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。     

电力市场短期边际电价的分时重构混沌相空间预测

为了实现高精度的电力市场短期边际电价预测,该文对市场边际电价时间序列数据分时段聚类进行了相空间重构,并分别计算分形维数和提取最大Lyapunov指数,经分析得出了边际电价分时序列数据的演化具有混沌特征,由此提出了短期边际电价的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力市场短期边际电价预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

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。     

含误差校正的粒子群优化GM(1，2)短期电价预测方法

在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM（1,2）短期电价预测方法。该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM（1,2）模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM（1,2）模型的预测结果。对PJM电力市场历史数据的算例分析表明,相对于传统GM（1,2）模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要。     

含误差校正的粒子群优化GM(1,2)短期电价预测方法

在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM(1,2)短期电价预测方法.该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM(1,2)模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM(1,2)模型的预测结果.对PJM电力市场历史数据的算例分析表明,相对于传统GM(1,2)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.     

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。     

短期电价的混合预测模型

提出了短期电价的混合预测模型。利用集合经验模态分解将电价时间序列分解成一系列本征模态函数和余项。对不同特性的分量建立不同的预测模型。将所有分量的预测值求和作为最终的预测结果。以西班牙电力市场为例,将本文模型与其他模型进行对比,结果表明本文模型具有较高的预测精度。     

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。     

基于小波分析与广义自回归条件异方差模型的短期电价预测

由于电价波动具有非线性及波动集群现象,因此提出了一种基于小波分析和广义自回归条件异方差模型相结合的短期电价预测新方法。首先应用小波分解原理将电价序列分解成低频部分和高频部分,在此基础上对各子序列分别建立广义自回归条件异方差模型并进行预测;然后利用小波理论对各子序列的预测结果进行重构,实现对原始电价序列的预测;最后以美国加州电力市场历史数据为例进行了验证,结果表明本文方法是可行和有效的。     

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。     

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。     

可再生能源发电对实时电价的影响分析——德国电力现货市场的数据实证

电力现货市场实时交易可充分发挥市场调节作用,促进可再生能源消纳。基于数据实证分析可再生能源发电对实时电价的影响,对理解现货市场运行规律、开展市场成熟度评价等具有重要参考价值。选取德国电力现货市场开展数据实证,收集发电量、负荷量、预测误差、价格等多因素数据,基于时间序列特征表示方法,研究可再生能源发电对实时电价的影响。首先,使用特征表示方法将时间序列时域模型转化为特征向量。然后,采用贪婪向前特征选择算法提取关键特征,最大化因素间差异。接着,分别基于全部特征和关键特征讨论了多因素间的相关性,并构建了影响机理网络图。实证结果表明德国电力现货市场实时电价主要受到风力发电量预测误差影响,因素间相关性主要来自时间序列的傅里叶变换、小波变换、离散符号化等特征。最后,通过中德电力现货市场的定量对比,指出中国广东电力市场实时电价更易受新能源发电量而非预测误差的影响。     

考虑电价不确定性的负荷价-量曲线聚合方法

随着电力市场的发展,需求侧逐渐参与电力市场报价。报价曲线需要反映需求侧的真实价格响应特征。然而,需求侧的负荷资源具有数量多、单个容量小的性质。大量用户聚合上报的价-量曲线尽量准确地反映需求侧特征,有利于售电侧准确掌握聚合用电特性,维护电力市场经济信号准确性。针对此,提出一种考虑电价不确定性的需求侧用户价-量曲线聚合方法,该方法可有效保留各负荷的价格响应特性,并为大量需求侧用户参与市场出清提供技术支撑。首先,该文考虑电价预测的不确定性,基于后验误差与核密度估计,建立适应多种电价预测模型的电价概率分布生成方法;在此基础上,提出需求侧用户价-量曲线的最优聚合模型,能在预测电价附近展现良好的聚合精度,且适用于不同出清模式的电力市场。针对所提模型具有的分段非线性特性,该文采用启发式算法-粒子群算法求解该模型。最后,基于真实电价数据验证了所提方法的有效性。     

利用SCP预测中期电价

目前电价预测的研究主要集中于短期预测,而中期电价预测的方法较少.该文采用浙江电力市场的历史数据,利用系统剩余容量百分比(SCP)与平均上网电价的关系曲线在不同运行年份基本一致这一特征,得出在同一电力市场中,SCP与电价的对应关系在不同的年份(或时期)有一定的普遍适用性的结论,并由此结论提出一种利用SCP与平均上网电价的关系曲线来预测中期电价的新方法.该方法的特点是,只要能预测出某一段时期的竞价负荷和可用容量,就能对该时期的电价做出预测,这对供用电双方和电力监管方都有指导作用.最后,通过实际算例验证了该预测方法的可行性.     

当量电价体系及相关制度设计:（二）发电上网的实用当量电价法及其市场特性

介绍了实用当量电价法的基本原理和有关操作事项，包括其右端点原理。它不仅很好地解决了电力市场的两难问题，而且具有10个优良市场特性：既保征了市场效率，又给予充分合理的投资回报，满足了第1市场原则；提供了正确的短期经济学信号；提供了正确的长期经济学信号；无须设置价格上限，自动抑制价格尖峰；通过设置容量成本参考系，实现有效合理的政府监管；自动抑制发电厂商的不良报价行为，实现价格策略的稳健性；自动抑制发电厂商的持留容量行为，实现产量策略的稳健性；电价成分可分，便于对“新厂”和“老厂”实行不同的财税及金融调控，实现第2市场原则；易于理解，易于实现，易于监管；引入新要素后的可扩展性，目前，巳扩展了从发电、输电到辅助服务等近10个核心模型及算法，几乎是一个区域电力交易市场所必需，初步形成了当量电价理论体系。此项成果的启示和意义在于：在电力市场结构还很不完美的寡头竞争条件下，比之高成本的资产拆分和系统扩容，一个低成本的当量电价体系辅以合理的政府监管，同样可以实现相当完美的市场特性，在政府与市场、交易与投资、效率与公平、资产与经营等方面都有很好的协调一致性。