【混合粒子群算法】混合粒子群算法是一种优化技术，它结合了不同的粒子群优化（PSO）策略，旨在提升算法的全局搜索能力和收敛速度。在传统的粒子群优化中，每个粒子根据自身经验和群体经验更新其速度和位置。混合算法则引入了其他优化策略，如局部搜索、全局搜索或遗传算法等元素，以克服单纯粒子群优化可能遇到的早熟收敛问题。在这个特定的研究中，混合粒子群算法引入了收缩因子和被动聚集，以改善局部搜索性能。
【收缩因子】收缩因子是一个动态调整的参数，用于控制粒子在搜索空间中的移动范围。当算法接近最优解时，收缩因子可以减小粒子的探索范围，促使粒子更集中在最佳解附近，从而提高算法的收敛精度。
【被动聚集】被动聚集是指在算法运行过程中，粒子在局部最优区域附近自发聚集的现象。这种机制有助于避免粒子过度扩散，促进整体解决方案的收敛。
【最近邻聚类算法】最近邻聚类（Nearest Neighbor Algorithm, NNA）是一种无监督学习方法，用于数据的分类和聚类。在这种算法中，每个数据点被分配到与其最近的类中心所属的类别。在本文中，NNA被用于确定NRBF神经网络的参数，特别是聚类半径。
【NRBF神经网络】归一化径向基函数（Normalized Radial Basis Function, NRBF）神经网络是一种非线性模型，利用径向基函数作为隐藏层的激活函数。这些函数具有良好的局部逼近特性，使得网络能够适应复杂的数据模式。NRBF网络通常用于回归和分类任务，具有较好的泛化能力。在本文中，NRBF网络的参数，包括单元数量和中心位置，通过混合粒子群优化的最近邻聚类算法来确定。
【短期边际电价预测】短期边际电价预测是电力市场运营中的关键问题，因为它直接影响发电公司和消费者的决策。边际电价反映了在满足所有需求后增加一单位电力生产的成本，因此准确预测能帮助市场参与者降低风险并优化运营策略。
【电力市场】电力市场是一个竞争性的环境，买卖双方通过价格机制决定电力的生产和消费。电价由供需关系决定，并且波动频繁。对短期电价的预测对于市场参与者的风险管理、交易策略制定至关重要。
该研究提出了一种创新的预测方法，结合混合粒子群算法和NRBF神经网络，以提高短期电价预测的准确性和泛化能力。通过对美国PJM电力市场2006年的数据进行预测验证，证实了这种方法的有效性和合理性。这种技术的应用对于电力市场参与者来说具有实际意义，可以帮助他们更好地应对市场变化和不确定性。
