运用Stacking学习方式去集成不同基础学习器的短期电价预测模型。首先采用J-Fold和交叉验证的方式对数据进行分割和训练,将原始特征进行特征变换,重新构建二级特征;然后再使用构建的新特征去训练Meta学习器,用于样本数据的最终预测。实验结果表明,相比较于单一的回归模型,Stacking集成模型具有更小的误差和良好的稳定性,为短期电价预测提供了新方法。(本文来源于《中国科技论文》期刊2018年20期）
谢晓龙,叶笑冬,董亚明[5]（2018）在《梯度提升随机森林模型及其在日前出清电价预测中的应用》一文中研究指出发电企业竞价上网需要对未来的电价进行预测,以指导其进行报价。针对电价预测问题,提出一种新的梯度提升随机森林模型,并应用于电价预测。该方法为集成学习方法,在随机森林模型的基础上应用梯度提升算法,有效结合Bagging与Boosting两种集成学习策略的优势,提高模型预测的准确性。将该模型应用于PJM日前市场的电价预测,结果表明,该模型优于传统的随机森林模型和提升树模型,能够在其基础上进一步提高电价预测的准确性。(本文来源于《计算机应用与软件》期刊2018年09期）
谢诗宇[6]（2018）在《基于统计学习的电价预测模型》一文中研究指出随着电力市场化改革的进行,电价在整个电力行业中的地位日渐凸显,同时影响电价的因素众多,情况复杂,电价预测也引起了学者们的广泛研究兴趣。随着信息化社会的发展,大数据领域,机器学习理论和应用的迅速拓展,将机器学习应用于电价预测已经成为一个热点研究方向。本文通过对来自KEEL公开数据库的电价以及不同类别电量的数据采用不同的机器学习算法进行建模,并且提出了基于统计学习的电价预测系统,取得了很好的预测效果。(本文来源于《通讯世界》期刊2018年05期）
刘丽燕[7]（2016）在《基于非参数GARCH模型的电力市场日前电价预测研究》一文中研究指出2015年3月中共中央国务院提出的《关于进一步深化电力体制改革的若干意见》旨在完善电力市场的竞争机制。随着我国电力市场市场化程度的加深,电价更容易受到市场环境的影响而表现出波动剧烈、极值跳跃等特征,从而给电力市场的参与者带来了很大的风险。因此,预测电价受到了市场各方参与者的重视。发电商需要根据预测的电价优化报价策略,用户则需要根据预测的电价整合电价的购买组合,市场监管者需要根据预测的电价实施监督和管理,以确保电力市场稳健的运行。综上可知,准确的电价预测具有极其重要的作用。本文以北欧电力市场(包括其中瑞典和爱沙尼亚两个市场节点)和美国PJM电力市场的电价数据为例,运用非参数GARCH模型对电力市场日前电价进行预测。首先建立ARMA模型,获得电价序列残差,然后运用了参数GARCH族模型拟合残差序列的异方差性。假设电价序列的波动率之间存在象形相关关系,并通过设定残差服从正态分布和学生t分布,对参数GARCH族模型进行参数估计,进而进行电价预测。通过比较不同的参数GARCH族模型的预测效果,找出四组电价数据相对最适应的参数GARCH族模型。通过研究发现,参数GARCH族模型的假设并不总是成立。在此基础之上,提出了基于非参数的GARCH(NPGARCH)模型来进行电价预测。本文在研究了NPGARCH模型的理论基础和估计原理,在不设定残差分布的基础上,运用核函数回归法对模型进行估计,然后对所选数据进行电价预测。通过比较参数GARCH族模型和非参数GARCH模型的预测精度,得出非参数GARCH模型能够更好的拟合电价的波动特征,提高预测精度。(本文来源于《重庆师范大学》期刊2016-05-01）
刘丽燕,邹小燕[8]（2016）在《GARCH族模型在电力市场电价预测中的比较研究》一文中研究指出电力市场电价的剧烈波动存在巨大的风险。准确的电价预测有助于市场参与者管理风险并达到自身利益的最大化。用ARMA—GARCH族模型对美国PJM电力市场和北欧电力市场的日前小时电价序列进行建模和预测。在模型估计时假设残差分别服从正态分布和学生t分布,进而比较不同模型对不同电力市场日前电价的预测精度。通过比较得出,非对称的GARCH模型预测效果较好。但ARMA—GARCH族模型不适用于波动异常剧烈、电价序列间相关性较弱的电力市场,并以澳大利亚电力市场电价数据为例进行了分析。(本文来源于《电力系统保护与控制》期刊2016年04期）
陈慧玲[9]（2015）在《电力市场环境下的短期电价混合预测模型》一文中研究指出随着经济的不断发展,人们的生活水平越来越高,对电力的需求也越来越大,电力系统的运行逐渐走向市场化,短期电价混合预测在电力企业发展中起到重要的作用。本文对电力市场环境下短期电价混合预测模式进行分析,探讨短期电价混合预测的方法。(本文来源于《科技经济市场》期刊2015年09期）
刘丽燕[10]（2015）在《GARCH族模型在电价预测中的研究》一文中研究指出电价的波动会给电力市场带来巨大的风险,精准的电价预测会给市场的参与者带来最大的收益。本文用ARMA-GARCH族模型对美国MISO电力市场的数据进行建模,并进行预测。比较不同模型的预测精度,结果显示,APARCG模型的预测精度最高。(本文来源于《商》期刊2015年33期）
电价预测模型论文开题报告
（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：
考虑电价具有波动性、多重周期性和均值回复性等特点,将季节ARIMA模型应用于电价的短期预测中.以美国加州电力市场的历史电价数据为样本,利用EVIEWS软件建立了电价的短期预测模型,并用建立的模型对未来一天24个时段的电价进行预测.研究结果表明,季节ARIMA模型对短期电价具有较高的预测精度.
（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。
电价预测模型论文参考文献
[1].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
[2].潘玉荣,贾朝勇.基于季节ARIMA模型的短期电价预测[J].白城师范学院学报.2018
[3].匡鹏,李刚,刘本希.基于缓冲算子和GM(1,1)模型的电价预测方法[J].水力发电.2018
[4].王曙,潘庭龙.Stacking集成模型在短期电价预测中的应用[J].中国科技论文.2018
[5].谢晓龙,叶笑冬,董亚明.梯度提升随机森林模型及其在日前出清电价预测中的应用[J].计算机应用与软件.2018
[6].谢诗宇.基于统计学习的电价预测模型[J].通讯世界.2018
[7].刘丽燕.基于非参数GARCH模型的电力市场日前电价预测研究[D].重庆师范大学.2016
[8].刘丽燕,邹小燕.GARCH族模型在电力市场电价预测中的比较研究[J].电力系统保护与控制.2016
[9].陈慧玲.电力市场环境下的短期电价混合预测模型[J].科技经济市场.2015
[10].刘丽燕.GARCH族模型在电价预测中的研究[J].商.2015