基于相似搜索和神经网络的日前市场边际电价预测

为了对电力市场次日系统边际电价(SMP)进行准确预测,本文根据数据挖掘中的相似搜索理论和人工神经网络(ANN)工具建立了预测模型,其中相似搜索用来生成神经网络的训练集和输入矩阵,并运用Matlab6.5中的神经网络工具实现该模型。采用美国加州电力市场的历史数据进行实例计算,证明该方法对工作日SMP的预测效果较好,也证明了选择与预测日负荷相似或邻近日的历史数据进行网络训练方法的有效性。     

基于最小二乘支持向量机的电力市场出清电价预测方法

针对神经网络存在结构较难确定,训练易陷入局部最小等问题,提出将最小二乘支持向量机和相似搜索用于预测出清电价。该方法对相似搜索得到的相似负荷日的数据用最小二乘支持向量机建立预测模型,采用美国New England ISO的真实数据做验证,结果表明该方法比BP神经网络有更高的预测精度,是一种有效的预测方法。     

基于最小二乘支持向量机的系统边际电价预测

系统边际电价是电力工业改革的关键因素之一,是电力市场的杠杆和核心内容。为克服神经网络预测法易陷入局部极小,隐层数不易确定,训练速度慢等问题,提出一种基于相似搜索和最小二乘支持向量机的系统边际电价预测方法,该方法对相似搜索得到的相似日的负荷—电价数据用最小二乘支持向量机建立电价预测模型,同时利用网格搜索和交叉验证自动选取最小二乘支持向量机相关参数。用美国加州电力市场的真实数据做实例验证结果表明该方法可有效提高预测精度。     

基于相似搜索和加权回归技术的短期电价预测

在电力市场环境下,进行准确的电价预测对市场中的各参与者有极其重要的意义。提出一种基于数据挖掘中的相似搜索技术和加权回归技术的短期电价预测方法,该方法简单、方便．对临近日和相似搜索所得到的相似日的负荷-电价数据用加权回归进行电价预测。最后用美国加州电能交易所(CalPX)公布的真实数据得到的预测结果验证了该方法的有效性。     

基于混沌因子及相空间重构后的神经网络短期电价预测的研究

影响电价因素众多,但在现实中不可能获得所有信息的资料,在这种信息不完全的情况下,为了更好地提高电价预测精度,通过分析电价和负荷时间序列的混沌性,用C-C方法分别重构其相空间,揭示出其本身蕴涵的规律,并采用数据挖掘技术中的相似搜索技术,挖掘出与预测日变化规律最相似的时间序列作为样本,利用BP神经网络这一具有高度自学习自适应能力的网络,拟合电价序列的重构函数。利用美国PJM电力市场的实际数据进行了实例预测,结果显示出良好的预测精度,并比传统BP网络能更好地预测休息日电价。     

基于混沌因子及相空间重构后的神经网络短期电价预测的研究

影响电价因素众多,但在现实中不可能获得所有信息的资料,在这种信息不完全的情况下,为了更好地提高电价预测精度,通过分析电价和负荷时间序列的混沌性,用C-C方法分别重构其相空间,揭示出其本身蕴涵的规律,并采用数据挖掘技术中的相似搜索技术,挖掘出与预测日变化规律最相似的时间序列作为样本,利用BP神经网络这一具有高度自学习自适应能力的网络,拟合电价序列的重构函数.利用美国PJM电力市场的实际数据进行了实例预测,结果显示出良好的预测精度,并比传统BP网络能更好地预测休息日电价.     

基于相似日的短期电价区间预测

准确的短期电价预测有助于电力市场各个参与者选择交易策略和估算效益,因此短期电价预测受到人们广泛关注。为了解决特殊样本带来的预测误差,应用模糊C-均值聚类算法进行相似日聚类,以与预测日相似的数据构建样本集。再采用高斯过程回归来建立短期电价预测模型,对短期实时电价进行预测,得到具有概率分布及对应置信水平的区间预测结果。最后,采用美国代顿电力市场的历史数据进行实例计算,证明了该方法可有效提高模型的预测精度,与BP神经网络相比预测效果更佳,可以向电力市场参与者提供更全面的信息。     

基于分段分层相似日搜索和自适应脊波神经网络的风电功率多步预测

为进一步提高风电功率预测精度,提出了一种基于相似日理论结合自适应脊波神经网络的风电功率预测模型。在传统相似日方法上,将相似日细致到"相似时段",即基准段和预测段;采取对基准段风电功率曲线和预测段日特征向量进行双重搜索的方法,保证了相似精度;并采用分层搜索逐步逼近预期目标,既突出主导因素又节约计算时间。在基准段曲线相似度的基础上结合机组启停状态,并引入了预测段的特征量,增加了相似日的评估信息,使得相似日的选取更加合理、准确。用自适应脊波神经网络对相似样本进行建模、训练,得最终预测值。经算例分析,该方法能有效预测未来12 h的风电输出功率,从而实现较高精度的多步预测,为调度部门提供有力支持。     

用相似性原理及人工神经网络预测电价

提出了用相似性原理和BP神经网络来预测日前市场出清电价的新方法,该法尤其适用于只能获得有限原始数据的情况。运用相似性原理对人工神经网络的训练模型进行选择,使其有与预测日相似的负荷特征。用选择出的相似训练模式对选定的BP神经网络进行训练,通过BP神经网络的反向传播过程不断修正模型中的神经元连接权值和阀值,实现对未来24 h市场出清电价的有效预测。对周末和节假日采用了峰值处理步骤后,此方法更加完整。最后以美国宾西法尼亚州、新泽西州和马里兰州公布的2002年数据进行了模型训练和预测,结果表明该方法所建立的预测模型具有较高的预测精度。     

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。     

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。     

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。     

基于模糊聚类和关节控制器神经网络的边际电价预测

应用基于模糊聚类和关节控制器神经网络的边际电价预测方法,精确预测边际电价,并有效克服BP等算法中负荷峰谷时段出现的预测误差大、结果不稳定的现象.通过计算实例进行边际电价预测,预测结果表明:方法输出稳定性好、计算速度快、预测精度较高.     

基于遗传算法和径向基函数神经网络的短期边际电价预测

文章分析了影响电价的主要因素及电价的变化特点,讨论了电价预测模型中必需引入的影响电价的因素。在比较常用的几种电价预测方法的优缺点后,作者采用径向基函数神经网络(radial basis function neural networks,RBF)建立短期边际电价预测模型,用递阶遗传算法(HGA)同时训练RBF网络结构和参数。并以美国New England ISO公布的2002年历史电价数据进行训练和测试,与传统的BP网络预测模型相比较, 测试结果证明该模型的预测精确度是令人满意的。     

基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测

在智能电网条件下,用户的用电模式将会发生重大变化,其中一个显著的变化就是用户可以根据电能需求结合实时电价调整其消费模式。这使得用户负荷预测更为复杂。在对影响短期电力负荷特性的各种因素进行分析的基础上,综合考虑了实时电价的影响,提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。实例证明该算法能较好地解决实时电价下的短期负荷预测问题。     

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行电价预测模型具有更高的精确性。     

Short-term electricity prices forecasting in a competitive market: A neural network approach

This paper proposes a neural network approach for forecasting short-term electricity prices. Almost until the end of last century, electricity supply was considered a public service and any price forecasting which was undertaken tended to be over the longer term, concerning future fuel prices and technical improvements. Nowadays, short-term forecasts have become increasingly important since the rise of the competitive electricity markets. In this new competitive framework, short-term price forecasting is required by producers and consumers to derive their bidding strategies to the electricity market. Accurate forecasting tools are essential for producers to maximize their profits, avowing profit losses over the misjudgement of future price movements, and for consumers to maximize their utilities. A three-layered feedforward neural network, trained by the Levenberg-Marquardt algorithm, is used for forecasting next-week electricity prices. We evaluate the accuracy of the price forecasting attained with the proposed neural network approach, reporting the results from the electricity markets of mainland Spain and California.