考虑市场力的短、中、长期电价预测

分别介绍了采用BP神经网络模型和线性回归模型进行电价预测的方法和结果。方法的突出特点是在预测模型中引入了一个衡量市场力的新指标——发电容量必须运行率(MRR)，从而充分考虑了市场力对电价的影响，提高了电价预测的精度，特别是增强了短期预测模型对最高限价的预测能力。文中对MRR指标进行了简单的介绍，并针对电价预测的不同特点，对预测模型和预测变量的选择进行了探讨，提出了自己的观点。基于浙江电力市场实际运营数据的初步预测结果表明，所建预测模型是适用的，选择的预测输入变量是恰当的，电价预测精度能够满足电力市场实际运营的需要。     

含高比例风电的电力市场电价预测

在解除管制的电力市场中,精确预测电价有助于市场各方有效参与市场运营与管理。清洁能源渗透率的提高,给电价预测精度带来了新的挑战。文中选择不同的输入特征变量并结合长短期记忆(LSTM)网络的特点,构建含高比例风电的电力市场电价预测模型对含有风电的电力市场电价进行预测。研究表明,风能和负荷的比值是含高比例风电的电力市场风电电价预测的关键输入参数。LSTM具备时间延迟记忆特点,拥有较好的电力市场时间序列电价预测能力。以北欧市场中DK1电力市场实际数据为基础,采用3种模型进行对比分析,结果表明含有风能和负荷的比值且考虑多时刻信息输入的LSTM模型可以较大地提高低谷时段的电价预测精度。     

含误差预测校正的ARIMA电价预测新方法

在电力市场中，准确的电价预测是各市场参与方共同关心的重要问题。已经提出多种理论和方法尝试提高电价预测精度，然而由于影响电价的因素十分复杂，实践证明靠建立单一的电价预测模型来提高预测精度是非常困难的。该文在分析电价波动特性和现有预测方法的基础上，首次提出结合误差预测校正电价预测来提高预测精度的新思路。在建立常规电价预测模型的基础上，对预测后的残差形成的随机序列也迭代地建立预测模型，并用预测的误差修正电价预测结果。该文采用ARIMA方法建立电价预测和误差预测模型，并用加州电力市场的历史数据建立基于ARIMA的日平均电价预测模型，预测结果表明所提方法能明显改善预测精度，而且方法简捷明了，能够推广到小时电价预测、负荷预测和其它预测领域。     

利用多因素小波变换和多变量时间序列模型的日前电价预测

电力市场中,市场出清电价具有较强的波动性、周期性和随机性,实践证明单一的电价预测模型很难提高预测精度。针对该问题,提出一种基于多因素小波变换和多变量时间序列模型的日前电价预测方法。利用小波变换将历史电价序列和负荷序列分解和重构成概貌电价、细节电价和概貌负荷、细节负荷。用概貌电价和概貌负荷作变量建立多元时间序列模型,预测未来概貌电价;用单变量时间序列模型预测未来细节电价。将概貌电价和细节电价的预测结果求和作为最终的预测电价。采用上述方法对美国加州电力市场日前电价进行预测,并与对比模型进行了详细的比较分析,结果表明该方法能够提供更准确的预测电价。     

基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例，分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明，CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点，比较适用于短期电价预测。     

级联相关的神经网络模型在边际电价预测中的应用

在实际的电力市场运作中，电厂的报价反映了电厂的运行成本和市场供求，决定电厂机组能否上网发电和上网电量。而报价的一个重要指标是预测的系统边际电价。因此，电力市场中的边际电价预测在发电厂的市场化运营中处于重要的地位，特别是对电力供应商的决策有重要意义。文中应用神经网络理论中的级联相关模型对电力系统的边际电价进行预测，优点在于避免了对网络结构的估计，网络在训练的过程中能够自适应地增加隐含节点，同时提出了在训练集中增加特殊数据点以提高预测精度的方法。通过New EnglandISO数据算例预测第2天的24h边际电价说明了这种方法的可行性，并用3层BP神经网络做了对比研究。     

电力市场电价预测方法综述

电价是反映电力市场运营状况,评价市场竞争效率的核心指标,是电力市场决策的基础。阐述了电力市场电价预测问题的特点、内容和方法,分析和比较了短期预测和中长期预测的各种方法,指出了各种方法的优缺点,提出了一些提高预测精度的改进措施,并对电价预测中的一些关键问题进行了分析探讨。     

电力市场电价预测方法综述

电价是反映电力市场运营状况,评价市场竞争效率的核心指标,是电力市场决策的基础.阐述了电力市场电价预测问题的特点、内容和方法,分析和比较了短期预测和中长期预测的各种方法,指出了各种方法的优缺点,提出了一些提高预测精度的改进措施,并对电价预测中的一些关键问题进行了分析探讨.     

基于趋势指标与长短时记忆网络的电力市场日前电价预测

为提高电力市场日前电价的预测精度,提出一种基于趋势指标与长短时记忆网络（LSTM）的日前电价预测模型。首先,计算日前电价的随机指标（KDJ）与异同移动平均线指标（MACD）,挖掘电价的内在规律信息;然后,将计算出的趋势指标与电价信息输入LSTM,对电力市场日前电价进行预测;最后,利用电力市场日前电价数据进行验证。算例分析表明该模型相比反向传播神经网络（BPNN）、LSTM和门控循环单元网络（GRU）等模型预测精度更高。     

电力市场环境下基于FOALSSVM的电价预测

提出了一种基于果蝇优化算法(FOA)和最小二乘支持向量机(LSSVM)模型的日均电价混合预测模型。将日均电价的历史数据和负荷数据作为输入变量,利用FOA优化选择用于电价预测的LSSVM模型最优参数值,进而对日均电价进行预测。以澳大利亚NSW电力市场的实际数据为例对该模型进行了仿真测试,其结果表明:与自适应LSSVM、模拟退火LSSVM和ARIMA-GARCH模型相比,本文提出的预测模型的预测性能最好,其收敛速度快,预测精度高。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于动态计量经济学模型的短期电价预测

电力市场中的电价受众多因素影响,单变量时间序列法已很难提高短期电价的预测精度。针对该问题,文中运用时间序列模型的动态计量方法来预测短期电价。首先建立电价和电量的一般自回归分布滞后模型;然后对电价和电量的时间序列数据进行预处理;在通过平稳性和协整性检验后,建立误差修正模型,最终由Eviews 5.0估计出模型的参数。利用此模型对澳大利亚新南威尔士州电力市场的短期电价进行预测,结果表明此模型具有较高的预测精度。     

电力市场环境下考虑风电预测误差的经济调度模型

提出了电力市场环境下考虑风电预测误差的电力系统经济调度模型。对于一定的风电预测值,运用Beta函数对实时可发出力的概率密度分布进行拟合,在考虑预测误差发生概率及其所导致的经济补偿费用基础上,得到统计意义上更为合理的经济调度模型。该模型建立在较为完善的电力市场环境下,计及了发电企业报价需要考虑到的温室气体排放权费用。仿真算例比较了考虑风电预测误差与否对市场出清电价、电网平均购电成本等运营指标的影响。结果表明,所提出的模型能够有效降低电网公司的运营成本,促进资源的优化配置。     

带置信区间的短期电价预测方法

电力市场中的电价呈现出均值回复、异方差、多周期、跳跃和尖峰等特性,预测精度往往不理想.同时,单点预测值难以有效指导市场参与者选择交易策略,也无法为电力监管机构提供监管和调控的依据.提出了一种带置信区间的小波-季节短期电价预测方法,以小波多分辨率分析和季节模型为工具,得到带置信区间的电价预测结果.算例分别采用加州市场平稳时期和危机时期历史数据,预测下一日电价,说明模型是有效的.     

基于回声状态网络的电力市场电价预测

传统的神经网络算法在电价变化剧烈的情况下,精度较低并且所耗费的时间较长,难以满足电力市场发展的需求。为解决该问题,提出了一种基于回声状态网络(ESN)的短期电价预测方法。所提方法介绍了基于回声状态网络的预测原理,提出了电力市场短期电价的预测机制,包括参数选取、采样数据预处理和ESN训练及预测过程;并分别采用回声状态网络和反向传播算法(BP)神经网络进行短期电价预测。经过仿真验证,所提出的基于回声状态网络的电价预测具有较好的准确率和可行性。     

电力市场三种寡头竞争模型的市场力分析比较

市场在经济学中表现为市场参与者能够抬高市场价格的能力，在寡头竞争电力市场中则表征市场内电力公司影响市场结清电价的能力。应用博弈论分析研究了寡头竞争电力市场的市场力。以完全竞争市场下的均衡发电量和均衡电价为基准，分别比较了按Cournot模型、Stackelberg模型(领导者—跟随者模型)和Forchheimer模型(领导者—价格接受者模型)模拟寡头竞争电力市场情况下的电力公司所拥有的市场力，并且分析生产成本、市场中的电力需求弹性、市场中作为领导者的电力公司数量以及容量限制对市场力的影响。研究表明，在3种模型市场中，Cournot模型市场拥有的市场力为最大，Stackelberg模型市场次之，Forehheimer模型市场为最小。     

GM(1,2)短期现货电价灰色预测模型

在电力市场中,电价预测对市场参与者具有非常重要的意义。该文检验了GM(1,2)灰色模型在现货电价预测中的应用效果。在对GM(1,2)模型进行修正的基础上,分别建立了计及负荷因子的预测模型和计及预测时刻前一小时电价的预测模型,并对模型进行了等维新息处理。对美国PJM电力市场的峰荷时段、腰荷时段和低谷时段的LMP实时电价分别进行了预测。预测结果表明,计及预测时刻前一小时电价的预测模型具有较好的预测效果。     

Electricity market price spike forecast with data mining techniques

Electricity market price forecast is a changeling yet very important task for electricity market managers and participants. Due to the complexity and uncertainties in the power grid, electricity prices are highly volatile and normally carry with spikes, which may be tens or even hundreds of times higher than the normal price. Such electricity spikes are very difficult to be predicted. So far, most of the research on electricity price forecast is based on the normal range electricity prices. This paper proposes a data mining based electricity price forecast framework, which can predict the normal price as well as the price spikes. The normal price can be predicted by a previously proposed wavelet and neural network based forecast model, while the spikes are forecasted based on a data mining approach. This paper focuses on the spike prediction and explores the reasons for price spikes based on the measurement of a proposed composite supply–demand balance index (SDI) and relative demand index (RDI). These indices are able to reflect the relationship among electricity demand, electricity supply and electricity reserve capacity. The proposed model is based on a mining database including market clearing price, trading hour, electricity demand, electricity supply and reserve. Bayesian classification and similarity searching techniques are used to mine the database to find out the internal relationships between electricity price spikes and these proposed. The mining results are used to form the price spike forecast model. This proposed model is able to generate forecasted price spike, level of spike and associated forecast confidence level. The model is tested with the Queensland electricity market data with promising results.     

电力期货价格的协整建模与预测

在电力市场环境下,电力期货价格受现货价格、利率和负荷需求等多种因素影响,变化趋势复杂,很难将所有的因素都加以考虑来建立一个准确的模型对其进行全面描述.因此,选取最重要的影响因素:电力现货价格,利用协整理论来研究电力期货价格和现货价格之间的动态关系,并建立向量误差修正模型(VECM),对电力期货价格进行有效的预测.