Resumen

La previsin del precio de la electricidad puede afectar a la toma de decisiones de las empresas de generacin de energa, las empresas de suministro elctrico y los consumidores de energa. Hay muchas muestras y caractersticas irrelevantes en los macrodatos, que a menudo conducen a una baja precisin de las previsiones y a un elevado coste de tiempo. Por lo tanto, este artculo propone un marco de previsin basado en el procesamiento de big data, que selecciona una pequea cantidad de datos para lograr una previsin precisa al tiempo que reduce el coste temporal. En primer lugar, se establece la seleccin de muestras basada en el anlisis de correlacin gris (GCA) para eliminar las muestras intiles de la periodicidad. En segundo lugar, la seleccin de caractersticas basada en GCA se establece teniendo en cuenta la clasificacin de caractersticas y las caractersticas de correlacin temporal para eliminar an ms las caractersticas intiles. En tercer lugar, se aplica el anlisis de componentes principales para reducir el ruido entre los datos. A continuacin, en combinacin con un algoritmo de evolucin diferencial (DE), se aplica una mquina de vectores soporte (SVM) para predecir el precio. Por ltimo, el marco propuesto se aplica al mercado elctrico de Nueva Inglaterra para predecir el precio de la electricidad a corto plazo. Los resultados muestran que, en comparacin con DE-SVM sin procesamiento de datos, la precisin de la previsin mejora del 81,68% al 91,44%, y el coste temporal disminuye de 35.074s a 1.809s, lo que demuestra que el mtodo y el modelo propuestos pueden proporcionar una herramienta valiosa para el procesamiento de datos y la previsin.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Toma de decisiones; Empresas de generación de energía; Previsión; Precio de la electricidad; Procesamiento de big data; Máquina de vectores soporte
• Keywords:Decision-making; Power generation enterprises; Forecasting; Electricity price; Big data processing; Support-vector machine