基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高。     

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.     

电力短期负荷的多变量混沌预测方法

为提高电力短期负荷预测精度和充分利用混沌短期预测优势,拓展单变量时间序列相空间重构到多变量时间序列中,相空间重构了由历史负荷及其相关因素序列所构成的多变量时间序列,计算了多变量时间序列的嵌入维数和延迟时间并用RBF神经网络预测负荷。研究表明多变量重构相空间技术的预测效果优于单变量重构。     

基于混沌理论和支持向量机的电价预测

根据电价时间序列的混沌特性,结合混沌理论和支持向量机方法提出了一种新的电价预测模型。该模型基于混沌理论对电价时间序列进行相空间重构,并根据相空间演变规律确定模型的输入输出结构,然后采用支持向量机拟合相点演化的非线性关系。为增强模型的泛化推理能力,训练样本按照预测相点最近邻点原理选择。对美国PJM电力市场边际电价历史数据的仿真研究表明,文中提出的预测模型能有效、稳定地提高电价预测精度。     

应用相空间重构理论分析电力负荷时间序列

电力系统负荷的复杂性及非线性相应地增加了对其预测的难度。电力负荷的混沌预测是建立在重构电力负荷序列的相空间基础之上的。重构合适的相空间,使空间轨道充分展开是进一步混沌序列预测的前提。本文结合混沌理论的思想,重点阐述了电力负荷时间序列的相空间重构的思想和算法,并以实际电力负荷数据加以验证,得出了电力负荷的时间序列是一种周期性和混沌性共存的时间训练序列。确定了时间序列后,以重庆江北区负荷为例进行短期预测,取得了良好的预测效果。     

日前交易边际电价的预测方法

在电力市场日前交易中,边际电价对独立发电商、输配电服务提供者、电力零售商和电力客户等市场成员的经济利益影响重大。针对电力市场研究的热点问题即边际电价预测问题,分析了边际电价的微观经济机理,指出供求均衡规律是影响边际电价的主要因素,以及边际电价具有周期性、波动性和分时均值回复等特征;对边际电价预测方法从ARIMA模型、GARCH模型、动态回归模型、传递函数模型、灰色系统模型、混沌相空间重构、人工神经网络、委员会机器、支持向量机、市场模拟等方面进行了评述;提出了选择边际电价预测方法的建议,并指出由于市场力、博弈、串谋、容量持留等因素会影响预测精度,因此组合预测模型是提高预测精度的一种可行方法。     

电力系统边际电价的混沌特性及预测

采用非线性系统理论对电力系统历史边际电价数据序列进行了特征分析，根据边际电价时间序列具有分数维D2及最大Lyapunov指数λ1大于零，发现电力系统边际电价具有混沌特性。按照本文给出的相空间近邻等距方法，对某电网实际电价数据进行了预测，结果与实际相符，为电力系统电价预测提供了一种新的预测方法。     

电力短期负荷时间序列混沌特性分析的技术改进

电力短期负荷具有混沌特性.通过深入研究其混沌吸引子的形状、关联维数及最大Lyapunov指数,发现这些混沌特征数对电力短期负荷预测具有重要意义.在相空间重构的基础上,经研究发现电力短期负荷二维相图两坐标间延迟时间为8时,其混沌吸引子能得到最好的再现;对计算关联维数的G-P算法中关键参数的选取提出了简单易行的方法,使该算法更易于操作;对计算最大Lyapunov指数的小数据量方法做进一步改进,提出了一套固定参数,并用Henon系统数据验证了该方法的有效性.用上述改进方法进一步分析了电力短期负荷的混沌特性.     

电力短期负荷时间序列混沌特性分析的技术改进

电力短期负荷具有混沌特性。通过深入研究其混沌吸引子的形状、关联维数及最大Lyapunov指数,发现这些混沌特征数对电力短期负荷预测具有重要意义。在相空间重构的基础上,经研究发现电力短期负荷二维相图两坐标间延迟时间为8时,其混沌吸引子能得到最好的再现;对计算关联维数的G-P算法中关键参数的选取提出了简单易行的方法,使该算法更易于操作;对计算最大Lyapunov指数的小数据量方法做进一步改进,提出了一套固定参数,并用Henon系统数据验证了该方法的有效性。用上述改进方法进一步分析了电力短期负荷的混沌特性。     

基于模糊聚类和关节控制器神经网络的边际电价预测

应用基于模糊聚类和关节控制器神经网络的边际电价预测方法,精确预测边际电价,并有效克服BP等算法中负荷峰谷时段出现的预测误差大、结果不稳定的现象.通过计算实例进行边际电价预测,预测结果表明:方法输出稳定性好、计算速度快、预测精度较高.     

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。     

基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型。采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力。在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力。     

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.     

基于遗传算法和径向基函数神经网络的短期边际电价预测

文章分析了影响电价的主要因素及电价的变化特点,讨论了电价预测模型中必需引入的影响电价的因素。在比较常用的几种电价预测方法的优缺点后,作者采用径向基函数神经网络(radial basis function neural networks,RBF)建立短期边际电价预测模型,用递阶遗传算法(HGA)同时训练RBF网络结构和参数。并以美国New England ISO公布的2002年历史电价数据进行训练和测试,与传统的BP网络预测模型相比较, 测试结果证明该模型的预测精确度是令人满意的。     

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。     

Market data analysis and short-term price forecasting in the Iran electricity market with pay-as-bid payment mechanism

Market data analysis and short-term price forecasting in Iran electricity market as a market with pay-as-bid payment mechanism has been considered in this paper. The data analysis procedure includes both correlation and predictability analysis of the most important load and price indices. The employed data are the experimental time series from Iran electricity market in its real size and is long enough to make it possible to take properties such as non-stationarity of market into account. For predictability analysis, the bifurcation diagrams and recurrence plots of the data have been investigated. The results of these analyses indicate existence of deterministic chaos in addition to non-stationarity property of the system which implies short-term predictability. In the next step, two artificial neural networks have been developed for forecasting the two price indices in Iran's electricity market. The models’ input sets are selected regarding four aspects: the correlation properties of the available data, the critiques of Iran's electricity market, a proper convergence rate in case of sudden variations in the market price behavior, and the omission of cumulative forecasting errors. The simulation results based on experimental data from Iran electricity market are representative of good performance of the developed neural networks in coping with and forecasting of the market behavior, even in the case of severe volatility in the market price indices.