共查询到10条相似文献,搜索用时 15 毫秒
1.
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。 相似文献
2.
3.
4.
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 总被引:2,自引:0,他引:2
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。 相似文献
5.
基于非参数GARCH的时间序列模型在日前电价预测中的应用 总被引:1,自引:0,他引:1
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。 相似文献
6.
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 总被引:2,自引:0,他引:2
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。 相似文献
7.
基于GARCH误差校正的遗传支持向量机日前电价预测 总被引:2,自引:0,他引:2
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。 相似文献
8.
通过对已有的各种电价预测方法的深入研究,提出一种带置信区间的混合式电价预测方法.比较了自相关函数和偏自相关函数判断平稳性及残差方差图定阶法,认为游程检验判断电价序列平稳性方法和AIC准则模型定阶法可避免预测过程中的主观因素,提高预测精度.通过引入电价误差序列异方差判断,结合ARIMA和GARCH,提出含置信区间的电价预测方法,极大地克服了单点预测缺点,增加算法的灵活性,使得市场竞价者可以根据自己对电价预测精度的期望选择电价波动的范围.采用PJM市场数据,验证了算法的有效性. 相似文献
9.