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。     

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIS）相结合的短期负荷预测模型.该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足.某电网实际预测结果表明,该方法具有较好的预测效果.     

引入电价与负荷相关系数的PSO-BP神经网络电价预测模型

为了解决现有BP神经网络电价预测模型中由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题,在分析电价与负荷相关性的基础上,提出了采用电价与负荷相关系数作为判断是否将负荷引入模型条件的新方法,并将相关系数引入PSO-BP神经网络电价预测模型,以降低模型非关联输入样本数,提高预测精度采用我国四川电力市场资料进行仿真计算,证明该方法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。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于小波变换和长短期记忆神经网络的电力负荷预测

电力系统需要保持发电功率与用电负荷的即时平衡,而电力负荷具有非线性、时变性和不确定性等特点。针对此问题,考虑天气与日期类型的影响,构建小波变换（wavelet transform,WT）和长短期记忆（long short-term memory,LSTM）神经网络组合预测模型,对电力负荷进行短期电力负荷预测。首先,用小波变换对数据集进行特征提取、信号去噪,消除数据的波动性;其次,将预处理后的数据利用LSTM进行训练,将输出结果进行序列重构;最后,进行负荷预测,WT-LSTM组合预测模型分别与BP神经网络预测模型和LSTM预测模型进行对比数据。结果表明,WT-LSTM神经网络组合预测模型的预测效果最好,有效地提高了预测精度。     

用于电力远期价格预测的组合灰色神经网络方法

电力远期价格受实时电价、利率、负荷需求等多种因素影响，变化趋势复杂，很难建立一个准确的数学模型进行全面描述，针对这一特点，采用灰色动态预测模型对电力远期价格进行预测，提出了一种组合灰色神经网络预测模型，并对不同模型的预测结果进行了研究。     

改进的遗传灰色RBF模型的短期电力负荷预测

为了在智能电网环境下提高短期电力负荷预测的精度,提出了一种考虑实时电价影响的遗传算法改进的灰色RBF模型。该方法利用灰色模型可以减弱数据随机性以及RBF神经网络的高度非线性的优点,弱化实时电价对短期电力负荷预测的影响,针对两种方法结合容易陷入局部最优和收敛性问题,采用遗传算法对网络进行了优化,得到最终预测结果。实例验证表明,与灰色RBF预测方法相比,该方法具有更高的负荷预测精度和较强的适应能力。     

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。     

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。     

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。     

基于实时电价和加权灰色关联投影的SVM电力负荷预测

精准的电力负荷预测有助于保障电力系统的安全调度和稳定运行,支持向量机作为一种良好的预测工具被广泛应用于电力负荷预测。随着智能电网的快速发展,实时电价成为电力负荷的重要影响因素,因此在应用支持向量机进行电力负荷预测时,引入实时电价这一影响因素,同时将加权灰色关联投影算法应用于节假日的历史负荷序列的选择,并采用改进的粒子群算法优化模型参数,最终得到一种实时电力负荷预测方法。以新加坡的电力数据为例进行实时电力负荷预测,并与通过反向传播神经网络得到的预测结果进行对比,结果表明所提出的方法具有较高的精确度和稳定性。     

考虑负荷周期性和变化率的短期电价预测

为了提高电价预测精确度以提高其实用价值,在电价预测模型中引入负荷周期性和变化率因素.根据负荷对电价的影响建立基于系统负荷的短期电价预测模型,使用小波分解对负荷和电价数据进行分析处理,采用神经网络的预测方法对短期市场清算电价进行预测.考虑负荷和电价的周期特性,在预测模型输入侧增加了负荷的周期性因素.考虑负荷剧变引起的电价变化,定义综合负荷变化率影响因素并加入模型输入侧来提高预测精确度.预测实例采用实际负荷值为输入,其结果表明引入负荷周期特性和综合负荷变化率因素后预测相对预测误差和单点最大预测误差分别降低35%和28%,有效地提高了模型的预测精确度.     

考虑风电并网的分时段短期电价预测

考虑了并网风电量对电价影响,并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、并网风电量与负荷的比值等影响电价的因素。分别将负荷与历史清算电价,等效负荷与历史清算电价,负荷、并网风电量与负荷的比值及历史清算电价作为神经网络的输入因子对市场清算电价进行分时段预测。算例采用丹麦电力市场的历史数据,分别对其2010年并网风电量所占比例较大和较小的日期进行预测,验证了选择负荷、并网风电量与负荷的比值及历史清算电价作为预测神经网络的输入变量是恰当的,其预测精度能够满足电力市场实际运行的需要。     

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。     

基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法

智能电网环境下,实时电价对用户用电模式的影响较大,为了提高考虑实时电价的短期电力负荷预测精度,更好地反映电力负荷的不确定性。提出了支持向量分位数回归方法,通过引入松弛变量构造Lagrange函数,得出不同分位点下的未来一天任意时刻电力负荷的预测结果。同时采用Epanechnikov核函数,将SVQR与核密度估计相结合,进行短期电力负荷概率密度预测,可得到未来负荷准确的波动范围。以新加坡的历史负荷和实时电价数据为例,进行短期电力负荷概率密度预测,结果表明该方法能够较好地解决考虑实时电价的短期电力负荷概率密度预测问题。     

基于Bi-SRNN的联邦学习区域电力短期负荷预测模型

随着配电网终端需求多样化和清洁能源的大规模接入,对区域电力负荷的准确预测变得至关重要。在电力市场化改革背景下,客户端倾向于用电信息保存在本地以确保隐私安全。利用天气数据和历史负荷数据,提出面向区域客户端隐私保护的联邦学习双向叠加循环神经网络负荷预测框架。根据短期电力负荷长序列数据之间的强关联性建立基于双向叠加循环神经网络的负荷预测模型。利用联邦平均算法构建基于联邦学习的区域负荷预测框架,将多个利用不同区域客户端负荷数据训练得到的双向叠加循环神经网络的模型进行融合,反复迭代获得全局模型。采用某市96组实时区域电力负荷公开的数据集,对该模型在区域客户端不共享负荷数据条件下的训练效果进行测试,结果表明,所构建模型具有较低的训练耗时和较高的预测精度。     

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。