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。     

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.     

基于加权双高斯分布的广义自回归条件异方差边际电价预测模型

研究电力市场系统边际电价(system marginal price,SMP)条件方差的变化规律及残差的统计分布特征,据此引入广义自回归条件异方差(generalized auto-regressive conditional heteroskedasticity,GARCH)模型,并建立了基于加权双高斯(weighed double Gaussian,WDG)分布假设的GARCH模型(GARCH-WDG)对系统边际电价的变化规律进行研究。美国PJM市场和澳大利亚NSW市场的实际数据表明,GARCH模型对电价的估计和预测均有良好的效果,GARCH-WDG模型则进一步改善了GARCH模型的性能。     

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。     

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。     

基于非参数GARCH模型的电价预测

基于非参数条件异方差估计理论,提出了一种改进的电价曲线预测方法。文中从实际电价曲线出发,针对条件方差函数建模,并采用非参数估计方法确定其模型。另外,在非参数估计中,针对条件标准差不可测困难,引入了迭代估计算法,通过不断修正作为输入量的条件标准差估计值来提高条件方差函数的估计可信度。在研究加州电力市场2000年日前电价时间序列波动特性的基础上,对Humb节点的日前电价时间序列进行建模并模拟预测。试验结果表明,文中所提模型能够更好地体现电价时间序列波动集群性这一特征,利用非参数估计所确定的模型提升了尖峰电价的预测效果。     

日前交易边际电价的预测方法

在电力市场日前交易中,边际电价对独立发电商、输配电服务提供者、电力零售商和电力客户等市场成员的经济利益影响重大。针对电力市场研究的热点问题即边际电价预测问题,分析了边际电价的微观经济机理,指出供求均衡规律是影响边际电价的主要因素,以及边际电价具有周期性、波动性和分时均值回复等特征;对边际电价预测方法从ARIMA模型、GARCH模型、动态回归模型、传递函数模型、灰色系统模型、混沌相空间重构、人工神经网络、委员会机器、支持向量机、市场模拟等方面进行了评述;提出了选择边际电价预测方法的建议,并指出由于市场力、博弈、串谋、容量持留等因素会影响预测精度,因此组合预测模型是提高预测精度的一种可行方法。     

基于趋势指标与长短时记忆网络的电力市场日前电价预测

为提高电力市场日前电价的预测精度,提出一种基于趋势指标与长短时记忆网络（LSTM）的日前电价预测模型。首先,计算日前电价的随机指标（KDJ）与异同移动平均线指标（MACD）,挖掘电价的内在规律信息;然后,将计算出的趋势指标与电价信息输入LSTM,对电力市场日前电价进行预测;最后,利用电力市场日前电价数据进行验证。算例分析表明该模型相比反向传播神经网络（BPNN）、LSTM和门控循环单元网络（GRU）等模型预测精度更高。     

小波分析和考虑外生变量的广义自回归条件异方差模型在电价预测中的应用

电力市场中的电价序列存在很大的随机波动和价格尖峰。文章提出根据电价序列的变化特点,通过小波变换将其分解为概貌序列和细节序列,从而在不同尺度上反映电价的变化规律。通过概貌分量找出电价的主要波动规律,并由此对电价进行预测,剔除细节分量所反映的电价的随机波动影响。建立考虑异方差的广义自回归条件异方差模型(generalized autoregressive conditional heteroscedasticity,GARCH)对概貌序列建模,并在GARCH模型中加入外生变量形成GARCHX模型,以弥补传统时间序列模型忽略外界影响的缺陷。对美国PJM电力市场的实例研究表明,所建立的W-GARCHX模型比传统时间序列模型的预测精度有明显提高。     

基于不同分布假设条件的自回归条件异方差族模型在评估日前电力市场风险价值中的应用比较

Taking PJM day-ahead electricity market for example, a comparative research on evaluation of value at risk (VaR) of market by autoregressive conditional heteroskedasticity (ARCH) family model based on distributional assumption conditions is performed. Firstly, by use the analysis of ARCH family model the conditional variance series from marginal price return series is obtained; then by using computing formula of VaR, the VaR series under different distributional conditions is obtained; finally, the risk evaluation results under different distributional conditions are compared. Analysis results show that it is better to build VaR models based on different distributional assumption conditions at different times in a day.     

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。     

基于远期合约与日前市场的大用户购电模型

基于大用户的视角,分析了基于多重结算系统的最优购电策略:在现金市场中讨论了日前市场,远期市场中讨论了远期合约和欧式看涨期权。以利润的条件风险价值CVaR最大化为目标,构建了大用户在日前市场的购电优化决策模型,给出了模型的解析解;并以此分析了日前市场电价、缺电损失和风险偏好对最优购电量的影响。结论表明:大用户在日前市场的最优购电量总会随着日前市场电价的递增而减少,随着缺电损失的递增而增加;大用户的风险偏好会影响其购电决策,影响程度共同取决于用电收益、日前市场电价和缺电损失。     

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。     

基于可信度加权组合的电价波动模式日前预报方法

准确的日前电价预测对电力市场参与者的优化决策具有重要意义。目前,大多数日前电价预测方法并不区分每天电价的波动模式而采用统一模型进行预测,当被预测日的波动模式与历史数据出现较大差异时无法保证预测的准确性。根据不同的日波动模式采用相似历史数据进行分类建模是解决此问题的有效途径,这就需要建立针对历史数据不同波动模式的分类识别模型和针对未来波动模式的日前预报模型。为此,文章提出一种针对分类预测的电价日波动模式日前加权组合预报方法。第一,采用K-means算法对日电价序列进行聚类分析,在分析聚类结果特性的基础上提取反映每日波动模式差异的特征向量,利用支持向量机分类（support vector machine for classification, SVC）方法建立电价数据日波动模式的识别模型;第二,利用多种常规方法建立日前电价预测模型对日前电价进行预测,并将预测结果输入日波动模式识别模型得到对应的模式识别结果;第三,根据多个方法波动模式预测结果对历史数据表现出来的不同精度,设计了基于可信度的组合机制,实现考虑预测准确性的加权组合预测,从而得到最终的日波动模式预测结果。利用美国PJM电力市场电价数据进行的仿真分析表明,提出的日前电价波动模式预测方法能得到较为准确的模式预测结果;利用电价波动模式日前预报进行分类预测的精度相对统一预测有显著提高。     

基于ARCH模型的电价联动建模研究

在开展电力零售市场竞争前,销售电价与上网电价的联动机制是在销售侧正确地反映电力市场供需状况和供电成本,规避由于发电竞价而引起上网电价波动给电网企业所带来的市场风险的重要手段。文中通过对电价联动机制存在的风险进行分析,提出一种考虑用户需求响应的电价联动机制与建模的新思路。该联动机制中,电价监管者要在一个电价联动期开始前,向电力5用户公布预期的电价联动水平;在该联动期结束后,根据实际上网电价的波动情况和用电情况,及时制定销售联动电价水平,对于实行电价联动的用户,当期按联动后的电价水平进行结算。同时,该文针对销售电价与上网电价联动存在的风险,采用自回归条件异方差(ARCH)模型对联动期内平均上网电价的波动情况进行数学描述,实现了联动模型的具体建模和对联动水平的预测。最后,采用实例数据对联动模型进行实证分析。     

集成定价法在输电电价中的应用

对输电电价的定价方法进行了研究,对输电网的成本进行了分析,将其成本分为固定成本和变动成本2大类,固定成本基本上不随时间变化,变动成本随时间变化而不断改变。提出了集成定价思想,即对输电网的固定成本采用综合成本定价法,按最大需量进行分摊,而对变动成本则采用基于边际成本定价法的实时电价并进行实时分摊,两者有效结合即得出输电网的电价模型。该模型可称为集成定价法下的节点电价模型,可以应用于实时电价、分时电价、日前市场电价和远期合同电价。通过算例说明了该电价模型的具体应用。     

Electricity price forecasting using artificial neural networks

Electricity price forecasting in deregulated open power markets using neural networks is presented. Forecasting electricity price is a challenging task for on-line trading and e-commerce. Bidding competition is one of the main transaction approaches after deregulation. Forecasting the hourly market-clearing prices (MCP) in daily power markets is the most essential task and basis for any decision making in order to maximize the benefits. Artificial neural networks are found to be most suitable tool as they can map the complex interdependencies between electricity price, historical load and other factors. The neural network approach is used to predict the market behaviors based on the historical prices, quantities and other information to forecast the future prices and quantities. The basic idea is to use history and other estimated factors in the future to “fit” and “extrapolate” the prices and quantities. A neural network method to forecast the market-clearing prices (MCPs) for day-ahead energy markets is developed. The structure of the neural network is a three-layer back propagation (BP) network. The price forecasting results using the neural network model shows that the electricity price in the deregulated markets is dependent strongly on the trend in load demand and clearing price.