基于相似搜索和加权回归技术的短期电价预测

在电力市场环境下,进行准确的电价预测对市场中的各参与者有极其重要的意义。提出一种基于数据挖掘中的相似搜索技术和加权回归技术的短期电价预测方法,该方法简单、方便．对临近日和相似搜索所得到的相似日的负荷-电价数据用加权回归进行电价预测。最后用美国加州电能交易所(CalPX)公布的真实数据得到的预测结果验证了该方法的有效性。     

利用数据挖掘进行短期电价预测

在电力市场化的今天，如何准确地进行电价预测，是市场参与各方都十分关心的问题。由于电价受到众多因素的影响，所以到目前为止还没有较好的预测方法。本文简要叙述了数据挖掘技术的特点。在详细分析了电价的特点和考虑到电价与负荷的强相关性之后，提出了一种基于数据挖掘中时间序列相似性研究的短期电价预测方法。采用序列分段平均值技术进行降维。最后利用加州电力市场的数据做试验，试验表明该法是有效的。     

基于混沌因子及相空间重构后的神经网络短期电价预测的研究

影响电价因素众多,但在现实中不可能获得所有信息的资料,在这种信息不完全的情况下,为了更好地提高电价预测精度,通过分析电价和负荷时间序列的混沌性,用C-C方法分别重构其相空间,揭示出其本身蕴涵的规律,并采用数据挖掘技术中的相似搜索技术,挖掘出与预测日变化规律最相似的时间序列作为样本,利用BP神经网络这一具有高度自学习自适应能力的网络,拟合电价序列的重构函数。利用美国PJM电力市场的实际数据进行了实例预测,结果显示出良好的预测精度,并比传统BP网络能更好地预测休息日电价。     

基于混沌因子及相空间重构后的神经网络短期电价预测的研究

影响电价因素众多,但在现实中不可能获得所有信息的资料,在这种信息不完全的情况下,为了更好地提高电价预测精度,通过分析电价和负荷时间序列的混沌性,用C-C方法分别重构其相空间,揭示出其本身蕴涵的规律,并采用数据挖掘技术中的相似搜索技术,挖掘出与预测日变化规律最相似的时间序列作为样本,利用BP神经网络这一具有高度自学习自适应能力的网络,拟合电价序列的重构函数.利用美国PJM电力市场的实际数据进行了实例预测,结果显示出良好的预测精度,并比传统BP网络能更好地预测休息日电价.     

基于相似搜索和神经网络的日前市场边际电价预测

为了对电力市场次日系统边际电价(SMP)进行准确预测,本文根据数据挖掘中的相似搜索理论和人工神经网络(ANN)工具建立了预测模型,其中相似搜索用来生成神经网络的训练集和输入矩阵,并运用Matlab6.5中的神经网络工具实现该模型。采用美国加州电力市场的历史数据进行实例计算,证明该方法对工作日SMP的预测效果较好,也证明了选择与预测日负荷相似或邻近日的历史数据进行网络训练方法的有效性。     

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。     

基于相似搜索和RBF神经网络的短期电价预测

为了提高电价预测的准确性,提出一种基于相似搜索和RBF神经网络的短期电价预测的方法。采用相似搜索原理来生成神经网络的训练集和输入矩阵,并运用MATLAB7.0中的神经网络工具来实现该模型。采用澳大利亚维多利亚电力市场2002年1月1日至3月17日共75天数据进行了实验分析,对3月11日～17日的各时段电价进行了预测,通过比较验证了本文方法的有效性。     

分时电价下用户响应行为的模型与算法

为满足需求响应机制中描述用户行为规律的需要,提出一种电力用户需求响应行为的模型与算法。在获取足够的用户历史数据的基础上,通过支持向量机(support vector machine,SVM)回归进行数据挖掘,建立了电力用户在分时电价下的响应行为模型。该方法以用户响应的影响因素分析为基础,确定了回归模型的输入与输出属性;并通过定义等效电价比率,构建了含丰富数据信息的训练样本;最后采用网格搜索法选择SVM回归的最佳参数,实现了回归模型的高精度预测。该模型实现了电力用户在分时电价下行为规律的模拟,可揭示用户响应电量变化与分时电价政策激励力度间的关系,从而为更多研究提供基础数据。仿真分析证明了该模型和算法的有效性和合理性。     

基于BP神经网络的短期市场出清电价预测

在电力市场中,短期市场电价预测的准确与否,对发电厂的竞价决策具有关键性的影响。文章提出应用神经网络算法来模拟预测日前市场出清电价,以获取精确的预测结果,该方法可适用于原始数据有限的情况。利用电力系统历史负荷、历史清算电价、系统的旋转备用等影响因素作为分析因子,分析其对未来时段电力市场价格的影响,并对下一交易时段电价进行预测。以美国加利福尼亚州电力市场为背景,采用BP神经网络算法,应用MATLAB软件编程,建立电力市场清算电价短期预测模型。该模型结构为三层神经网络,通过网络的反向传播过程不断修正模型中的神经元连接权值和阈值,充分发挥BP网络局部搜索能力强的优点,实现对未来24小时市场出清电价的有效预测,并针对美国加州实际电力市场价格数据进行训练和预测分析,结果表明该模型具有良好的预测效果。     

Electricity market price spike forecast with data mining techniques

Electricity market price forecast is a changeling yet very important task for electricity market managers and participants. Due to the complexity and uncertainties in the power grid, electricity prices are highly volatile and normally carry with spikes, which may be tens or even hundreds of times higher than the normal price. Such electricity spikes are very difficult to be predicted. So far, most of the research on electricity price forecast is based on the normal range electricity prices. This paper proposes a data mining based electricity price forecast framework, which can predict the normal price as well as the price spikes. The normal price can be predicted by a previously proposed wavelet and neural network based forecast model, while the spikes are forecasted based on a data mining approach. This paper focuses on the spike prediction and explores the reasons for price spikes based on the measurement of a proposed composite supply–demand balance index (SDI) and relative demand index (RDI). These indices are able to reflect the relationship among electricity demand, electricity supply and electricity reserve capacity. The proposed model is based on a mining database including market clearing price, trading hour, electricity demand, electricity supply and reserve. Bayesian classification and similarity searching techniques are used to mine the database to find out the internal relationships between electricity price spikes and these proposed. The mining results are used to form the price spike forecast model. This proposed model is able to generate forecasted price spike, level of spike and associated forecast confidence level. The model is tested with the Queensland electricity market data with promising results.     

电力系统中基于聚类分析的主导因素挖掘方法

影响电力系统发展的指标可能很多,在众多的因素中挖掘出最具代表性和影响力的若干主导因素,是有着重要需求的现实问题。借鉴聚类分析和数据挖掘的基本原理,提出了基于聚类分析的电力系统主导因素挖掘方法。对于电力系统某种指标,每一种相关指标都是一个衡量尺度,利用聚类分析法,综合多种衡量尺度对相关指标群体进行划分和识别,从而得到影响电力需求的主导因素。文中的方法可望在电力需求分析中发挥重要的作用。     

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。     

基于设备用电特征的居民电力需求价格弹性评估

能源互联网建设可实现居民用电设备的状态感知,为需求价格弹性的评估提供全新的数据支持。以此为前提,提出一种基于设备用电特征的居民电力需求价格弹性评估方法。首先,根据需求价格弹性的定义,分析居民用电设备的使用特征与自弹性、交叉弹性的关联性,揭示用电设备可调整性对居民用户电价响应行为的客观约束。其次,针对居民用户因数量庞大且主观响应意愿存在差异而导致的设备用电调整不确定性,结合与用电特征关联的设备可调整性分类,构建基于设备用电调整模糊推理的居民电价响应行为分析模型。最后,将响应结果对应到需求价格弹性矩阵计算,完成居民电力需求价格弹性评估。算例分析验证了所提的方法的合理性与有效性。     

考虑用户充电差异性的家用电动汽车充电需求分布分析方法

针对家用电动汽车充电行为的随机性问题,在出行链理论的基础上提出一种计及停车时长充裕度以及分时电价的充电需求分布分析方法。首先,基于全美家庭出行调查数据和出行链理论,研究不同时刻出行量影响下的时空特征量;然后,根据预估的电量需求对用户进行分类,运用模糊推理分析停车时长充裕度以及分时电价对用户充电意愿的影响,构建不同用户的分层充电决策模型,得到充电需求的时空分布情况。算例结果表明,停车时长充裕度以及分时电价对用户的随机性充电行为具有引导作用,可使充电需求在时空分布中发生转移,整体分布出现降峰、避峰效应。     

基于多Agent协同技术的用电需求预测系统的设计

电力市场环境下,用电需求日益复杂化,影响电价的因素日益增多,使电价具有较强的弹性.作者首先对用电需求预测这一需求预测和电价预测相互影响、而且这两种预测又是交叉进行的复杂过程进行了分析.然后提出利用多Agent协同技术设计需求和电价的并行预测系统.在这一预测系统中,通过Agent技术将系统理论、需求预测、电价预测、信息收集与知识发现技术紧密地结合起来,以提高供电市场中用电需求预测的准确性.     

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.     

碳电市场环境下火电厂市场竞价策略及交易技术

电力现货市场与碳排放权市场建设的不断推进,为火电厂的生产运营带来了新的机遇与挑战。文中提出了一种碳电市场环境下火电厂市场竞价策略及交易技术。首先,分析了火电机组碳排放权交易及管理办法,研究了碳电市场的关联关系与关键影响因素;然后,基于火电机组出力特性模型与成本模型,计入碳电市场价格分别建立了电力市场、电力市场+免费配额、电力市场+有偿配额3种模式下的机组竞价模型,并进一步提出了以火电机组效益最大化为目标的出力优化模型及求解方法;最后,通过算例仿真验证了所提方法的有效性。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。