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。     

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。     

基于不对称自回归条件异方差模型的短期负荷预测

研究了负荷时间序列的自回归条件异方差效应,提出了一种基于不对称自回归条件异方差模型的短期负荷预测方法。建立了广义误差分布假设下的不对称广义自回归条件异方差模型,借助模型的不对称参数,分析了不同冲击下的不对称机制,比较了各种广义自回归条件异方差模型的预测能力。其中,幂指数广义自回归条件异方差-广义误差分布模型的预测效果尤为突出。最后通过实际算例验证了上述方法的可行性和有效性。     

负荷时间序列波动性的动态时变结构研究

采用广义自回归条件异方差(GARCH)族模型分析了负荷时间序列波动性的动态时变结构,提出了模型系的概念,使用滚动数据窗技术估计了指数广义自回归条件异方差(EGARCH)和幂自回归条件异方差(PARCH)模型系;在研究动态显著性水平线(DSL)的基础上,探究了时序波动性的动态时变结构,讨论了贯穿各子样本空间的波动不对称效应。算例分析中,将所建模型应用于短期负荷预测,比较了GARCH族模型的预测能力,得到了较高的预测精度。     

基于误差校正的中长期负荷预测模型

中国的中长期负荷呈现明显的增长趋势,大部分插值算法在预测建模时,对区间外预测结果的有效性得不到保证.文章建立了一个综合时间序列建模和回归建模优点的模型来预测湖南衡阳地区年度负荷.将总量数据转换成增速数,然后建立广义自回归条件异方差(general autoregressive conditional heteroscedasticity,GARCH)对负荷增速序列建模.建立回归模型分析 GARCH 模型的残差中未被 GARCH模型解释的外界影响,然后根据回归预测的残差对 GARCH模型误差进行校正.在选择回归模型变量时,引入格兰杰因果检验筛选适当的影响因素,引入主成分分析提取影响因素中包含的信息,降低自变量的维数,提高中长期负荷建模精度.实例研究表明该方法对于中国中长期负荷预测较为准确.     

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.     

基于自回归条件异方差-反向传播网络模型的日前边际电价预测

针对日前电力市场提出了一种基于自回归条件异方差分析的改进神经网络模型。首先利用自回归条件异方差分析得到边际电价序列的条件方差,然后以条件方差作为电价波动风险指标,建立基于历史电价、历史负荷和历史电价条件方差等输入量的自回归条件异方差-反向传播网络模型,并利用该模型对美国PJM电力市场的日前边际电价进行了预测。结果表明,引入自回归条件异方差分析可以有效提高传统反向传播网络的预测精度。     

变分模态分解在光伏发电功率预测中的应用

准确可靠的光伏发电功率预测对制定高效智能的负荷调度策略具有重要的指导意义。不同于常规方法,提出了一种基于变分模态分解和差分整合移动平均自回归模型的组合预测方法。变分模态分解可将原始信号分解为若干个具有不同中心频率和频率带宽的模态函数;差分整合移动平均自回归模型可对每一个模态函数建立预测模型。实验结果表明本文所提方法在对光伏发电功率预测时,优于基于经验模态分解法和局部均值分解法的预测模型,具有较高的预测准确度和稳健性。     

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。     

基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型

针对电力系统短期负荷的特点建立了将累积式自回归动平均法(autoregressive integrated moving average,ARIMA)和采用反向传播算法(back propagation,BP)的神经网络法相结合的短期负荷预测模型。该模型利用ARIMA方法对线性时间序列逼近能力强的特点首先对预测日负荷进行预测,然后应用BP神经网络方法对预测结果进行修正,因此克服了单一算法存在的不足。应用该模型对某地区电网进行负荷预测,结果表明该方法的预测效果较好     

基于特征挖掘的ARIMA-GRU短期电力负荷预测

针对短期电力负荷随机性较强、预测精度较低的问题,提出了一种基于混沌理论、变分模态分解VMD(variational modal decomposition)、整合移动平均自回归ARIMA(autoregressive integrated moving average)模型和门控循环单元GRU(gated recurr...     

考虑风电不确定性及柔性负荷的安全约束机组组合问题研究

针对风电出力的不确定性,采用基于拟蒙特卡洛(quasi-Monte Carlo,QMC)模拟的场景分析法生成风电出力初始场景,选取考虑风电预测误差较大的极限场景实现场景缩减。在不同的风电出力场景下,兼顾发电侧与需求侧柔性负荷的双侧协调配合,提出了计及柔性负荷的安全约束机组组合模型,实现了可削减负荷、可平移负荷以及可转移负荷3类柔性负荷的分类调度。通过对不同场景下10机系统的仿真计算,对比分析了需求侧柔性负荷调度对系统的经济成本、负荷峰谷差以及弃风量的影响。在考虑风电不确定性时,需求侧柔性负荷调度对提高系统经济性、缓解负荷高峰期用电压力具有重要作用,并且有利于增加风电的消纳,降低弃风电量。     

考虑风电接入不确定性的广义负荷建模及应用

考虑风电接入原负荷节点后带来的节点特性不确定性问题,提出了基于概率统计的广义负荷节点稳态特性学习与建模的新方法。为分析风电接入后功率流向的改变,将节点特性分为电源特性与负荷特性;针对节点特性的不确定性变化,基于历史实测数据对有功功率样本空间进行自适应分段细化,统计其概率分布;利用Levenberg-Marquardt神经网络法学习并提取各段节点特征,构建节点特性统一模型,并以风险分析为例说明新模型的应用。仿真结果表明,所提方法不但可精确建模,而且通过统计数据样本引入概率信息,可对不确定性问题按概率分场景分析,弥补了传统方法对随机特征描述能力不足的缺陷,是对传统建模方法在不确定场景应用上的扩展和延伸,从而可为风电接入后的仿真分析与调度控制提供辅助参考。     

计及风电与电动汽车随机性的两阶段机组组合研究

风电出力的随机性以及电动汽车(electric vehicle,EV)充电需求的不确定性给电力系统调度带来了挑战.在传统确定性机组组合模型的基础上,针对电力系统日前调度面临的不确定问题,提出了充分考虑风电与电动汽车双重不确定性的随机优化调度及备用计算模型.首先,对于风电出力不确定性,采用基于场景分析的两阶段随机优化方法...