基于小波分解的改进神经网络MCP预测方法及应用

电力工业的市场化改革突出了市场清算价格(MCP)预测的重要性。文中以浙江电力市场为背景，提出了一种基于小波分解和神经网络的MCP预测方法。该方法对原电价数据进行了预处理，将经小波分解去除细节后的重构电价序列作为输入参数，并且依据“重近轻远”的原则及考虑到电价具有星期的周期性的特点，重新设计了神经网络拟合误差的代价函数。对浙江电力市场下一交易日的MCP进行了预测，预测精度达到90%左右。     

MCP预测技术在浙江电力市场中的应用

市场清算电价(MCP)预测是电力市场决策的基础。文中以浙江电力市场为背景,对一些预测技术作了介绍;用神经网络、时间序列以及基于小波分解的时间序列预测方法对浙江电力市场MCP作了预测。预测结果表明时间序列方法和基于小波分解的时序方法在一周的MCP预测过程中精度衰减较快,但是基于小波分解的时序方法在下一日的MCP预测中还是有较好的精度;神经网络方法预测精度衰减较慢,预测效果相对比较稳定。     

MCP预测技术在浙江电力市场中的应用

市场清算电价(MCP)预测是电力市场决策的基础.文中以浙江电力市场为背景,对一些预测技术作了介绍;用神经网络、时间序列以及基于小波分解的时间序列预测方法对浙江电力市场MCP作了预测.预测结果表明时间序列方法和基于小波分解的时序方法在一周的MCP预测过程中精度衰减较快,但是基于小波分解的时序方法在下一日的MCP预测中还是有较好的精度;神经网络方法预测精度衰减较慢,预测效果相对比较稳定.     

基于神经网络的浙江发电市场清算电价预测方法

市场清算电价（MCP）预测是电力市场决策的基础。文中以浙江省电力市场为背景，采用BP神经网络的方法，建立了提前一天的浙江电网发电市场清算电价短期预测模型，并针对不同时段分别建模。此外，根据浙江发电市场的特点，考虑市场外机组出力的影响，从供需出发，提出了竞价空间的概念，并据此设计了神经网络的结构。在线预测结果表明，该方法具有良好的预测效果。     

基于神经网络的电力市场电价预测

以美国加州电力市场为背景,在分析了市场清算电价（MCP）的影响因素的基础上,采用了一种基于反向传播（BP）网络预测下一日市场清算电价的方法。该方法考虑了系统供求关系、历史负荷、历史电价等对未来时段电价的影响,建立了一个单隐层的神经网络结构。预测模型融合了模糊理论,利用隶属函数对温度（最高温度、平均温度、最低温度）进行了模糊处理,将这些因素作为神经网络的输入量。在负荷高峰时段,往往存在市场外机组的调度和参与者的策略性投标等问题,这些因素共同作用容易造成电价尖峰。建立一个节假日模型来预测节假日的电价。采用美国加州电力市场的历史数据进行了训练和预测分析,结果表明该模型具有良好的预测效果。     

基于多因素小波分析的神经网络短期现货电价预测方法

一般采用小波分解的电价预测方法是将历史电价分解后分别预测,预测过程中没有引入其他电价影响因素,或者是直接引入未经小波分解的影响因素。提出一种小波分析与神经网络相结合的预测方法,将历史电价和历史负荷都进行小波多分辨率单尺度分解,分解成概貌电价、细节电价和概貌负荷、细节负荷。在此基础上,用历史概貌电价和概貌负荷序列训练BP神经网络,预测出未来的概貌电价;用历史细节电价和细节负荷序列训练BP神经网络,预测出未来的细节电价。将概貌电价和细节电价进行重构,得到最终的预测电价。对美国PJM电力市场的实际电价(LMP)进行预测,验证了该方法的有效性和可行性。     

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。     

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。     

基于CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。     

基于小波变换的风电上网电价的预测

提出基于小波变换和神经网络的预测模式,首先利用小波变换将历史销售电价序列分解为高频和低频序列,并分别构造学习样本作为神经网络的输入,对不同频率的序列分别采用神经网络进行预测,然后将不同频率预测结果通过小波重构,得到销售电价,并根据合理的输配电价管制模型推算上网电价,阐述影响风电上网电价的因素,实现对风电上网电价的预测。结果表明：提出的预测方法对美国PJM电力市场的历史节点边际电价（LMP）进行预测是有效的,从电力市场的角度入手分析风电上网电价机制具有重要意义。     

基于神经网络的短期电价预测

利用系统旋转备用、历史负荷和清算电价对未来时段电价的影响来进行电价预测。以澳大利亚昆士兰州电力市场为背景,采用神经网络的方法,建立了提前1天电力市场清算电价短期预测模型。模型为3层BP神经网络结构,并采用昆士兰州电力市场1998年的电价数据进行了训练和预测分析,结果表明该模型具有良好的预测效果。     

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。     

基于R/S分析法的电价预测模型

在自由竞争的电力市场中,准确的电价预测对于电力市场所有参与者具有重要意义.针对电价突变性的特征给电价预测结果带来误差的问题,本文提出了一种基于R/S分析法的BP神经网络电价预测模型.运用R/S分析法对电价序列之间的关联性和相似性进行修正,并采用BP神经网络模型对电价进行预测.通过实验,验证了用R/S分析法修正后的数据进...     

Electricity price forecasting using artificial neural networks

Electricity price forecasting in deregulated open power markets using neural networks is presented. Forecasting electricity price is a challenging task for on-line trading and e-commerce. Bidding competition is one of the main transaction approaches after deregulation. Forecasting the hourly market-clearing prices (MCP) in daily power markets is the most essential task and basis for any decision making in order to maximize the benefits. Artificial neural networks are found to be most suitable tool as they can map the complex interdependencies between electricity price, historical load and other factors. The neural network approach is used to predict the market behaviors based on the historical prices, quantities and other information to forecast the future prices and quantities. The basic idea is to use history and other estimated factors in the future to “fit” and “extrapolate” the prices and quantities. A neural network method to forecast the market-clearing prices (MCPs) for day-ahead energy markets is developed. The structure of the neural network is a three-layer back propagation (BP) network. The price forecasting results using the neural network model shows that the electricity price in the deregulated markets is dependent strongly on the trend in load demand and clearing price.     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。     

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。     

日前交易边际电价的预测方法

在电力市场日前交易中,边际电价对独立发电商、输配电服务提供者、电力零售商和电力客户等市场成员的经济利益影响重大。针对电力市场研究的热点问题即边际电价预测问题,分析了边际电价的微观经济机理,指出供求均衡规律是影响边际电价的主要因素,以及边际电价具有周期性、波动性和分时均值回复等特征;对边际电价预测方法从ARIMA模型、GARCH模型、动态回归模型、传递函数模型、灰色系统模型、混沌相空间重构、人工神经网络、委员会机器、支持向量机、市场模拟等方面进行了评述;提出了选择边际电价预测方法的建议,并指出由于市场力、博弈、串谋、容量持留等因素会影响预测精度,因此组合预测模型是提高预测精度的一种可行方法。     

基于小波变换的边际电价神经网络预测新模型

提出了一种基于小波变换和群智能演化的神经网络集成预测新模型,对日前交易边际电价进行预测.首先利用小波变换将历史边际电价序列分解为高频和低频部分,并分别构造学习样本作为神经网络集成的输入;然后将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,其寻优过程采用粗-细二阶段学习算法.在第1阶段,采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成单元;在第2阶段,采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出.美国加州日前交易电力市场边际电价预测算例表明,该预测方法可以获得较高的预测精度,且优于BP神经网络方法和ARIMA预测方法.