基于综合电价的配电网日前互动模式与模拟

配电侧电力市场的建立需要依托配电网内各类资源和电网的友好互动,因而需要科学的激励机制来引导。为此,文中提出了激励配电侧用户与电网日前互动的模式。依据激励相容原理,提出了一种合理有效的电价机制,厘清了配电网内弹性用户对容量节约效益的贡献;依托输电侧日前市场,设计了用户参与配电侧日前互动的架构、过程及结算;基于分散决策思想,模拟了配电网用户自主响应、多轮博弈的日前互动模型。算例表明,文中所述机制能公平分摊互动产生的成本和效益,深度激励用户与配电网的友好互动,促进配电网有效资产利用率的提升,实现配电网与微电网协同运行、互利共赢。     

基于深度信念网络的日前电价预测

随着我国电力体制改革的不断深入,电力市场建设取得重大进展。电价是电力市场的关键影响因素,每个参与者都基于电价进行电力交易。因此,提高电价预测的精度对于电力市场中每个参与者而言都十分重要。采用单层神经网络预测的预测精度有限。为此,根据机器学习在预测方面展示出的精准度,采用深度信念网络的方法对日前电价进行预测。在算例部分,采用美国PJM电力市场的真实数据进行仿真预测,并与其他神经网络的预测模型进行比较。算例结果表明,采用的深度信念网络模型的预测精度更高,使用深度信念网络可以为我国售电公司进行电价预测提供一种有效的方法。     

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。     

基于多数据源的日前预报潮流自动生成方法

针对传统电网日前调度计划安全校核存在计算数据粗糙、结果误差较大等问题,提出了一种基于多数据源的日前预报潮流自动生成方法,以实现日前预报潮流的自动生成,从而提高日前调度计划安全校核工作的精细度和准确度。该方法首先从日前预报潮流计算模型出发,分析了日前电网正常运行方式的参数构成;然后通过多数据源的参数获取和参数拟合,自动生成用于日前预报潮流计算的各类参数,初步形成日前预报潮流计算模型;最后根据联合动态潮流算法对潮流计算模型进行调整,自动生成收敛的日前预报潮流。通过在兰州地区电网检修计划安全校核系统中的实际应用,验证了该方法的收敛性和有效性。     

最优组合预测方法在电价预测中的应用

电价是电力市场中的核心因素,电价预测是各个市场参与方共同关注的一项重要工作。为了提高电价预测的准确性,文章引入组合预测模型,将几个单一电价预测模型有机地结合起来,综合各个预测模型的优点,得出更为准确的预测结果。通过使组合预测误差平方和最小,以确定各个单一预测方法的权重系数。用美国加利福尼亚州电力市场日均历史电价进行预测校验,算例分析结果说明了该组合预测方法的有效性。     

基于Blending集成学习模型的电力市场日前出清电价预测

精准的掌握未来电价信息对把握市场的运行状态、支撑市场参与各方进行有效决策、推动市场主体合理优化资源配置具有重要意义。因此基于Blending集成学习机制构建了一种面向于日前电价预测的综合模型。该模型充分考虑电价的高波动性特点,采用Ashin变换,减小了输入数据波动性对预测模型的影响;选取SVM、LightGBM、EWNN、SARIMAX 4种较为成熟的单一电价预测模型作为初级学习器,进而保证了基于Blending集成学习模型的预测精度。选用美国PJM电力市场实际运行数据对上述构建的电价预测模型进行验证,通过对预测结果的对比分析,表明构建的基于Blending 集成学习机制的电价综合预测模型集成了多种传统预测模型的优点,具有较好的准确性与稳定性。     

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。     

基于证据理论的多模型组合电价预测

传统的组合预测方法主要依靠历史预测误差确定组合权值,预测结果受历史预测误差影响较大,没有考虑预测时点的外界影响因素。利用支持向量机,神经网络和时间序列等多种不同的预测方法,从不同侧面对电价进行预测。利用神经网络等模型对预测的历史误差和预测时点的外界影响因素进行分析建模,建立每个模型的可信度评价模型。采用DS(Dempster-Shafe)证据理论对每个模型的可信度进行分析评价和合成,确立最终的模型组合预测权值。通过该权值对相应的预测结果进行加权求和得到最终的预测结果。以加州电力市场为例,证明了该方法的有效性。     

基于支持向量机的电价组合预测模型

对传统的2个线性组合预测模型进行了分析,提出了一个新的线性组合预测模型,该模型不要求权系数和为1,而且权重也可以取负值。同时,为提高精度,提出了支持向量机非线性的组合预测模型,该模型实质上是一个非线性回归模型,利用结构风险最小化原则代替传统的经验风险最小化。该模型充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择径向基核函数的支持向量机进行组合预测。同时给出了解决此问题的基于Matlab的支持向量机工具箱的源程序。以美国加州电力日均价为例,与单一预测方法、线性组合预测进行对比,支持向量机非线性的组合预测方法预测比较精确。     

最优加权几何平均组合预测在短期电价预测中的应用

准确的短期电价预测可为市场参与者的竞价策略提供指导,直接影响着参与者的利益。针对电价预测的精确度问题,引入了最优加权几何平均组合预测方法,它综合利用了二次指数平滑、自适应模糊神经网络和修正的灰色模型三种方法提供的有用信息,并且该组合预测模型的误差平方和小于各单一预测方法的误差平方和,因此进一步提高了预测结果的准确性。最后用算例验证了该组合预测方法的可行性。     

基于灰包络负荷预测的日前市场购电策略

首先将电力负荷确定为一个灰数，应用灰包络预测方法分别预测各点负荷的包络带，然后根据灰色线性规划理论建立一种基于灰包络负荷预测的日前市场购电决策模型，给出了适合工作日的日前购电策略，该策略能够为电力购买者提供购电依据。最后通过IEEE24节点算例系统验证了该算法的可行性和优越性。     

基于隐马尔科夫误差校正的日前电价预测

电价预测误差是一个双随机过程,一方面是模型本身预测能力的状态序列,体现了模型对某点理想数据（剔除了随机波动的电价）的预测状态（偏高、偏低或者正常）;另一方面,则表现为在不同状态下模型对真实电价（包含随机波动）预测的误差。通过采用隐马尔科夫模型,对电价预测建模的误差进行分析,找出模型预测状态的转移规律以及模型在不同状态下的误差分布;并由此分析下一步的模型预测状态和误差概率分布,在此基础上对未来的模型预测误差进行预测校正。对美国电力市场的研究表明,该方法有效提高了模型的预测精度。     

日前电力市场矢量自回归模型及其结构分析

构建了一种日前市场时段电价矢量自回归（VAR）模型,并对时段电价之间的影响进行了分析。该模型较好地表示了日前市场的独特规则,即同时确定次日所有时段电价。以澳大利亚新南威尔士2007年数据为基础,通过增广的迪基 — 福勒检验和Box-Pierce Q统计量检验,说明了电价VAR模型的适用性;利用Granger-因果检验和脉冲响应方法,获得了一些有用的结果:在构建时段电价模型时,忽略任何时段电价都会引起预测精度的下降,而各个时段电价之间的影响则互不相同,影响最大的是峰负荷时段的电价,最容易受到其他时段影响的是低谷时段的电价。     

基于自组织映射支持向量机的日前电价预测

针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点,建立多个模型分别对其进行预测,将数据空间按时点划分成24个子空间,然后根据这些子空间的相似性通过自组织映射对其进行自动聚类,并在不同类别的子空间分别建立支持向量机模型进行训练和预测。应用上述方法对PJM电力市场2005年8月的31天日前24点电价进行预测,结果表明该方法能够有效提高预测精度。     

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。     

基于长短时记忆网络-纵横交叉算法的含高比例新能源电力市场日前电价预测

精准的日前电价预测能够协助电力市场参与者做出合理的决策.随着高比例新能源接入电力系统,日前电价的预测难度不断加大.为了提升含高比例新能源电力市场日前电价的预测精度,提出了一种基于奇异谱分析(singular spectrum analysis,SSA)和纵横交叉算法(crisscross optimization,CS...     

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。     

基于周期波动及其影响分析的电力市场中长期电价预测

电力市场中的中长期电价受众多不确定因素影响,很难用传统的经验统计方法建模预测。现有的预测方法一般从系统模拟角度出发进行预测,需要较多的系统信息资料,难度很大。本文采用经验模式分解将电价分解成多个相对独立的分量,详细分析不同的因素对于这些分量的影响,从不同的时间尺度分析电价的影响因素。根据分量的特点有针对性地选择时间序列和支持向量机建模预测。实例研究表明该方法适合于分析和预测复杂的中长期电价。