李正欣博士論文答辯.ppt

博士研究生論文答辯 競(jìng)爭(zhēng)性電力市場(chǎng)環(huán)境下電價(jià)預(yù)測(cè)方法與應(yīng)用研究,博 士 生：李正欣 導(dǎo) 師：趙林度,2,匯報(bào)提綱,論文的背景 電力市場(chǎng)及電價(jià)分析 電價(jià)價(jià)格釘?shù)念A(yù)測(cè)與控制 電價(jià)的非線性預(yù)測(cè)模型 電價(jià)的組合預(yù)測(cè) 電價(jià)預(yù)測(cè)的應(yīng)用發(fā)電商容量分配研究 總結(jié)論文的創(chuàng)新點(diǎn),3,論文的背景,選題背景 近年來，由于電力、信息等技術(shù)的發(fā)展，世界各國(guó)紛紛進(jìn)行電力體制的改革 2002年，國(guó)務(wù)院出臺(tái)電力體制改革方案 2003年6月，國(guó)家電力監(jiān)管委員會(huì)陸續(xù)在東北、華東開展區(qū)域電力市場(chǎng)建設(shè)試點(diǎn)。 目前我國(guó)的電力市場(chǎng)已供大于求，電力的市場(chǎng)化改革將會(huì)不斷地深入。,4,研究目的 研究電價(jià)的變化規(guī)律 提高電價(jià)預(yù)測(cè)水平 控制發(fā)電商的決策風(fēng)險(xiǎn),5,國(guó)內(nèi)外研究綜述 電價(jià)預(yù)測(cè)研究綜述 博弈論模型 隨機(jī)模型 無參數(shù)和人工智能模型 價(jià)格釘?shù)呐袆e與預(yù)測(cè),6,發(fā)電商競(jìng)價(jià)策略研究綜述 基于成本分析 基于電價(jià)預(yù)測(cè) 基于博弈理論優(yōu)化 基于矩陣博弈模型 基本寡頭博弈模型 發(fā)電商風(fēng)險(xiǎn)控制研究綜述 風(fēng)險(xiǎn)來源 風(fēng)險(xiǎn)管理 風(fēng)險(xiǎn)計(jì)量,7,論文的研究框架路線,返回,8,電力市場(chǎng)及電價(jià)分析,電力市場(chǎng) 電力市場(chǎng)中的電價(jià) 電價(jià)的影響因素 電價(jià)預(yù)測(cè)概述,9,電力市場(chǎng)體系結(jié)構(gòu),10,電力交易模式及交易類型 交易模式 雙向合約模式 電力庫(kù)模式 綜合模式 交易類型 現(xiàn)貨交易 合約交易 期貨交易,返回,11,電價(jià)的形成,12,電力產(chǎn)品及電價(jià)的特點(diǎn),電力是一種較為特殊商品 網(wǎng)絡(luò)依賴性 不可大量?jī)?chǔ)存性 高度協(xié)調(diào)性 公共品 規(guī)模經(jīng)濟(jì)與自然壟斷 高沉淀成本 政府規(guī)制 用戶多樣、需求不確定,13,電價(jià)的統(tǒng)計(jì)特性 波動(dòng)性 周期性 均值回復(fù) 跳躍性和價(jià)格釘,14,電價(jià)在電力市場(chǎng)中的核心作用 吸引投資 優(yōu)化資源配置 增強(qiáng)企業(yè)活力 引導(dǎo)用戶合理用電，節(jié)能減排,返回,15,電力成本 發(fā)電成本 輸送成本 交易成本 市場(chǎng)交易并非無成本，交易成本主要為了： 了解市場(chǎng)信息 談判協(xié)商、達(dá)成交易的費(fèi)用 交易執(zhí)行、監(jiān)督費(fèi)用及違約成本 發(fā)電公司要實(shí)現(xiàn)利潤(rùn)最大化，需滿足邊際成本等于邊際利潤(rùn)。,16,市場(chǎng)供求狀況 需求 電力市場(chǎng)的需求具有不確定性 對(duì)日前市場(chǎng)，需求由市場(chǎng)交易中心給出預(yù)測(cè)值，可認(rèn)為是確定的、已知的 負(fù)荷（即需求）的不確定性交由實(shí)時(shí)市場(chǎng) 需求價(jià)格函數(shù)在短期內(nèi)接近于垂直與橫軸的曲線，即需要彈性接近于0。 供給 完全競(jìng)爭(zhēng)時(shí)，發(fā)電企業(yè)的市場(chǎng)供給曲線為水平直線,17,與一般商品的市場(chǎng)均衡不同，電力產(chǎn)品的市場(chǎng)均衡，必須同時(shí)實(shí)現(xiàn)電力和電量雙重平衡 發(fā)電企業(yè)產(chǎn)出的關(guān)鍵是電力，其次才是電量 發(fā)電設(shè)備的裝機(jī)容量（生產(chǎn)能力）不能以均勻的生產(chǎn)滿足隨時(shí)間變化的不均勻的需求，裝機(jī)容量要大于最大電力負(fù)荷的120-150%（含備用容量）。 電力系統(tǒng)提供的電量既不能多于需求，又不能少于需求。 電力系統(tǒng)既需足夠容量，還需統(tǒng)一調(diào)度,18,市場(chǎng)力與市場(chǎng)監(jiān)管 市場(chǎng)力 經(jīng)濟(jì)學(xué)對(duì)市場(chǎng)力的一般定義是指改變市場(chǎng)價(jià)格使之偏離市場(chǎng)充分競(jìng)爭(zhēng)情況下所具有價(jià)格水平的能力。 在電力市場(chǎng)中，市場(chǎng)力的行使和擴(kuò)大有多種方式： 電力企業(yè)擴(kuò)大自身的規(guī)模，包括企業(yè)自身的成長(zhǎng)以及企業(yè)間的兼并、合并、收購(gòu)等行為。 發(fā)電商通過持留行為行使市場(chǎng)力。一是物理持留，二是經(jīng)濟(jì)持留。 通過橫向合作限制競(jìng)爭(zhēng)。 有優(yōu)勢(shì)的發(fā)電企業(yè)通過自身壟斷力量來打擊、消滅競(jìng)爭(zhēng)對(duì)手或組織新的競(jìng)爭(zhēng)者的競(jìng)爭(zhēng)。如掠奪性定價(jià)。,19,市場(chǎng)監(jiān)管 最高價(jià)格限制 價(jià)格波動(dòng)限制,返回,20,電價(jià)預(yù)測(cè)概述 電價(jià)預(yù)測(cè)的基本概念 電價(jià)預(yù)測(cè)是在綜合考慮電價(jià)影響因素，運(yùn)用數(shù)學(xué)模型、計(jì)算機(jī)模擬等工具對(duì)相關(guān)數(shù)據(jù)進(jìn)行分析和研究，對(duì)未來電力市場(chǎng)中的電力交易價(jià)格進(jìn)行預(yù)測(cè)。 對(duì)電價(jià)的預(yù)測(cè)要求必須同時(shí)具備預(yù)測(cè)速度與預(yù)測(cè)精度，才具有實(shí)際的應(yīng)用意義。 電價(jià)預(yù)測(cè)分類 根據(jù)預(yù)測(cè)點(diǎn)分類 根據(jù)預(yù)測(cè)內(nèi)容分類 根據(jù)預(yù)測(cè)期限分類 電價(jià)預(yù)測(cè)誤差及評(píng)價(jià)指標(biāo) 絕對(duì)誤差和相對(duì)誤差,21,平均絕對(duì)誤差 均方誤差 均方根誤差 改進(jìn)的平均絕對(duì)百分比誤差 傳統(tǒng)的MAPE 改進(jìn)的MAPE,返回,22,電價(jià)價(jià)格釘預(yù)測(cè)與控制,價(jià)格釘?shù)慕?jīng)濟(jì)學(xué)分析 價(jià)格釘?shù)念A(yù)測(cè) 價(jià)格釘?shù)目刂?23,價(jià)格釘?shù)亩x,電價(jià)的突然、劇烈地波動(dòng),24,價(jià)格釘?shù)某梢?電力需求的兩方面缺陷 短期內(nèi)明顯缺乏價(jià)格彈性，很多市場(chǎng)價(jià)格彈性為零 電力需求由于氣候等因素呈現(xiàn)出較大的波動(dòng)性 電力供給的獨(dú)特性 發(fā)電是資金密集型產(chǎn)業(yè)，短期內(nèi)難以增加供給 電力不能經(jīng)濟(jì)儲(chǔ)存，需要在瞬間實(shí)現(xiàn)供給平衡，任何偶然的機(jī)組停運(yùn)或傳輸系統(tǒng)障礙都將直接影響供給并進(jìn)而影響電力供需平衡點(diǎn) 發(fā)電機(jī)組存在較高的啟動(dòng)成本,25,價(jià)格釘?shù)挠绊懸蛩?供給方面 裝機(jī)容量 停運(yùn) 發(fā)電機(jī)組種類 傳輸限制 需求方面 負(fù)荷持續(xù)時(shí)間 天氣敏感性 經(jīng)濟(jì)活動(dòng) 零售價(jià)格,26,市場(chǎng)組織及設(shè)計(jì)方面 零售電價(jià)限額 現(xiàn)貨交易比例 容量要求 批發(fā)價(jià)限額,27,價(jià)格釘?shù)呐袆e及分布特點(diǎn),判別 基于歷史數(shù)據(jù)的異常價(jià)格統(tǒng)計(jì)方法，即把價(jià)格處于 以外的異常值作為價(jià)格釘。 基于經(jīng)驗(yàn)的方法，即設(shè)定一價(jià)格閾值 ，將所有大于此值的電價(jià)視為價(jià)格釘。 基于價(jià)格變化量的方法，即若當(dāng)前價(jià)格與前一時(shí)間點(diǎn)價(jià)格的變化量 大于正常變化量的最大值時(shí)，認(rèn)定當(dāng)前電價(jià)為價(jià)格釘。 所有數(shù)值為負(fù)數(shù)的價(jià)格視為價(jià)格釘。 分布特點(diǎn) 同正常電價(jià)數(shù)據(jù)相比，價(jià)格釘數(shù)據(jù)所占比例通常很低，二者的比例可達(dá)100：1,返回,28,價(jià)格釘?shù)念A(yù)測(cè),預(yù)測(cè)模型 跳躍擴(kuò)散模型 區(qū)間選擇模型 將電價(jià)分解為含價(jià)格釘過程與不含價(jià)格釘?shù)倪^程兩個(gè)部分，而含價(jià)格釘?shù)倪^程假定為一兩狀態(tài)的馬爾柯夫過程,29,結(jié)構(gòu)化模型 供給函數(shù)由分段函數(shù)描述 均衡價(jià)格運(yùn)用供給與需求的交點(diǎn)解得，即 數(shù)據(jù)挖掘模模型 首先預(yù)測(cè)某一時(shí)點(diǎn)價(jià)格釘發(fā)生的可能性 然后預(yù)測(cè)價(jià)格釘?shù)拇笾路秶?最后再預(yù)測(cè)價(jià)格釘?shù)臄?shù)值,30,基于SMOTEBoost的SVM分類器價(jià)格釘預(yù)測(cè)模型,分類預(yù)測(cè) 電價(jià)數(shù)據(jù)分為2類：一類為價(jià)格釘；一類為正常電價(jià) 2類數(shù)據(jù)所占比例懸殊，是一種較為典型的非平衡數(shù)據(jù)集 解決的途徑可粗略地分為2個(gè)方向 對(duì)數(shù)據(jù)進(jìn)行采樣處理 一種是減少多數(shù)法（under-sampling），即通過對(duì)多數(shù)類樣本的數(shù)量來平衡2類樣本 另一類是增加少數(shù)法（over-sampling），即通過復(fù)制或插值等方法增加少數(shù)類樣本的數(shù)量 算法設(shè)計(jì) 線性Logistic回歸、決策樹、多層感知器神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、多項(xiàng)Logistic回歸以及支持向量機(jī)等,31,AdaBoost是一種最常見的Boosting方法，在每次迭代中，增加沒有正確分類樣本的權(quán)值，減少正確分類樣本的權(quán)值，更加關(guān)注于分類錯(cuò)誤的樣本。因少數(shù)類樣本更容易被錯(cuò)誤分類，所以有理由相信該方法能夠改進(jìn)對(duì)少數(shù)類的預(yù)測(cè)性能。 SMOTE技術(shù)（Synthetic Minority Over-sampling Technique）是非平衡數(shù)據(jù)集學(xué)習(xí)的一種新辦法，通過對(duì)少數(shù)類樣本的人工合成提高少數(shù)類樣本的比例，降低數(shù)據(jù)的過度偏斜。 SMOTE技術(shù)與AdaBoost結(jié)合，可有效避免由于賦予少數(shù)類樣本更大權(quán)值而可能產(chǎn)生的過度擬合。 SVM具有較強(qiáng)的泛化能力,32,算法模型 AdaBoost分類器 AdaBoost算法的基本思想是通過訓(xùn)練一組分量分類器，將多個(gè)弱分類器集成為一個(gè)強(qiáng)分類器。在訓(xùn)練過程中，每個(gè)訓(xùn)練樣本被賦予一個(gè)初始權(quán)值，當(dāng)一個(gè)弱分類器訓(xùn)練完成后，根據(jù)其在訓(xùn)練集上的分類結(jié)果對(duì)所有的樣本權(quán)值進(jìn)行調(diào)整，使得下一次訓(xùn)練的弱分類器更關(guān)注那些被識(shí)別錯(cuò)誤的樣本。最后的強(qiáng)分類器的判決結(jié)果是所有弱分類器判決結(jié)果的加權(quán)和 SMOTE增加少數(shù)樣本法 增加少數(shù)樣本法是通過增加數(shù)據(jù)集中少數(shù)類樣本的辦法，降低類別之間分布的不平衡程度。早期的增加少數(shù)法是直接復(fù)制少數(shù)類樣本，以增加其數(shù)量。DeRouin等學(xué)者通過神經(jīng)網(wǎng)絡(luò)技術(shù)，用仿制取代復(fù)制，以期減少少數(shù)類信息的缺失。Chawla則沿用仿制的思路，提出了少數(shù)類信息的仿制技術(shù)SMOTE（Synthetic Minority Over- Sampling Technique）,33,SMOTEBoostSVM集成算法 基本思想 先運(yùn)用SMOTE技術(shù)合成少數(shù)類樣本，改善數(shù)據(jù)的偏斜狀況，然后用AdaBoost算法集成多個(gè)SVM分類器，從而達(dá)到非均衡數(shù)據(jù)集上更好的分類效果與模型泛化能力 算法流程,34,4 輸出：最后的強(qiáng)分類器,35,實(shí)例分析 數(shù)據(jù)的選擇與預(yù)處理 評(píng)價(jià)指標(biāo) 少數(shù)類正確率 多數(shù)類正確率 幾何平均正確率 精確率 召回率 F-measure 訓(xùn)練與預(yù)測(cè)結(jié)果,返回,36,價(jià)格釘?shù)目刂?降低市場(chǎng)力 市場(chǎng)力的衡量指標(biāo) HHI指數(shù) Lerner指數(shù) 市場(chǎng)力的抑制措施 增加市場(chǎng)競(jìng)爭(zhēng)主體，降低市場(chǎng)集中程度 加強(qiáng)電網(wǎng)建設(shè)，合理布局電源 設(shè)立價(jià)格上限，加強(qiáng)市場(chǎng)監(jiān)管 鼓勵(lì)遠(yuǎn)期合約，引入電力期貨、期權(quán)等風(fēng)險(xiǎn)管理工具 建立有效的價(jià)格傳導(dǎo)機(jī)制，加強(qiáng)需求側(cè)響應(yīng),37,增加容量充裕性 在電力行業(yè)放松管制的改革前，作為公用事業(yè)的電力企業(yè)有保證電力穩(wěn)定供應(yīng)的義務(wù)，電力系統(tǒng)的裝機(jī)容量由其統(tǒng)一規(guī)劃并進(jìn)行投資決策，但改革后，沒有一家企業(yè)承擔(dān)此項(xiàng)義務(wù)，每個(gè)企業(yè)根據(jù)自己對(duì)于未來電力市場(chǎng)的發(fā)展趨勢(shì)判斷決定自己的投資決策。由于改革后的電力市場(chǎng)并沒有形成完全競(jìng)爭(zhēng)市場(chǎng)，而更接近于寡頭壟斷，加之電力行業(yè)的固有特征，如建設(shè)周期長(zhǎng)、投資大、需求受氣候等因素波動(dòng)性大等原因，以及價(jià)格上限等因素，造成市場(chǎng)對(duì)新機(jī)組的投資不足，成為多個(gè)市場(chǎng)價(jià)格釘產(chǎn)生，甚至電力危機(jī)產(chǎn)生的重要原因。 確定容量費(fèi)用的模式 容量責(zé)任模式 行政方法 顯式的額外容量費(fèi)用模式,返回,38,電價(jià)的非線性預(yù)測(cè),電價(jià)的解釋變量選擇 電價(jià)的非線性特性分析 電價(jià)的非線性預(yù)測(cè)模型 模型仿真與比較,39,電價(jià)的解釋變量選擇,需求 供給 可調(diào)容量 計(jì)劃停運(yùn) 競(jìng)價(jià)策略,返回,40,電價(jià)的非線性特性分析,多維時(shí)間序列的相空間重構(gòu) 非線性檢驗(yàn) Lyapunov指數(shù) 替代數(shù)據(jù)法 檢驗(yàn)統(tǒng)計(jì)量 Cao方法 關(guān)聯(lián)維數(shù),41,電價(jià)非線性檢驗(yàn)實(shí)例,最大Lyapunov指數(shù) 電價(jià)時(shí)間序列的最大Lyapunv指數(shù) 負(fù)荷時(shí)間序列的最大Lyapunv指數(shù) 相空間重構(gòu) 替代數(shù)據(jù)法檢驗(yàn)T值和關(guān)聯(lián)維數(shù) 使零假設(shè)在95%的置信水平內(nèi)有效，依據(jù)相位隨機(jī)化方法，對(duì)電價(jià)和負(fù)荷時(shí)間序列分別生成40組替代數(shù)據(jù),42,電價(jià)T值檢驗(yàn),負(fù)荷T值檢驗(yàn),43,關(guān)聯(lián)維數(shù)統(tǒng)計(jì)檢驗(yàn),返回,44,電價(jià)的非線性預(yù)測(cè)模型,局域多項(xiàng)式預(yù)測(cè)模型 單變量時(shí)間序列的局域多項(xiàng)式預(yù)測(cè) 用 個(gè)已知數(shù)值的 和 ，通過最小二乘法可確定上式中的系數(shù)，即： 通過QR分解方式將系數(shù)向量f 析出。,45,多變量時(shí)間序列的局域多項(xiàng)式預(yù)測(cè) 重構(gòu)的動(dòng)力系統(tǒng) 通過 階多項(xiàng)式局域擬合 與單變量類似，可通過QR分解的方式辯識(shí)出系統(tǒng)參數(shù),46,電價(jià)時(shí)間序列的多變量局域多項(xiàng)式預(yù)測(cè) 以廣義交叉驗(yàn)證值（GCV）作為參數(shù)集優(yōu)劣的評(píng)判標(biāo)準(zhǔn)，從一組參數(shù)集中選擇最優(yōu)的一組參數(shù) 算法步驟,47,48,多元樣條自適應(yīng)回歸模型 多元自適應(yīng)回歸樣條(MARS: Multivariate Adaptive Regression Splines)是用來解決多元數(shù)據(jù)問題的新方法。MARS將分段解釋方程匯總組合出一個(gè)較具彈性的預(yù)測(cè)模型。它是一種具有彈性的回歸處理程序，可以自動(dòng)建立準(zhǔn)則模型，并利用這個(gè)準(zhǔn)則模型來推測(cè)其連續(xù)和間斷的因變量。從名稱來看，就是指多元逐步的回歸程序，它最適合應(yīng)用在高維度的問題中，也被視為廣義的線性逐步回歸，或者是通過修正分類與回歸樹模型方法改善的多元自適應(yīng)回歸執(zhí)行過程。目前己被運(yùn)用到許多不同領(lǐng)域的研究中。 MARS簡(jiǎn)介 局部回歸方法，通過樣條函數(shù)(又稱為基函數(shù)Basis functions，簡(jiǎn)稱BF)來模擬復(fù)雜非線性關(guān)系。它將整個(gè)非線性模型劃分為若干區(qū)域，在每個(gè)特定區(qū)域內(nèi)由一段線性回歸直線來擬合 模型,49,MARS模型構(gòu)建 函數(shù)以加權(quán)和的形式引入到MARS模型中 采用前向逐步過程，每次選取一對(duì)最優(yōu)樣條函數(shù)來提高模型準(zhǔn)確度。每對(duì)樣條函數(shù)包括由結(jié)點(diǎn)位置定義的左側(cè)的和右側(cè)的分割函數(shù)。這樣最優(yōu)的樣條函數(shù)被一對(duì)一對(duì)地添加到模型中，用來提高對(duì)訓(xùn)練數(shù)據(jù)描述的準(zhǔn)確度。 剪枝過程，將造成模型過度擬合的基函數(shù)刪除 采用后向的刪除方法，每次刪除一個(gè)對(duì)模型貢獻(xiàn)最小的基函數(shù)。這一剪枝過程是基于廣義交互驗(yàn)證(GCV)標(biāo)準(zhǔn)進(jìn)行的 模型的選擇 選擇標(biāo)準(zhǔn)主要是通過交互驗(yàn)證。選擇最優(yōu)模型的思想是在預(yù)測(cè)誤差符合的基礎(chǔ)上，選擇出最簡(jiǎn)單的模型,50,GCV的定義 設(shè)定GCV標(biāo)準(zhǔn)是為了避免模型中過多的樣條函數(shù) 其中： 是研究的對(duì)象數(shù)， 是函數(shù)的復(fù)雜度懲罰 是MARS模型中的非常數(shù)的基函數(shù)數(shù)目， 是待擬合的變量數(shù)目， 是用戶定義的每個(gè)基函數(shù)優(yōu)化所需要的成本,51,支持向量機(jī)模型,最小二乘支持向量機(jī) 最小二乘支持向量機(jī)（Least Square SVM，LS- SVM）是標(biāo)準(zhǔn)支持向量機(jī)的一種擴(kuò)展，優(yōu)化指標(biāo)采用平方項(xiàng)，并用等式約束代替標(biāo)準(zhǔn)支持向量機(jī)的不等式約束，即將二次規(guī)劃問題轉(zhuǎn)化為線性方程組求解，降低了計(jì)算復(fù)雜性，加快了求解速度,52,證據(jù)框架與模型參數(shù)選擇 貝葉斯證據(jù)框架是通過最大化參數(shù)分布的后驗(yàn)，來得到最佳參數(shù)值或最佳的模型。貝葉斯推斷可分為三個(gè)層次：推斷的第一層，選擇模型的參數(shù)，在推斷的第二層，選擇模型超參數(shù)，第三層，選擇模型的核參數(shù)，并選擇相關(guān)輸入變量 第一層推斷 根據(jù)貝葉斯準(zhǔn)則推斷參數(shù)向量 和 的后驗(yàn)概率 第二層推斷,53,第三層推斷 通過檢查模型的后驗(yàn)概率，可對(duì)不同模型的優(yōu)劣進(jìn)行比較并排出順序，從而推斷出核參數(shù)，并選擇輸入數(shù)據(jù) LS-SVM預(yù)測(cè)模型 數(shù)據(jù)預(yù)處理 根據(jù)貝葉斯證據(jù)框架，通過訓(xùn)練獲得最優(yōu)模型參數(shù) 運(yùn)用最優(yōu)模型進(jìn)行預(yù)測(cè),返回,54,模型仿真與比較,數(shù)據(jù)分析與預(yù)處理 缺失數(shù)據(jù)的修補(bǔ) 采用相同日期類型的數(shù)據(jù)進(jìn)行加權(quán)平均 數(shù)據(jù)分類 將數(shù)據(jù)分為4個(gè)類型,即工作日白天、工作日夜間、休息日白天、休息日夜間 異常數(shù)據(jù)處理 數(shù)據(jù)的標(biāo)準(zhǔn)化處理,55,仿真結(jié)果及比較,56,57,58,59,在電價(jià)變化比較平緩的時(shí)段中（如W1周和W2周），局域多項(xiàng)式方法具有較高的預(yù)測(cè)精度，支持向量機(jī)方法以及樣條回歸方法稍遜； 在電價(jià)變化比較劇烈，價(jià)格釘出現(xiàn)頻率較高的時(shí)間段中（如W5周和W6周），支持向量機(jī)方法具有較好的預(yù)測(cè)精度，而局域多項(xiàng)式方法則相對(duì)較差，樣條回歸方法則介于兩者之間 即使對(duì)同一種方法，在電價(jià)變化相對(duì)平穩(wěn)的時(shí)間段，其預(yù)測(cè)效果要優(yōu)于變化劇烈的時(shí)間段，但支持向量機(jī)方法在各個(gè)時(shí)間段的預(yù)測(cè)精度相對(duì)穩(wěn)定,返回,60,電價(jià)的組合預(yù)測(cè),組合預(yù)測(cè)基本概念 組合預(yù)測(cè)模型 電價(jià)的線性預(yù)測(cè)模型 組合預(yù)測(cè)實(shí)例分析,61,組合預(yù)測(cè)基本概念,不同的預(yù)測(cè)模型方法有各自的優(yōu)缺點(diǎn)，它們之間并不是相互排斥的，而是相互聯(lián)系、相互補(bǔ)充的，再加上每種預(yù)測(cè)方法利用的數(shù)據(jù)不盡相同，因而可能存在不同角度的有用信息。在實(shí)際操作中選擇某一模型而放棄其余模型的做法就可能造成部分有用信息的丟失。對(duì)此，Bates.J.M和Granger.C.W于1969年首次提出組合預(yù)測(cè)模型的概念 組合預(yù)測(cè)分類 線性組合和非線性組合 最優(yōu)組合與非最優(yōu)組合 不變權(quán)組合與變權(quán)組合,返回,62,電價(jià)組合預(yù)測(cè)模型,最優(yōu)加權(quán)組合預(yù)測(cè) 線性組合 非線性組合 加權(quán)調(diào)和平均組合 定義預(yù)測(cè)誤差,63,以預(yù)測(cè)誤差平方和為準(zhǔn)則的非負(fù)加權(quán)系數(shù)的調(diào)和平均組合預(yù)測(cè)模型 加權(quán)幾何平均組合 定義預(yù)測(cè)誤差 權(quán)系數(shù)通過求解最優(yōu)化問題獲得,64,加權(quán)幾何平均電價(jià)組合預(yù)測(cè) 評(píng)價(jià)準(zhǔn)則 誤差信息矩陣 幾何平均組合預(yù)測(cè)模型為下列優(yōu)化問題,65,變權(quán)重幾何平均的電價(jià)組合預(yù)測(cè)步驟 選擇合適的時(shí)間區(qū)間 ； 分別用 種單項(xiàng)預(yù)測(cè)方法對(duì)區(qū)間 的電價(jià)進(jìn)行預(yù)測(cè)，得到 個(gè)電價(jià)預(yù)測(cè)值； 計(jì)算這些預(yù)測(cè)值與真實(shí)值之間的差異； 計(jì)算最優(yōu)權(quán)重； 用單項(xiàng)預(yù)測(cè)方法預(yù)測(cè) 時(shí)刻的電價(jià)值，并利用最優(yōu)權(quán)重組合預(yù)測(cè) 時(shí)刻的電價(jià)； 令 ，返回步驟（2）。 不變權(quán)重幾何平均的電價(jià)組合預(yù)測(cè) 令變權(quán)重幾何平均組合預(yù)測(cè)中的時(shí)間區(qū)間參數(shù) ，則變權(quán)重幾何平均組合預(yù)測(cè)變?yōu)椴蛔儥?quán)重幾何平均組合預(yù)測(cè)，其余的步驟同變權(quán)重幾何平均組合預(yù)測(cè),66,優(yōu)性組合預(yù)測(cè)與冗余方法 優(yōu)性組合 若某種組合預(yù)測(cè)方法的預(yù)測(cè)誤差平方和小于參加組合的各種方法的預(yù)測(cè)誤差平方和中的最小者，就稱該組合預(yù)測(cè)方法為優(yōu)性組合預(yù)測(cè)方法 冗余方法 誤差信息矩陣判定法 權(quán)重系數(shù)判定法,返回,67,電價(jià)的線性預(yù)測(cè)模型 為豐富組合預(yù)測(cè)的方法，本節(jié)建立一個(gè)電價(jià)的線性預(yù)測(cè)模型。 考慮到電價(jià)時(shí)間序列的變化常常是一個(gè)非平穩(wěn)的隨機(jī)過程，并且具有周期性，建立一個(gè)基于ARIMA的電價(jià)預(yù)測(cè)模型，即對(duì)非平穩(wěn)的電價(jià)時(shí)間序列，先用差分方法將非平穩(wěn)過程平穩(wěn)化，然后采用ARMA模型對(duì)處理后的平穩(wěn)序列進(jìn)行建摸和預(yù)報(bào)。,返回,68,組合預(yù)測(cè)實(shí)例分析 組合方式 組合1：ARIMA、LS-SVM 組合2：ARIMA、LS-SVM、局域多項(xiàng)式 組合3：ARIMA、LS-SVM、局域多項(xiàng)式、MARS 變權(quán)重與不變權(quán)重 對(duì)3個(gè)組合分別按變權(quán)重及不變權(quán)重進(jìn)行權(quán)重優(yōu)化 仿真結(jié)果比較 組合預(yù)測(cè)方法較單項(xiàng)預(yù)測(cè)方法優(yōu) 春季低負(fù)荷時(shí)期變權(quán)重與不變權(quán)重差別不很明顯，但在高負(fù)荷時(shí)期變權(quán)重與不變權(quán)重的組合預(yù)測(cè)方法則相差較大,變權(quán)重優(yōu) 不變權(quán)重3種組合預(yù)測(cè)方法的比較 變權(quán)重3種組合預(yù)測(cè)方法的比較,返回,69,電價(jià)預(yù)測(cè)的應(yīng)用,預(yù)測(cè)誤差分析 基于條件風(fēng)險(xiǎn)價(jià)值的容量分配模型 仿真算例,70,預(yù)測(cè)誤差