含误差校正的粒子群优化GM(1,2)短期电价预测方法

在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM(1,2)短期电价预测方法.该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM(1,2)模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM(1,2)模型的预测结果.对PJM电力市场历史数据的算例分析表明,相对于传统GM(1,2)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.     

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。     

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.     

基于分时段多模型的短期电价预测

基于分时段时间序列多模型的短期电价预测方法对美国PJM电力市场2006年全年电价数据进行分析,预测2007年1月1日到7日的一周内每小时的电价,将全年电价数据按照时段划分为24个子序列(PJM电力市场电价是以小时出清),分别对每个时段的子序列建立不同的模型进行分析,算例的研究结果显示,平均绝对百分误差在10%以内,能够用于电力市场短期电价预测。     

一种用于短期电价预测的分时段时间序列传递函数模型

在电力市场环境下,准确的价格预测可为市场参与者制定合理的竞争策略提供重要信息.本文提出了一种基于时间序列法的分时段传递函数模型来预测短期电价,该模型考虑了负荷因素对电价的影响,同时利用累积式自回归滑动平均模型(ARIMA)对电价序列和负荷序列的非平稳性进行处理,并且对一天24个小时时段分别建立了预测模型.采用加州历史电价数据进行算例研究,结果表明,利用本文模型进行电价预测能够提高预测的准确性.     

含误差校正的粒子群优化GM(1，2)短期电价预测方法

在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM（1,2）短期电价预测方法。该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM（1,2）模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM（1,2）模型的预测结果。对PJM电力市场历史数据的算例分析表明,相对于传统GM（1,2）模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要。     

考虑多重周期性的短期电价预测

考虑到电价各时段变化以及周末与工作日变化的差异,提出了区分周末的分时段短期电价预测模型。该模型首先将各日中同一时段的电价形成该时段的电价序列,再将各时段电价序列分为工作日电价序列和周末电价序列。这样形成了多个消除了日周期性和星期周期性的子电价序列,分别对各子电价序列进行预测以得到预测日电价。采用基于小波分析的广义回归神经网络对这些子电价序列分别进行提前一天的预测,各子电价序列的预测电价就形成了下一天的预测电价。采用该方法对西班牙电力市场电价进行了长时间的连续预测,并与已有的预测方法进行了详细的比较分析,研究表明该方法能够提供更准确的预测电价。     

一种用于短期电价预测的分时段时间序列传递函数模型

在电力市场环境下,准确的价格预测可为市场参与者制定合理的竞争策略提供重要信息。本文提出了一种基于时间序列法的分时段传递函数模型来预测短期电价,该模型考虑了负荷因素对电价的影响,同时利用累积式自回归滑动平均模型（ARIMA）对电价序列和负荷序列的非平稳性进行处理,并且对一天24个小时时段分别建立了预测模型。采用加州历史电价数据进行算例研究,结果表明,利用本文模型进行电价预测能够提高预测的准确性。     

分时段短期电价预测

分时段电价序列比顺序电价序列的变化特征更单一，有利于电价的分析建模，从而提高预测精度，因此采用各时段电价分别预测的分时段预测方法。该文将相关系数作为选取电价影响因素的标准，考虑了历史电价、负荷、负荷率等影响电价的因素。以小波分析和神经网络作为工具，对不同输入因素和不同预测方法下的电价预测精度进行了研究，并重点比较了基于分时段电价序列的预测方法和基于顺序电价序列的预测方法。算例采用美国新英格兰电力市场历史数据，对其2002年第4季度的电价进行了连续预测。与基于顺序电价序列的预测方法相比，分时段短期电价预测方法能够使平均相对百分比误差下降约3个百分点。     

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。     

基于小波分析的短期电价ARIMA预测方法

电力市场中的电价具有特殊的周期性,以天、周、年为周期波动,且大周期中嵌套小周期.作者提出一种基于小波分析的累积式自回归滑动平均方法(WARIMA)用于短期电价预测,首先利用小波变换能将交织不同频率成份的混合信号分解成不同频带上的块信号的特性,将电价这一随机序列进行小波分解,得到低频上的概貌序列和高频上的细节序列,并在此基础上对各个子电价序列分别利用累积式自回归滑动平均模型(ARIMA)进行预测,然后在电价平稳时段用概貌序列预测结果直接作为电价预测结果,而在电价非平稳时段将各子序列预测结果重构作为最终的预测结果.为了对比分析,将直接使用ARIMA模型的预测结果和采用WARIMA方法的预测结果进行了比较,表明引入小波分析对提高预测精度是有益的.     

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。     

重庆地区中长期负荷特性和预测方法研究

对于存在多个影响因素的中长期电力负荷,采用常规灰色模型GM（1,1）进行中长期预测不能获得较好的预测精度。提取了中长期负荷主要影响因素之一的生产总值和年总用电量建立了多变量灰色预测模型MGM（1,2）。为进行比较分析,同时还建立了常规灰色GM（1,1）模型。预测结果显示,多变量灰色模型MGM（1,2）的预测精度优于常规灰色模型GM（1,1）。     

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.     

大用户模糊优化购电组合策略的研究

随着用户侧电力市场的开放,大用户允许在现货市场、长期合约市场和自备电厂中选择购电。面对这种市场角色的转变,综合考虑现货市场和长期合约市场电价的相关性,采用多变量灰色模型(multi-variablegre ymodel,MGM)(1,n),对现货市场和长期合约市场电价进行长期综合预测;在预测电价的基础上,运用模糊优化的方法,按照用户给定的期望目标及容差,建立了线性隶属函数的均值–风险价值(valueatrisk,VaR)最优购电组合模型。算例表明:电价的综合预测体现了现货市场和长期合约市场的相关性,预测精度更高;购电组合的模糊优化模型保证了用户兼顾电价和风险,更能满足用户的期望。     

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。     

基于遗传算法优化BP网络的提前一天市场清算电价预测

针对电力市场提前一天市场清算电价预测,考虑历史负荷和历史清算电价对未来时段电价的影响,分别采用BP神经网络和遗传算法优化BP网络的方法,建立了提前一天电力市场清算电价预测模型。并采用澳大利亚昆士兰州电力市场1998年的电价数据分别进行了训练和预测,对结果进行了比较分析。结果表明遗传算法优化BP网络模型具有良好的预测效果。     

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。     

基于非参数GARCH的时间序列模型在日前电价预测中的应用

电力市场中电价序列具有较强的波动性、周期性和随机性,以致经常出现价格尖峰,这在很大程度上影响了电价预测的精度。提出了一种基于小波变换和非参数GARCH(generalized auto regressive conditional heteroskedasticity)模型的时间序列模型对日前电价进行预测。利用小波变换将历史电价序列分解重构概貌序列和细节序列,分别建立累积式自回归滑动平均(auto-regressive integrated moving average,ARIMA)模型进行预测,采用非参数GARCH模型对电价序列预测残差的随机波动率进行建模,从而提高对价格波动性的预测能力和ARIMA模型的预测精度。将该模型应用于美国宾夕法尼亚—新泽西—马里兰(Pennsylvania-New Jersey-Maryland,PJM)电力市场的日前电价预测。算例结果表明,非参数GARCH模型可以更好地拟合电价序列剧烈波动的特性,该模型能够提高电价的预测精度。     

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。