基于多因素小波分析的神经网络短期现货电价预测方法

一般采用小波分解的电价预测方法是将历史电价分解后分别预测,预测过程中没有引入其他电价影响因素,或者是直接引入未经小波分解的影响因素。提出一种小波分析与神经网络相结合的预测方法,将历史电价和历史负荷都进行小波多分辨率单尺度分解,分解成概貌电价、细节电价和概貌负荷、细节负荷。在此基础上,用历史概貌电价和概貌负荷序列训练BP神经网络,预测出未来的概貌电价;用历史细节电价和细节负荷序列训练BP神经网络,预测出未来的细节电价。将概貌电价和细节电价进行重构,得到最终的预测电价。对美国PJM电力市场的实际电价(LMP)进行预测,验证了该方法的有效性和可行性。     

小波分析和考虑外生变量的广义自回归条件异方差模型在电价预测中的应用

电力市场中的电价序列存在很大的随机波动和价格尖峰。文章提出根据电价序列的变化特点,通过小波变换将其分解为概貌序列和细节序列,从而在不同尺度上反映电价的变化规律。通过概貌分量找出电价的主要波动规律,并由此对电价进行预测,剔除细节分量所反映的电价的随机波动影响。建立考虑异方差的广义自回归条件异方差模型(generalized autoregressive conditional heteroscedasticity,GARCH)对概貌序列建模,并在GARCH模型中加入外生变量形成GARCHX模型,以弥补传统时间序列模型忽略外界影响的缺陷。对美国PJM电力市场的实例研究表明,所建立的W-GARCHX模型比传统时间序列模型的预测精度有明显提高。     

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.     

我国电价时间序列混沌特性分析及电价预测

本文在分析电价时间序列形成机理的基础上,分析了我国电价时间序列的的混沌特性,通过国内外电价时间序列的比较,证明了传统的基于电价时间序列周期性的预测方法在我国电力市场不能取得较好结果的原因。并利用我国电力市场电价时间序列和负荷时间序列的混沌相关性建立模型,该模型可以很好的解决我国四川电网日前市场和实时市场的电价预测问题,该改进模型对“价格钉”具有一定的预测能力,并为“价格钉”预测提供一种思路。     

基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法

为准确预测电力市场中的短期电价,将最大信息系数(maximal information coefficient,MIC)相关性分析与改进多层级门控长短期记忆网络(multi-hierachy gated long shortterm memory,MHG-LSTM)相结合,提出一种新型短期电价预测方法。该方法首先对备选序列与预测电价序列做MIC相关性分析,在此基础上筛选备选序列并经小波变换合成神经网络输入序列,有效增加了输入中与预测电价相关的信息密度;其次,对传统LSTM进行创新性改进,提出用两级遗忘门和输入门替换传统的一级门控机构的MHG-LSTM模型,提高了神经网络选择和提取高频电价序列特征的能力。在PJM市场日前电价数据集上对所提方法进行仿真实验,实验结果表明,该方法的预测误差仅为4.506%,相比已有预测方法有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

基于小波变换的风电上网电价的预测

提出基于小波变换和神经网络的预测模式,首先利用小波变换将历史销售电价序列分解为高频和低频序列,并分别构造学习样本作为神经网络的输入,对不同频率的序列分别采用神经网络进行预测,然后将不同频率预测结果通过小波重构,得到销售电价,并根据合理的输配电价管制模型推算上网电价,阐述影响风电上网电价的因素,实现对风电上网电价的预测。结果表明：提出的预测方法对美国PJM电力市场的历史节点边际电价（LMP）进行预测是有效的,从电力市场的角度入手分析风电上网电价机制具有重要意义。     

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。     

基于市场因子的灰色电价预测方法

提出了一种基于MGM(1,2)模型的灰色预测方法,通过分析各时段负荷与电价之间的关系提取出一种在电力市场中能反映电价变化的市场因子,与经过巴特沃兹低通滤波的分时段电价序列作为2个相关序列,采用灰色MGM(1,2)模型进行分时段电价预测。对Ontario电力市场的日前电价预测结果表明,采用此方法进行短期电价预测的效果较好。     

基于时间序列模型的电价预测方法

通过对美国PJM电力市场2006年8月到11月的日前电价的分析研究,提出了一种基于时间序列的自回归积分滑动平均模型(ARIMA)及自回归条件异方差(ARCH)模型和神经网络的组合模型来预测美国PJM电力市场未来24小时的日前电价, 季节性ARIMA模型反映了电价趋势性、季节性,ARCH模型反映了电价的异方差性,因此该模型能够很好地反映电价的特点,预测结果良好,应用前景广阔。     

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。     

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。     

短期电价预测综述

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,从而减少参与者的竞价风险,为其带来稳定的收益,因此短期电价预测已成为电力市场中的研究热点。结合1997年以来的相关文献对短期电价预测进行了综述。在分析电价基本特点和电价影响因素的基础上,重点对时间序列法和神经网络法这2种常用的电价预测方法进行了评述,探讨了各方法可能的进一步研究方向。最后对电价影响因素选择、数据预处理和电价预测工具的选择这3个电价预测中的重要问题进行了讨论,并对短期电价预测的研究工作提出了一些建议。     

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。     

电力市场环境下价格突变的机理分析和风险防范

指出电力市场的价格存在不确定性,描述了电力市场中异常价格的类型.预防和规避市场的价格风险,是建立公平、有序、稳定的电力市场的关键.通过对加州电力市场价格的统计,分析异常价格出现的规律,剖析了影响电力市场价格的主要因素,介绍了价格突变的预测方法,提出了结合价格预测和风险防范的市场竞价流程.     

Electricity Price Forecasting Based on AOSVR and Outlier Detection

Electricity price is of the first consideration for all the participants in electric power market and its characteristics are related to both market mechanism and variation in the behaviors of market participants. It is necessary to build a real-time price forecasting model with adaptive capability; and because there are outliers in the price data, they should be detected and filtrated in training the forecasting model by regression method. In view of these points, this paper presents an electricity price forecasting method based on accurate on-line support vector regression (AOSVR) and outlier detection. Numerical testing results show that the method is effective in forecasting the electricity prices in electric power market.     

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。     

基于时间序列ARMAX模型的短期电价预测方法

电力市场环境下,准确的电价预测可为市场参与者制定合理的竞争策略提供重要的参考信息.在对美国PJM电力市场日前电价的各种影响因素和波动规律综合分析的基础上,建立了一个基于ARMAX考虑负荷与电价之间非线性关系的短期电价预测模型.对PJM电力市场2008年1月到4月的历史数据的算例研究表明,该方法能够准确反映电价的变化规律,具有较高的预测准确性.     

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...