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.     

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。     

基于减法聚类及自适应模糊神经网络的短期电价预测

提出了基于Takagi-Sugeno模型的自适应模糊神经网络的短期电价预测方法。首先采用减法聚类方法确定自适应模糊神经网络的结构，然后利用混合学习算法训练该网络的前件参数和结论参数，最后将影响未来日电价的相关因素输入到训练好的自适应模糊神经网络中进行电价预测。以美国加州电力市场公布的1999年负荷与电价数据进行模型训练和预测，结果表明采用该方法所建立的预测模型具有较高的预测精度。     

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。     

基于长短期记忆的实时电价条件下智能电网短期负荷预测EI北大核心CSCD

在电力市场改革与智能电网建设的大背景下,电力将逐渐回归商品属性,电价也将实时波动,并对负荷产生影响。通过分析得出电价与负荷具有相关性,因此在预测模型中考虑了实时电价的影响,并对考虑实时电价的负荷预测模型与价格型需求侧响应之间的关系进行了讨论。针对前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷,提出了基于长短期记忆循环神经网络的负荷预测模型,使用自适应矩估计算法进行深度学习。最后通过美国某地区的实际负荷和电价数据,验证了所提模型具有更高的预测精度。     

电价分布及分类预测模型

准确的电价预测可为各市场主体的运营、发展规划提供指导,降低电价波动带来的风险,文中提出了相关预测模型。首先,基于历史数据分析了负荷水平、供给功率、可调度负荷水平、与相邻区域的功率交换水平及时段等因素对电价分布的影响,并引入基准电价概念将电价分为正常电价和高电价;然后,以上述因素为输入变量,采用邻近点技术和支撑向量机（SVM）技术确定未来电价的类别归属,正常电价利用时间序列法预测,高电价则根据历史高电价信息加权估计得到。模型以电价分布为着眼点进行分类预测,降低了对时间的依赖程度,不仅可用于短期电价预测,也为中长期预测提供了有效思路。以澳大利亚市场Queensland地区的周电价预测为例说明其有效性和实用性,给出了预测和分类精度,并通过灵敏度分析研究了基准电价选取对模型分类精度的影响。     

基于注意力机制的CNN-LSTM短期电价预测

短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率,针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系,提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先,采用灰色关联度分析法分析负荷因素与电价之间的关联程度,筛选出关联度较高的数据作为最优模型输入。其次,通过注意力机制(Attention, ATT)自适应分配输入数据的权重,以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks, CNN)对数据集进行二次特征提取及降维处理,优化输入长短期记忆神经网络(Long Short-Term Memory, LSTM)中的数据,从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析,通过与其他主流算法对比,验证了所提方法具有更高的预测精度和计算效率。     

考虑市场力的短、中、长期电价预测

分别介绍了采用BP神经网络模型和线性回归模型进行电价预测的方法和结果。方法的突出特点是在预测模型中引入了一个衡量市场力的新指标——发电容量必须运行率(MRR)，从而充分考虑了市场力对电价的影响，提高了电价预测的精度，特别是增强了短期预测模型对最高限价的预测能力。文中对MRR指标进行了简单的介绍，并针对电价预测的不同特点，对预测模型和预测变量的选择进行了探讨，提出了自己的观点。基于浙江电力市场实际运营数据的初步预测结果表明，所建预测模型是适用的，选择的预测输入变量是恰当的，电价预测精度能够满足电力市场实际运营的需要。     

考虑市场力的短、中、长期电价预测

分别介绍了采用BP神经网络模型和线性回归模型进行电价预测的方法和结果。方法的突出特点是在预测模型中引入了一个衡量市场力的新指标——发电容量必须运行率(MRR)，从而充分考虑了市场力对电价的影响，提高了电价预测的精度，特别是增强了短期预测模型对最高限价的预测能力。文中对MRR指标进行了简单的介绍，并针对电价预测的不同特点，对预测模型和预测变量的选择进行了探讨，提出了自己的观点。基于浙江电力市场实际运营数据的初步预测结果表明，所建预测模型是适用的，选择的预测输入变量是恰当的，电价预测精度能够满足电力市场实际运营的需要。     

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。     

基于稀疏自编码非线性自回归网络的负荷电价预测方法

准确的电价和负荷预测对现代电力系统至关重要,但由于电价与负荷之间存在较强的相关性,若不考虑其相互影响,将导致预测的精度下降。为了提高现有方法的预测准确性,在考虑价格与负荷关系的前提下,提出了一种基于深度递归神经网络的价格与负荷预测模型,即基于外部输入的稀疏自编码器的非线性自回归网络,其功能包括特征提取和预测。首先针对特征提取环节,对原有方法进行改进,提出了稀疏自编码器,可以大大提高特征提取的有效性。其次,利用非线性自回归网络进行电价和负荷预测。使用电力市场大数据ISONE 和 PJM 进 行 仿 真 验 证 ,与 级 联 Elam 网 络 相 比 ,ESAENARX在负荷预测方面将平均绝对误差降低了16%,在价格预测方面降低了7%。     

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。     

Electricity market price spike analysis by a hybrid data model and feature selection technique

In a competitive electricity market, energy price forecasting is an important activity for both suppliers and consumers. For this reason, many techniques have been proposed to predict electricity market prices in the recent years. However, electricity price is a complex volatile signal owning many spikes. Most of electricity price forecast techniques focus on the normal price prediction, while price spike forecast is a different and more complex prediction process. Price spike forecasting has two main aspects: prediction of price spike occurrence and value. In this paper, a novel technique for price spike occurrence prediction is presented composed of a new hybrid data model, a novel feature selection technique and an efficient forecast engine. The hybrid data model includes both wavelet and time domain variables as well as calendar indicators, comprising a large candidate input set. The set is refined by the proposed feature selection technique evaluating both relevancy and redundancy of the candidate inputs. The forecast engine is a probabilistic neural network, which are fed by the selected candidate inputs of the feature selection technique and predict price spike occurrence. The efficiency of the whole proposed method for price spike occurrence forecasting is evaluated by means of real data from the Queensland and PJM electricity markets.     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

基于改进DFNN的短期电价预测新方法

提出了一种改进的动态模糊神经网络DFNN(Dynam ic Fuzzy Neural Network)的短期电价预测方法。首先对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息,最后用得到的属性作为动态模糊神经网络(DFNN)的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络,并采用具有全局寻优能力的遗传算法来训练网络,克服了单纯BP算法易陷入局部最优解的困境。最后以美国加州电力市场公布的2000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。     

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。     

一种新型航空蓄电池剩余容量预测方法研究

在深入研究模糊神经网络模型的基础上,引入k-means聚类分析的方法对模型输入数据进行预处理,改进模型推理层,并对系统输出进行简化,提出了一种新的蓄电池剩余容量的预测模型。实验仿真表明,与基本模糊神经网络相比改进模糊神经网络的预测精度更高,所需时间更短,实现了对航空蓄电池剩余容量的实时、准确预测。     

Innovations-based Neural Network Seasonal Day-ahead Marginal Price Forecasting

Successful bidding and operational strategies of electric power generators (GENCO) depend highly on the availability of accurate and timely load and price forecasts. Several techniques have been proposed and applied over the past few years to predict the marginal price of electricity in deregulated markets. To improve accuracy, these techniques apply time-consuming, complex, and hybrid methods requiring multiple inputs and large databases. This article introduces the first application of the method of “innovations” and a single artificial neural network to provide accurate forecasting results with mean absolute percentage error comparable to more complex and hybrid artificial neural network forecasting methods. The proposed model is applied to data of two seasons of Spain's power market operator (OMEL) marginal price data. The technique provided average accuracy improvement of 26% with overall mean absolute percentage error of 6.5%, which is reasonable considering the number of inputs and the simplicity of this model compared to other proposed models.     

上网电价预测中运用修正神经元输出函数对BP模型动态修正的探索

阐述了人工神经网络模型的基本原理,研究分析了BP神经网络模型非线性特性差和对实际情况反应"迟钝"等缺陷,提出了通过修正神经元输出函数对BP神经网络模型进行动态修正的优化方案,从而提高了BP神经网络模型的收敛速度。在此基础上,将修正后的BP神经网络模型引入到上网电价的预测中。模拟运行结果表明,修正后的BP神经网络模型可以更好地适应发电厂报价的复杂环境。