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.     

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。     

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。     

基于遗传算法优化BP网络的提前一天市场清算电价预测

针对电力市场提前一天市场清算电价预测,考虑历史负荷和历史清算电价对未来时段电价的影响,分别采用BP神经网络和遗传算法优化BP网络的方法,建立了提前一天电力市场清算电价预测模型。并采用澳大利亚昆士兰州电力市场1998年的电价数据分别进行了训练和预测,对结果进行了比较分析。结果表明遗传算法优化BP网络模型具有良好的预测效果。     

一种用于短期电价预测的分时段时间序列传递函数模型

在电力市场环境下,准确的价格预测可为市场参与者制定合理的竞争策略提供重要信息.本文提出了一种基于时间序列法的分时段传递函数模型来预测短期电价,该模型考虑了负荷因素对电价的影响,同时利用累积式自回归滑动平均模型(ARIMA)对电价序列和负荷序列的非平稳性进行处理,并且对一天24个小时时段分别建立了预测模型.采用加州历史电价数据进行算例研究,结果表明,利用本文模型进行电价预测能够提高预测的准确性.     

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。     

基于神经网络的短期电价预测

利用系统旋转备用、历史负荷和清算电价对未来时段电价的影响来进行电价预测。以澳大利亚昆士兰州电力市场为背景,采用神经网络的方法,建立了提前1天电力市场清算电价短期预测模型。模型为3层BP神经网络结构,并采用昆士兰州电力市场1998年的电价数据进行了训练和预测分析,结果表明该模型具有良好的预测效果。     

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。     

一种用于短期电价预测的分时段时间序列传递函数模型

在电力市场环境下,准确的价格预测可为市场参与者制定合理的竞争策略提供重要信息。本文提出了一种基于时间序列法的分时段传递函数模型来预测短期电价,该模型考虑了负荷因素对电价的影响,同时利用累积式自回归滑动平均模型（ARIMA）对电价序列和负荷序列的非平稳性进行处理,并且对一天24个小时时段分别建立了预测模型。采用加州历史电价数据进行算例研究,结果表明,利用本文模型进行电价预测能够提高预测的准确性。     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

大用户模糊优化购电组合策略的研究

随着用户侧电力市场的开放,大用户允许在现货市场、长期合约市场和自备电厂中选择购电。面对这种市场角色的转变,综合考虑现货市场和长期合约市场电价的相关性,采用多变量灰色模型(multi-variablegre ymodel,MGM)(1,n),对现货市场和长期合约市场电价进行长期综合预测;在预测电价的基础上,运用模糊优化的方法,按照用户给定的期望目标及容差,建立了线性隶属函数的均值–风险价值(valueatrisk,VaR)最优购电组合模型。算例表明:电价的综合预测体现了现货市场和长期合约市场的相关性,预测精度更高;购电组合的模糊优化模型保证了用户兼顾电价和风险,更能满足用户的期望。     

A long-term risk management tool for electricity markets using swarm intelligence

This paper addresses the optimal involvement in derivatives electricity markets of a power producer to hedge against the pool price volatility. To achieve this aim, a swarm intelligence meta-heuristic optimization technique for long-term risk management tool is proposed. This tool investigates the long-term opportunities for risk hedging available for electric power producers through the use of contracts with physical (spot and forward contracts) and financial (options contracts) settlement. The producer risk preference is formulated as a utility function (U) expressing the trade-off between the expectation and the variance of the return. Variance of return and the expectation are based on a forecasted scenario interval determined by a long-term price range forecasting model. This model also makes use of particle swarm optimization (PSO) to find the best parameters allow to achieve better forecasting results. On the other hand, the price estimation depends on load forecasting. This work also presents a regressive long-term load forecast model that make use of PSO to find the best parameters as well as in price estimation. The PSO technique performance has been evaluated by comparison with a Genetic Algorithm (GA) based approach. A case study is presented and the results are discussed taking into account the real price and load historical data from mainland Spanish electricity market demonstrating the effectiveness of the methodology handling this type of problems. Finally, conclusions are dully drawn.     

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。     

Probabilistic LMP Forecasting Considering Load Uncertainty

In power market studies, the forecast of locational marginal price (LMP) relies on the load forecasting results from the viewpoint of planning. It is well known that short-term load forecasting results always carry certain degree of errors mainly due to the random nature of the load. At the same time, LMP step changes occur at critical load levels (CLLs). Therefore, it is interesting to investigate the impact of load forecasting uncertainty on LMP. With the assumption of a certain probability distribution of the actual load, this paper proposes the concept of probabilistic LMP and formulates the probability mass function of this random variable. The expected value of probabilistic LMP is then derived, as well as the lower and upper bound of its sensitivity. In addition, two useful curves, alignment probability of deterministic LMP versus forecasted load and expected value of probabilistic LMP versus forecasted load, are presented. The first curve is designed to identify the probability that the forecasted price in a deterministic LMP matches the actual price at the forecasted load level. The second curve is demonstrated to be smooth and therefore eliminates the step changes in deterministic LMP forecasting. This helps planners avoid the possible sharp changes during decision-making process. The proposed concept and method are illustrated with a modified PJM five-bus system and the IEEE 118-bus system.      

GM(1,1)改进模型在广西短期电力负荷预测中的应用

采用GM (1 ,1 )改进模型与ARIMA(p ,d ,q)模型对广西自治区电网特殊日电力负荷进行组合预测 ,阐述了GM (1 ,1 )改进模型的建立方法 ,提出了适用于广西自治区电网特殊日电力负荷预测的预测数据处理方法 ,提高预测的精确度 ,全年日精确度优于 95% .解决了在日采样点为 2 4点 (正点采样 )情况下预测确度较低的问题 .     

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%。     

基于模糊聚类和关节控制器神经网络的边际电价预测

应用基于模糊聚类和关节控制器神经网络的边际电价预测方法,精确预测边际电价,并有效克服BP等算法中负荷峰谷时段出现的预测误差大、结果不稳定的现象.通过计算实例进行边际电价预测,预测结果表明:方法输出稳定性好、计算速度快、预测精度较高.     

改进灰色模型在电力负荷预测中的应用

灰色GM（1,1）模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,导致对某些变化规律的负荷预测误差较大,精度不能满足要求,在实际应用中具有一定的局限性。对灰色GM（1,1）模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。