基于盲数和神经网络的电价预测模型

利用盲数理论结合经典电价预测方法,在有限的历史电价、负荷及其他相关数据的基础上对电价进行准确预测.首先提出了基于盲数和神经网络市场出清电价预测模型,利用BP神经网络对历史数据进行训练学习,在得到网络学习权重后,结合盲数理论,引用盲数代替实数进行价格预测.算例结果表明,模型消除不确定性因素对预测结果的影响,实际历史电价都很好地落在了预测结果最大置信度的置信区间中,较好地完成了预测任务,证实了设计的可行性和模型的可靠性.     

引入电价与负荷相关系数的PSO-BP神经网络电价预测模型

为了解决现有BP神经网络电价预测模型中由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题,在分析电价与负荷相关性的基础上,提出了采用电价与负荷相关系数作为判断是否将负荷引入模型条件的新方法,并将相关系数引入PSO-BP神经网络电价预测模型,以降低模型非关联输入样本数,提高预测精度采用我国四川电力市场资料进行仿真计算,证明该方法具有良好的预测效果.     

基于分形理论的改进短期电价预测模型

讨论分形理论的基本原理,并研究分形理论用于电价预测的基本思路,提出改进的短期电价预测模型,并对模型进行求解。采用美国PJM电力市场的数据进行预测分析,结果证明了所建立分形预测模型的有效性。     

电价的混沌特性分析及其预测模型研究

在电力市场环境下,电价取决于众多因素的共同作用,它的演化过程呈十分复杂的不规则运动.为了揭示这种貌似随机的演化过程的内在规律,作者首先借助混沌理论,对电价的混沌特性进行了验证.在由电价单变量时间序列重构的相空间上,提取了吸引子的分形维数和Lyapunov指数,表明电价具有混沌特性;并且通过替代数据检验法进一步验证了电价的这种混沌行为,从而为借助混沌理论来进行电价的短期预测提供了依据.然后,采用电价及其相关因素构成的多变量时间序列重构了更为准确的相空间,通过跟踪相空间中相邻相点的演化趋势,建立起基于递归神经网络的全局和局域电价预测模型,并对New England市场的电价进行了成功的预测.     

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。     

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。     

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。     

短期电价的混合预测模型

提出了短期电价的混合预测模型。利用集合经验模态分解将电价时间序列分解成一系列本征模态函数和余项。对不同特性的分量建立不同的预测模型。将所有分量的预测值求和作为最终的预测结果。以西班牙电力市场为例,将本文模型与其他模型进行对比,结果表明本文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。     

一种基于神经网络的电价预测方法

介绍了发电厂竞价上网辅助决策系统的构成,认为其中最主要的2个模块为成本分析和市场预测,并在出清电价预测方面提出了一种基于神经网络的电价预测方法.     

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.     

Day-ahead price forecasting in restructured power systems using artificial neural networks

Over the past 15 years most electricity supply companies around the world have been restructured from monopoly utilities to deregulated competitive electricity markets. Market participants in the restructured electricity markets find short-term electricity price forecasting (STPF) crucial in formulating their risk management strategies. They need to know future electricity prices as their profitability depends on them. This research project classifies and compares different techniques of electricity price forecasting in the literature and selects artificial neural networks (ANN) as a suitable method for price forecasting. To perform this task, market knowledge should be used to optimize the selection of input data for an electricity price forecasting tool. Then sensitivity analysis is used in this research to aid in the selection of the optimum inputs of the ANN and fuzzy c-mean (FCM) algorithm is used for daily load pattern clustering. Finally, ANN with a modified Levenberg–Marquardt (LM) learning algorithm are implemented for forecasting prices in Pennsylvania–New Jersey–Maryland (PJM) market. The forecasting results were compared with the previous works and showed that the results are reasonable and accurate.     

基于人工神经网络的模型择优预测方法及应用

针对组合预测中各模型权重难以合理确定的问题,根据"择优取用"原则将组合预测问题转化为一种模式识别问题,并采用非线性映射能力很强的改进BP人工神经网络方法进行该问题的求解。实例表明,这种择优预测方法不仅有效避免了传统组合预测模型权重的繁琐计算,而且能集各模型所长,概念清晰,计算简便。该法作为变权重组合预测方法的一个特例,在灾害风险预测等中有较高的实用价值。     

基于小波分解和相同尺度序列的神经网络短期电价预测

基于小波分解的短期电价预测主要是对电价样本分解后的各个子序列进行预测,并重构各个预测结果得到最终预测电价。在这一基础上,对电价和负荷样本进行多分辨率小波分解至2尺度,然后剔除噪声信号,再将其中相同制度的电价和负荷子序列相结合,并根据该尺度的时频特征设计建立神经网络模型进行预测,最后将各个子序列的预测结果重构得到预测电价。在算例分析中采用PJM市场2007年3月至2008年2月的数据,并通过绘制误差持续曲线,测试对比本文提出的预测方法和其他预测模型,证明了该方法的有效性和可行性。     

基于人工鱼群算法神经网络的电力系统短期负荷预测

人工鱼群算法是一种新型的寻优策略,文中将人工鱼群算法用于RBF神经网络的训练过程,建立了相应的优化模型.依据人工鱼群算法的神经网络,提出一种短期负荷预测的新方法,实践表明:该方法具有预测精度高、误差小的优点,是值得广泛推广的好方法.     

基于混沌因子及相空间重构后的神经网络短期电价预测的研究

影响电价因素众多,但在现实中不可能获得所有信息的资料,在这种信息不完全的情况下,为了更好地提高电价预测精度,通过分析电价和负荷时间序列的混沌性,用C-C方法分别重构其相空间,揭示出其本身蕴涵的规律,并采用数据挖掘技术中的相似搜索技术,挖掘出与预测日变化规律最相似的时间序列作为样本,利用BP神经网络这一具有高度自学习自适应能力的网络,拟合电价序列的重构函数。利用美国PJM电力市场的实际数据进行了实例预测,结果显示出良好的预测精度,并比传统BP网络能更好地预测休息日电价。     

基于回声状态网络的电力市场电价预测

传统的神经网络算法在电价变化剧烈的情况下,精度较低并且所耗费的时间较长,难以满足电力市场发展的需求。为解决该问题,提出了一种基于回声状态网络(ESN)的短期电价预测方法。所提方法介绍了基于回声状态网络的预测原理,提出了电力市场短期电价的预测机制,包括参数选取、采样数据预处理和ESN训练及预测过程;并分别采用回声状态网络和反向传播算法(BP)神经网络进行短期电价预测。经过仿真验证,所提出的基于回声状态网络的电价预测具有较好的准确率和可行性。     

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。时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。