电力市场中的电价影响因素

对电价的影响因素进行分析是做好电价预测的第一步,分析电价的形成机制并找出主要的影响因素,对于电价预测意义重大.在回顾电力市场改革背景的基础上,分析电力市场中电价的影响因素,并以美国PJM电力市场为例,定量分析月度电价影响因素,为电价预测和电力市场分析提供参考信息.     

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。     

GARCH族模型在电力市场电价预测中的比较研究

电力市场电价的剧烈波动存在巨大的风险。准确的电价预测有助于市场参与者管理风险并达到自身利益的最大化。用ARMA—GARCH族模型对美国PJM电力市场和北欧电力市场的日前小时电价序列进行建模和预测。在模型估计时假设残差分别服从正态分布和学生t分布,进而比较不同模型对不同电力市场日前电价的预测精度。通过比较得出,非对称的GARCH模型预测效果较好。但ARMA—GARCH族模型不适用于波动异常剧烈、电价序列间相关性较弱的电力市场,并以澳大利亚电力市场电价数据为例进行了分析。     

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.     

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.     

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.     

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。     

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。     

PJM 5节点电力系统阻塞管理实例

详细描述了美国PJM电力市场采用节点电价法进行阻塞管理的过程,说明节点边际电价和固定输电权在PJM电力市场阻塞管理中的作用。对节点电价法与费用分摊法进行了比较,分析了两者的特点。     

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。     

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。     

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。     

考虑外生变量的广义自回归条件异方差日前电价预测模型

利用广义自回归条件异方差模型预测电价，并在该模型中引入周用电比率作为外生变量，以增加模型对外界影响的响应。采用上述方法对美国PJM电力市场2004年12月份的日前电价进行预测，结果表明该方法对高峰时段电价的预测精度明显高于与之对比的其他模型，整体预测精度也好于对比模型。     

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。     

基于最小二乘支持向量机的系统边际电价预测

系统边际电价是电力工业改革的关键因素之一,是电力市场的杠杆和核心内容。为克服神经网络预测法易陷入局部极小,隐层数不易确定,训练速度慢等问题,提出一种基于相似搜索和最小二乘支持向量机的系统边际电价预测方法,该方法对相似搜索得到的相似日的负荷—电价数据用最小二乘支持向量机建立电价预测模型,同时利用网格搜索和交叉验证自动选取最小二乘支持向量机相关参数。用美国加州电力市场的真实数据做实例验证结果表明该方法可有效提高预测精度。     

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GARCH误差校正的遗传支持向量机日前电价预测

针对时间序列预测和智能算法预测各自的侧重点不同，结合两者优点对日前市场电价进行预测。首先建立支持向量机（SVM）模型对单一时点电价进行预测，将遗传算法（GA）嵌入SVM模型中来保证SVM参数选择最优。针对SVM-GA模型训练误差和测试误差存在一定的相关性和条件异方差性，采用广义自回归条件异方差（GARCH）模型对误差序列进行拟合。然后利用拟合好的GARCH模型对SVM-GA模型预测误差进行预测，最后根据GARCH预测结果对SVM-GA模型预测进行校正。用该方法对美国PJM电力市场2005年8月份日前电价进行连续预测，总体平均误差仅8.19%，比普通方法误差减少了将近4个百分点。     

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。     

基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例，分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明，CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点，比较适用于短期电价预测。