基于自回归条件异方差-反向传播网络模型的日前边际电价预测

针对日前电力市场提出了一种基于自回归条件异方差分析的改进神经网络模型。首先利用自回归条件异方差分析得到边际电价序列的条件方差,然后以条件方差作为电价波动风险指标,建立基于历史电价、历史负荷和历史电价条件方差等输入量的自回归条件异方差-反向传播网络模型,并利用该模型对美国PJM电力市场的日前边际电价进行了预测。结果表明,引入自回归条件异方差分析可以有效提高传统反向传播网络的预测精度。     

电力市场短期边际电价的分时重构混沌相空间预测

为了实现高精度的电力市场短期边际电价预测,该文对市场边际电价时间序列数据分时段聚类进行了相空间重构,并分别计算分形维数和提取最大Lyapunov指数,经分析得出了边际电价分时序列数据的演化具有混沌特征,由此提出了短期边际电价的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力市场短期边际电价预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

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。     

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。     

基于大数据的负荷边际电价联合预测方法

准确的电力负荷-边际电价联合预测有助于电力系统调度,同时也是电力系统运行和维护中最重要的任务之一。现有的独立预测方法割裂了负荷与边际电价之间的关系,影响预测精度,为此提出一种基于大数据的负荷-边际电价联合预测方法。首先以门限循环单元(gated recurrent unit, GRU)为基础,建立人工智能模型分别对负荷-边际电价进行预测;然后分别以历史温度与实时温度间的差值ΔT、历史负荷与实时负荷间的差值ΔP为基础,通过建立以多层感知器(multilayer perceptron, MLP)为基础的预测误差补偿模型,分别对负荷-边际电价的预测结果进行修正;最后将GRU的输出与MLP的输出叠加计算得到负荷-边际电价联合预测结果。算例验证表明:与传统方法相比,所提方法减少了13.4%的负荷预测误差,减少了71%的边际电价预测误差。     

基于GCN-LSTM的日前市场边际电价预测

传统电价预测往往采用基于时间序列的时域预测方法,未能充分利用电力市场的地域信息,忽略了跨区域输电条件下影响区内电价的域外因素,为进一步提升电价预测精度提出一种基于图卷积神经网络与长短时记忆网络(graph convolution network-long short term memory,GCN-LSTM)的时空预测算法。该算法首先通过建立图模型,描述地域分布的电力市场数据,并使用图卷积神经网络,提取所研究区域和周围地区传导到域内的域外信息;其次,将不同时刻图卷积神经网络提取到的信息构成时间序列,输入长短时循环网络,从而对日前市场边际电价进行预测。利用北欧电力交易所Nord Pool的运营数据进行算例分析,通过与对照算法对比,该算法具有更好的预测精准度和普适性。     

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。     

模糊神经网络在电力系统边际电价预测中的应用

文章针对短期电力系统边际电价预测研究和应用中存在的用多元回归等传统方法建模困难、用ANN方法学习速度慢和易陷入局部极小点等问题,利用模糊神经网络具有接受和处理模糊数据、自适应地以任意精度逼近映射函数、不要求明确的数学描述等优点,建立了基于模糊神经网络的系统边际电价预测模型.通过具体实例测算及现场运用,证明了该方法为提高电力市场中边际电价预测精度、制定和实施科学合理的发电企业报价策略提供了可靠的支持.     

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。     

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.     

Mid-term electricity market clearing price forecasting utilizing hybrid support vector machine and auto-regressive moving average with external input

Currently, there are many techniques available for short-term electricity market clearing price (MCP) forecasting, but very little has been done in the area of mid-term electricity MCP forecasting. Mid-term electricity MCP forecasting has become essential for resources reallocation, maintenance scheduling, bilateral contracting, budgeting and planning purposes. A hybrid mid-term electricity MCP forecasting model combining both support vector machine (SVM) and auto-regressive moving average with external input (ARMAX) modules is presented in this paper. The proposed hybrid model showed improved forecasting accuracy compared to forecasting models using a single SVM, a single least squares support vector machine (LSSVM) and hybrid LSSVM-ARMAX. PJM interconnection data have been utilized to illustrate the proposed model with numerical examples.     

Mid-term electricity market clearing price forecasting: A hybrid LSSVM and ARMAX approach

A hybrid mid-term electricity market clearing price (MCP) forecasting model combining both least squares support vector machine (LSSVM) and auto-regressive moving average with external input (ARMAX) modules is presented in this paper. Mid-term electricity MCP forecasting has become essential for resources reallocation, maintenance scheduling, bilateral contracting, budgeting and planning purposes. Currently, there are many techniques available for short-term electricity market clearing price (MCP) forecasting, but very little has been done in the area of mid-term electricity MCP forecasting. PJM interconnection data have been utilized to illustrate the proposed model with numerical examples. The proposed hybrid model showed improved forecasting accuracy compared to a forecasting model using a single LSSVM.     

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.     

电力市场环境下中长期负荷预测的应用分析

电力市场环境下负荷预测误差风险直接影响售电公司经营效益和供电的安全性和稳定性.为提高售电公司的经济性和稳定性,从负荷预测误差与负荷类型的研究角度出发,利用灰色系统理论、最小二乘支持向量机模型对中长期负荷进行了预测,并提出了预测加权误差这一概念,重点讨论某地区主要负荷类型与其预测加权误差之间的关联关系.分析结果使得负荷预...     

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。     

基于聚类和Bayesian推断的市场出清电价离散概率分布预测

电力市场中，市场出清电价(market clearing price, MCP)受到众多因素的共同作用，具有较强的随机性和不确定性，常规的MCP单值预测模型未充分利用历史数据反映的不确定性信息，预测结果无法体现MCP的随机变化特性，预测精度也有限。该文提出一种基于免疫遗传机制的聚类方法，用以实现历史数据输入输出映射关系的划分，并结合贝叶斯概率法则建立MCP离散概率分布的预测模型。对美国PJM市场数据的仿真结果显示，该文的预测模型能较好地反映MCP的不确定性特点，且具有较高的预测精度。     

基于QPSO-LSSVM的风电场超短期功率预测

准确预测风电场的发电功率,有利于电网的经济和安全调度。为提高风电场超短期功率预测的精度,建立了基于最小二乘支持向量机（LSSVM）的风电场超短期功率预测模型,并采用量子粒子群算法（QPSO）对LSSVM中影响回归性能的参数进行优化。通过对福建某实际风电场超短期功率预测的应用表明,与BP神经网络和QPSO-LSSVM的预测结果相比,QPSO-LSSVM预测模型多种误差指标均较小,具有较高的预测精度和鲁棒性,是一种有效的风电场超短期功率预测方法。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于Hilbert-Huang变换和最小二乘支持向量机的电力市场出清电价预测

随着世界各国电力工业改革的发展趋势,我国于20世纪90年代也开始了以打破垄断、引入竞争、放松管制为目标的电力市场化改革。如何合理制定相应的运营模式以及怎样根据电力市场的相关历史数据准确的预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义。而实际电力市场的出清电价数据具有很强的非平稳性,Hilbert-Huang变换是分析处理非平稳性信号数据非常有效的方法,本文应用Hilbert-Huang变换首先对电力市场出清电价数据进行平稳化处理,然后运用最小二乘支持向量机（LS-SVM）对处理后的数据进行预测。预测结果表明,此模型显著的提高了出清电价预测的精度。