基于云推理的短期风电功率预测模型

针对风速、风向和风功率之间的关联知识,提出了一种短期风电功率预测的云推理模型。利用云变换将风速等历史数据转换成多个云的定性概念,并用云的合并方法得到跃升概念,再用极大判定法进行概念隶属判定,得到约简数据库,用Apriori算法挖掘得到风速、风向和风功率之间的关联规则,最后形成云推理的规则发生器,利用规则发生器的不确定性推理来完成未来24个小时的风电功率预测。实验得到一系列有稳定倾向的预测值集合,取其期望值与Arima模型和RBF神经网络的预测值比较,相对误差均有不同程度的减小,显示了该模型较高的实用和推广价值。     

短期风电功率动态云模型不确定性预测方法

高比例风电并网场景下,电力系统优化运行势必对风电功率预测精度及其不确定性分析结果的可靠性提出更高要求。现有的不确定性预测研究中大多为整体性的误差分析与建模,难以满足模型在各个时刻和各类天气下的适应性。因此,提出了动态云模型的短期风电功率不确定性预测方法。首先,建立各个预测功率区间段内的单点预测误差云模型,利用云模型数字特征(期望、熵、超熵)生成云滴分布图,以此量化预测不确定性态势。然后,计算给定置信水平下的云滴分位点,以及与之相对应的预测功率可能发生波动的置信范围,即风电功率预测不确定性分析结果。根据实时条件更新云模型,可以提高各个运行时刻点不确定性预测结果的可靠性。以中国北方某风电场运行数据为例进行验证,结果表明与传统的分位数回归方法相比,所提方法可靠性有所提升,能够为电力系统调度决策、备用安排等提供更为可靠的指导信息。     

基于动态计量经济学模型的短期电价预测

电力市场中的电价受众多因素影响,单变量时间序列法已很难提高短期电价的预测精度。针对该问题,文中运用时间序列模型的动态计量方法来预测短期电价。首先建立电价和电量的一般自回归分布滞后模型;然后对电价和电量的时间序列数据进行预处理;在通过平稳性和协整性检验后,建立误差修正模型,最终由Eviews 5.0估计出模型的参数。利用此模型对澳大利亚新南威尔士州电力市场的短期电价进行预测,结果表明此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。     

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.     

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。     

基于有偏t分布ARMAX模型的短期电价预测

基于正态分布假设的时间序列分析模型不能有效地处理电价的有偏厚尾性,在对电力市场现货电价的影响因素和波动规律综合分析的基础上,提出了一种基于有偏学生t分布ARMAX模型的短期电价预测方法。该方法可同时考虑电价分布的有偏厚尾性、多重周期性及其与负荷之间的非线性相关性。对PJM电力市场历史数据的算例研究表明,该方法计算量小,待估参数少。     

基于云支持向量机模型的短期风电功率预测

将云模型和支持向量机(SVM)相结合,提出一种适合短期风电功率预测的云支持向量机模型.该模型采用云变换方法提取风速序列的定性特征,并通过SVM建立风速特征与风电功率间的关系.对未来24h的风电功率预测结果显示,该模型在某个点上的预测值是一个有稳定倾向的离散值集合.采用逆向云算法求取集合的期望值作为确定性预测结果,并与SVM和自回归求和移动平均(ARIMA)模型的预测结果相比较,结果表明云支持向量机具有更高的预测精度,预测效果显著,因此,该模型可有效应用于短期风电功率预测.     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。     

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。     

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。     

基于残差周期修正的灰色电价预测模型

电力市场中的电价曲线具有多周期、跳跃等特性,而呈指数增长的灰色GM(1,1)模型预测误差较大,为此,文章提出了基于残差周期修正的灰色电价预测模型。该模型不仅利用了灰色模型的优点,而且通过原始数据的平滑处理、初值条件的改进以及残差周期修正使预测曲线波动起来,使拟合曲线更加接近原始数据,大大提高了模型的预测精度。算例结果验证了该方法的可行性。     

数据挖掘技术在电价预测中的应用

简要叙述了数据挖掘技术的特点,分析了影响电价的因素,提出了一种基于数据挖掘技术的电价预测方法。该方法将电价用市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格、物价指数和消费水平等元素来表征,并考虑了不同电价影响因子的影响程度。利用数据挖掘中的相似性搜索技术,引进权重系数对所搜索到的匹配电价序列进行加权平均,进而得到所预测的电价值。最后举例说明了该方法的具体应用过程。     

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。     

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。     

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.