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。     

最优组合预测方法在电价预测中的应用

电价是电力市场中的核心因素,电价预测是各个市场参与方共同关注的一项重要工作。为了提高电价预测的准确性,文章引入组合预测模型,将几个单一电价预测模型有机地结合起来,综合各个预测模型的优点,得出更为准确的预测结果。通过使组合预测误差平方和最小,以确定各个单一预测方法的权重系数。用美国加利福尼亚州电力市场日均历史电价进行预测校验,算例分析结果说明了该组合预测方法的有效性。     

遗传程序设计在短期电价预测中的应用

介绍了遗传程序设计的原理,提出了一种基于遗传程序设计的短期电价预测新方法。首先对数据进行预处理,然后利用遗传程序设计进行演化建模,采用美国加利福尼亚州电力市场历史数据进行预测,通过和时间序列法的预测结果进行比较,验证了该方法在短期电价预测中的有效性。     

基于数据挖掘的负荷预测

简要叙述了数据挖掘技术及其在电力系统中的应用情况。提出了一种基于数据挖掘中时间序列相似性研究的电力负荷预测方法。通过采用序列分段平均值技术降维，结合滑动窗口和MBR方法实现子序列相似查询，并利用R -树作为多维索引结构提高检索效率。实验结果证明提出的方法是行之有效的。     

电力系统负荷预测与电价预测

讨论了电力系统负荷预测与电价预测的特点 ,并且对二者之间的异同点进行了说明和分析 ,对电价预测的意义及方法进行了初步的探讨。     

级联相关的神经网络模型在边际电价预测中的应用

在实际的电力市场运作中，电厂的报价反映了电厂的运行成本和市场供求，决定电厂机组能否上网发电和上网电量。而报价的一个重要指标是预测的系统边际电价。因此，电力市场中的边际电价预测在发电厂的市场化运营中处于重要的地位，特别是对电力供应商的决策有重要意义。文中应用神经网络理论中的级联相关模型对电力系统的边际电价进行预测，优点在于避免了对网络结构的估计，网络在训练的过程中能够自适应地增加隐含节点，同时提出了在训练集中增加特殊数据点以提高预测精度的方法。通过New EnglandISO数据算例预测第2天的24h边际电价说明了这种方法的可行性，并用3层BP神经网络做了对比研究。     

电力市场中的电价预测综述

在竞争性的电力市场中,准确地预测电价对电力市场的参与者有着重要的意义.全面回顾和分析了国内外的电价预测研究成果,并从预测对象、输入变量的选择、预测方法和程序以及研究历史等角度进行了分析,在此基础上比较分析了各种预测方法的优缺点,最后对电价预测研究工作提出了建议和展望.     

电力市场现货电价预测方法研究状况综述

电力工业从垄断走向市场,使得电价不再由政府确定,而是在市场机制下产生.电价波动会影响市场参与者的经济利益.对电力市场参与者而言,准确地预测电价具有非常重要的意义.详细分析和研究了电力市场现货电价的预测方法及其技术发展,阐述了各种电价预测方法的种类、预测原理、优缺点及其适用范围.     

基于数据挖掘的负荷预测初探

简要叙述了数据挖掘技术及其在电力系统中的应用情况。提出了一种基于数据挖掘中时间序列相似性研究的电力负荷预测方法。通过采用序列分段平均值技术降维 ,结合滑动窗口和MBR方法实现子序列相似查询 ,并利用R+- 树作为多维索引结构提高检索效率。实验结果证明所提出的方法是行之有效的     

基于多智能体的短期电价智能预测方法

短期电价预测的准确性和稳定性对电力竞价决策具有重要作用。针对目前短期电价预测方法的局限性,提出并建立了一种基于多智能体的智能化短期电价预测方法。按照智能预测和组合预测的思想,实现了各类预测模型的智能选择、定量与定性方法的有机整合,并重点研究了知识库的构建及基于多智能体的预测流程。仿真试验结果表明,与常规预测方法相比,该方法的准确性和稳定性均得到了提高。     

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。     

Next-Day Peak Electricity Price Forecasting Using NN Based on Rough Sets Theory

Electricity price forecasting is an essential task for market participants in deregulated electricity market. This paper proposes an approach for next-day peak electricity price forecasting, since it is important for risk management and bidding strategy. In the proposed method, neural network (NN) is employed as the forecasting method, and its learning data is selected by using rough sets. Moreover, the creating method of learning data based on temperature fluctuation is also proposed for generation of new learning data in order to efficiently learn. This method is examined by using the data of Pennsylvania-New Jersey-Maryland (PJM) electricity market and The independent electricity system operator (IESO) market. From the simulation results, it is observed that the proposed method is useful for next-day peak electricity price forecasting. Copyright © 2009 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Electricity Price Forecasting Based on AOSVR and Outlier Detection

Electricity price is of the first consideration for all the participants in electric power market and its characteristics are related to both market mechanism and variation in the behaviors of market participants. It is necessary to build a real-time price forecasting model with adaptive capability; and because there are outliers in the price data, they should be detected and filtrated in training the forecasting model by regression method. In view of these points, this paper presents an electricity price forecasting method based on accurate on-line support vector regression (AOSVR) and outlier detection. Numerical testing results show that the method is effective in forecasting the electricity prices in electric power market.     

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。     

基于证据理论的多模型组合电价预测

传统的组合预测方法主要依靠历史预测误差确定组合权值,预测结果受历史预测误差影响较大,没有考虑预测时点的外界影响因素。利用支持向量机,神经网络和时间序列等多种不同的预测方法,从不同侧面对电价进行预测。利用神经网络等模型对预测的历史误差和预测时点的外界影响因素进行分析建模,建立每个模型的可信度评价模型。采用DS(Dempster-Shafe)证据理论对每个模型的可信度进行分析评价和合成,确立最终的模型组合预测权值。通过该权值对相应的预测结果进行加权求和得到最终的预测结果。以加州电力市场为例,证明了该方法的有效性。     

基于隐马尔科夫误差校正的日前电价预测

电价预测误差是一个双随机过程,一方面是模型本身预测能力的状态序列,体现了模型对某点理想数据（剔除了随机波动的电价）的预测状态（偏高、偏低或者正常）;另一方面,则表现为在不同状态下模型对真实电价（包含随机波动）预测的误差。通过采用隐马尔科夫模型,对电价预测建模的误差进行分析,找出模型预测状态的转移规律以及模型在不同状态下的误差分布;并由此分析下一步的模型预测状态和误差概率分布,在此基础上对未来的模型预测误差进行预测校正。对美国电力市场的研究表明,该方法有效提高了模型的预测精度。     

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。     

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。