基于kmeans聚類的模糊神經(jīng)網(wǎng)絡市場清算電價預測

1、基于k-means聚類的模糊神經(jīng)網(wǎng)絡市場清算電價預測摘要正規(guī)化模糊神經(jīng)網(wǎng)絡(NFNN)具有構造復雜，學習時間長等缺點。針對NFNN的缺點，本文應用了一種改良的模糊神經(jīng)網(wǎng)絡(IFNN)預測市場清算電價(P)。該模型構造簡單，只需通過k-eans聚類確定模糊推理層節(jié)點的個數(shù)，適用性強，預測準確度較高。關鍵字電價預測；模糊神經(jīng)網(wǎng)絡；k-eans聚類1引言在電力體制改革的過程中，電價作為重要的經(jīng)濟杠桿，在建立和培育電力市嘗優(yōu)化配置電力資源及調(diào)整各種利益關系等方面具有不可替代的作用。P(arketlearingPrie)反映了電力商品的短期供求關系，對P的準確預測將為市場監(jiān)管部門提供重要的科學根據(jù)，從而

2、促進市場安康、穩(wěn)定、有序地開展。因此，電價預測已成為許多學者研究的熱點，進步電價的預測精度成為研究的核心。人工神經(jīng)網(wǎng)絡(ANN)可以處理多變量和非線性問題，且具有自適應和容錯才能，預測精度高，是目前研究比擬多的預測P的方法。但是，利用ANN進展P預測存在網(wǎng)絡復雜，訓練速度慢，缺少學習不確定、模糊信息的才能等諸多缺點。而模糊邏輯系統(tǒng)恰能處理不確定、模糊的信息，信息處理的速度快，因此近年來，把兩者結合起來的理論模糊神經(jīng)網(wǎng)絡(FNN)，引起了許多學者的廣泛關注。已經(jīng)有學者應用FNN預測電價，預測精度也有了一定的進步，但大多數(shù)采用的是正規(guī)化的模糊神經(jīng)網(wǎng)絡(NFNN)1-2。這種模型需要根據(jù)專家的經(jīng)歷確

3、定每一個變量的模糊分割數(shù)，但有時候連專家都很難把握某些經(jīng)歷。針對NFNN存在的缺陷，本文采用一種改良的FNN模型，利用北歐電力市場的歷史電價數(shù)據(jù)對模型進展訓練，并預測P，仿真結果說明所提出的模型能到達較高的預測精度，具有一定的研究價值。2電價的特點電力的市場化運營使得電力和普通商品一樣可以自由交易，電力價格會隨機波動，但是由于電力的特殊性，使得電價表現(xiàn)出與普通商品價格不同的特點3。首先，由于電力商品不能有效存儲，而電力消費要務實時供需平衡，這使得電力價格呈現(xiàn)出強烈的波動性，如圖1所示。其次電價受許多隨機、不確定、模糊因素的影響，如負荷、氣溫、降水量、發(fā)電商的報價策略、系統(tǒng)設備故障等，使得電力價

4、格出現(xiàn)跳躍和尖峰。此外，電價受季節(jié)和氣候等因素的影響，具有很強的周期性，包括季節(jié)、星期和天的周期性。正因為電價序列多樣性的特點，所以目前電價預測準確度普遍較低。圖1北歐電力市場2022年第47、48周的電價3模糊神經(jīng)網(wǎng)絡4FNN充分利用了模糊邏輯系統(tǒng)和ANN的優(yōu)點，防止了各自的缺點。把神經(jīng)網(wǎng)絡引入到模糊系統(tǒng)中，用神經(jīng)網(wǎng)絡高速并行地實現(xiàn)模糊推理，通過對神經(jīng)網(wǎng)絡的訓練去記憶人們的經(jīng)歷知識，比常用的模糊邏輯方法更符合人類認識的形式。并且采用了模糊數(shù)學的計算方法，處理單元的計算變得較為簡單，信息處理的速度加快。FNN仍然按照模糊邏輯的運算步驟分層構造(輸入層、模糊化層、模糊推理層和反模糊化層)。通常，

5、FNN的實現(xiàn)方法是先提取模糊規(guī)那么，再利用神經(jīng)網(wǎng)絡的學習算法對神經(jīng)模糊系統(tǒng)的參數(shù)進展調(diào)整。由于FNN由模糊規(guī)那么組成，既能通過先驗知識初始化模糊規(guī)那么，又能利用訓練樣本直接建立模糊規(guī)那么。因此FNN的學習過程既可以是數(shù)據(jù)驅(qū)動的，又可以是知識驅(qū)動的。通常先采用專家經(jīng)歷獲取模糊規(guī)那么，然后通過網(wǎng)絡學習完善模糊規(guī)那么，但這種方法實現(xiàn)起來非常困難。而引入神經(jīng)網(wǎng)絡后，不僅解決了先驗知識缺乏時模糊規(guī)那么的自確定問題，而且還可以實現(xiàn)模糊系統(tǒng)的自適應功能。目前已經(jīng)有學者應用FNN對短期電價進展預測，預測精度相比ANN有了一定的進步，但大多采用的是正規(guī)化的模糊神經(jīng)網(wǎng)絡(NFNN)。這種模型需要根據(jù)專家的經(jīng)歷確定

6、每一個變量的模糊分割數(shù)，假如分割數(shù)過多，網(wǎng)絡規(guī)那么數(shù)就會按指數(shù)速度增長，網(wǎng)絡規(guī)模相應的也會擴大，這勢必會增加網(wǎng)絡的訓練時間。假如網(wǎng)絡有8個輸入變量，每個變量有3個模糊分割數(shù)(一般為高、正常、低)，那么網(wǎng)絡規(guī)那么數(shù)就有38；假如分割數(shù)過少，那么會影響網(wǎng)絡規(guī)那么的描繪的全面性，預測精度也會大大折扣。而電價受許多不確定因素的影響，有時候連專家都很難把握某些經(jīng)歷。針對NFNN存在的缺陷，本文應用了一種改良的FNN模型。4改良的模糊神經(jīng)網(wǎng)絡4.1網(wǎng)絡的構造5本文應用的模糊神經(jīng)網(wǎng)絡為一個四層網(wǎng)絡，分別為輸入層、模糊化層、推理層、以及反模糊化層，如圖2所示。輸入層對應的輸入變量x是一個n維的特征向量。模糊化

7、層節(jié)點的個數(shù)為n，輸入變量為xi，i=1，2，n，輸出為n個變量的個模糊化值，高斯型隸屬函數(shù)具有光滑平穩(wěn)的過渡特性，是應用最多的一種隸屬度形式，故本文采用高斯型隸屬函數(shù)，公式為：表示函數(shù)的中心，表示函數(shù)的寬度，表示模糊規(guī)那么的數(shù)目。在FNN中參數(shù)、被看作是網(wǎng)絡模糊化層和模糊規(guī)那么層的連接權值，在網(wǎng)絡訓練過程中不斷得到調(diào)整。模糊推理層每個節(jié)點對應一個模糊規(guī)那么，其節(jié)點的輸出是隸屬函數(shù)的乘積。該層節(jié)點的數(shù)目通過對樣本的k-eans聚類得到，并可以根據(jù)誤差要求調(diào)整聚類的個數(shù)。聚類個數(shù)不宜多也不宜少，一般為4或5。反模糊化層采用中心平均反模糊化法節(jié)點個數(shù)為1，即預測時刻的電價y。j是模糊推理層第j個節(jié)

8、點與反模糊化層的連接權值。與NFNN模型相比擬，本文提出的模型不需要專家的經(jīng)歷，是數(shù)據(jù)驅(qū)動的模型；同時網(wǎng)絡的規(guī)模也比NFNN模型簡單的多，假設NFNN有8個輸入變量，每個變量有3個模糊分割數(shù)，那么網(wǎng)絡節(jié)點數(shù)為6594個；同樣假設改良的FNN也有8個輸入變量，模糊推理層節(jié)點個數(shù)為5個，那么網(wǎng)絡節(jié)點數(shù)才有54個。轉貼于論文聯(lián)盟.ll.4.2網(wǎng)絡的學習算法FNN本質(zhì)上是實現(xiàn)輸入和輸出的非線性映射，參數(shù)，和可采用誤差反向傳播算法進展調(diào)整，其目的函數(shù)選為：y為網(wǎng)絡輸出，t為期望輸出ij，ij對ij的調(diào)整可以用以下公式：是網(wǎng)絡的學習率。4.3k-eans聚類通過對樣本的k-eans聚類確定模糊規(guī)那么的數(shù)目

9、。算法的思路是：首先隨機選擇k個對象代表k個類，每一個對象作為一個類的原型，根據(jù)間隔 最近的原那么將其它對象分配到各個類中。在完成首次對象的分配之后，以每一個類的所有對象的平均值(ean)作為該類新的原型，迭代進展對象的再分配，直到?jīng)]有變化為止，從而得到最終的k類。圖3聚類效果圖通過對樣本聚類，聚類數(shù)為2時聚類效果最好，如圖3所示。為了進步精度，我們?nèi)【垲悢?shù)為2，3，4，分別對網(wǎng)絡進展訓練，然后對網(wǎng)絡輸出加權平均，結果即為預測時刻的電價。5算例5.1輸入變量的選擇輸入變量要選擇與預測電價有顯著相關性的變量。各市場的電價均有較高的自相關性，前期的電價必然會影響后期的電價，歷史電價是電價預測的根本

10、因素。針對電價序列周期性的特點，本文選擇8個變量作為網(wǎng)絡的輸入，分別為P(d，t-1)、P(d，t-2)、P(d-1，t-1)、P(d-1，t)、P(d-1，t+1)、P(d-7，t-1)、P(d-7，t)、P(d-7，t+1)，輸出為P(d，t)，即為預測日t時刻的電價。5.2算例分析本文采用北歐電力交易市場公布的07.10.29至08.2.10期間的電價數(shù)據(jù)對網(wǎng)絡進展訓練，并預測08.2.11至08.2.17各時段的電價。11日的電價預測曲線如圖4所示。圖411日的電價預測曲線評價預測結果使用下面兩個指標：a：日平均絕對百分比誤差：b：日平均準確率R：pi為預測時刻實際電價，pi為預測電價

11、，N=24，是北歐電力市場日清算電價個數(shù)。表1給出了不同方法的日平均絕對百分比誤差和日平均準確率，神經(jīng)網(wǎng)絡選用了BP神經(jīng)網(wǎng)絡。通過表中數(shù)據(jù)可以看出，改良的模糊神經(jīng)網(wǎng)絡模型總體效果較好，進步了預測精度。13日的僅有0.66%，高達99.09%。15日8：00實際電價到達了75.11EUR/h，預測結果偏離實際值較大，可能是導致誤差比ANN大的原因，從而可以看出本文方法對尖峰電價預測效果不好，而對于電價變化相對平穩(wěn)的時刻效果卻很明顯。算例分析結果充分證明了模糊神經(jīng)網(wǎng)絡在電價預測方面具有較好的應用前景。表111-17日的電價預測誤差和準確率日期ANN本文方法RR3.794.303.1695.322.

12、5696.721.6398.153.9795.160.6699.095.9791.254.8093.297.3789.447.5086.757.4489.606.4992.583.3195.502.1797.276結論本文應用改良的模糊神經(jīng)網(wǎng)絡預測市場清算電價，該方法有以下優(yōu)點：預測結果準確率相比ANN有較大的進步。盡管預測模型是基于模糊理論的，但是并不需要進展詳細的規(guī)那么設計，只需要通過樣本聚類來確定模糊規(guī)那么數(shù)，這就進步了該方法的適應性。因此，該方法在預測電價方面有廣闊的應用前景。但是該方法在應用中也有缺點，比方對尖峰電價預測誤差較大；訓練樣本少時，預測結果不是很準確。電價受許多隨機、不確定因素的影響，本文僅考慮了歷史電價對預測時刻電價的影響，而沒有考慮其它因素，這也是本文的缺乏之處，下一步將一并考慮其它因素對電價的影響，進一步進步電價預測的精度。參考文獻1趙慶波，周原冰，郭蓉，等.模糊神經(jīng)網(wǎng)絡在電力系統(tǒng)邊際電價預測中的應用J。電網(wǎng)技術，2022，28(7)：1-42NiaAjady.Day-AheadPrieFreastingfEletriityarketsbyaNeFuzzyNeuralN