基于自组织映射神经网络的市场清算电价预测

市场清算电价预测是电力市场中交易决策的基础.人工神经网络是电价预测较为理想的方法,但依然存在一些问题,如样本训练有时需要很长时间,存在收敛问题,特别是当样本特征量不明显的时候,这种现象更为突出.针对这一问题,利用自组织映射的聚类特性将历史数据进行特征分类和筛选处理,处理后形成的新数据用于训练三层BP神经网络,仿真结果表明,经过这种数据处理后,网络的收敛速度得到了显著提高,且预测效果良好.     

基于自组织映射支持向量机的日前电价预测

针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点,建立多个模型分别对其进行预测,将数据空间按时点划分成24个子空间,然后根据这些子空间的相似性通过自组织映射对其进行自动聚类,并在不同类别的子空间分别建立支持向量机模型进行训练和预测。应用上述方法对PJM电力市场2005年8月的31天日前24点电价进行预测,结果表明该方法能够有效提高预测精度。     

基于神经网络的浙江发电市场清算电价预测方法

市场清算电价（MCP）预测是电力市场决策的基础。文中以浙江省电力市场为背景，采用BP神经网络的方法，建立了提前一天的浙江电网发电市场清算电价短期预测模型，并针对不同时段分别建模。此外，根据浙江发电市场的特点，考虑市场外机组出力的影响，从供需出发，提出了竞价空间的概念，并据此设计了神经网络的结构。在线预测结果表明，该方法具有良好的预测效果。     

基于自组织映射的改进 BP 神经网络短期光伏出力预测研究

针对光伏发电出力随机波动给电网调度造成困难这一问题,提出了一种基于SOM-PSO-BP的模型对光伏有功功率进行短期预测,用于提高电网对可再生能源的调度能力。首先采用自组织映射对原始数据组进行聚类降维;接着使用粒子群算法对BP神经网络的权重和偏置矩阵进行寻优;然后利用训练集构造SOM-PSO-BP预测模型;最后在对比仿真中验证了所提方法的有效性。     

基于BP神经网络的短期市场出清电价预测

在电力市场中,短期市场电价预测的准确与否,对发电厂的竞价决策具有关键性的影响。文章提出应用神经网络算法来模拟预测日前市场出清电价,以获取精确的预测结果,该方法可适用于原始数据有限的情况。利用电力系统历史负荷、历史清算电价、系统的旋转备用等影响因素作为分析因子,分析其对未来时段电力市场价格的影响,并对下一交易时段电价进行预测。以美国加利福尼亚州电力市场为背景,采用BP神经网络算法,应用MATLAB软件编程,建立电力市场清算电价短期预测模型。该模型结构为三层神经网络,通过网络的反向传播过程不断修正模型中的神经元连接权值和阈值,充分发挥BP网络局部搜索能力强的优点,实现对未来24小时市场出清电价的有效预测,并针对美国加州实际电力市场价格数据进行训练和预测分析,结果表明该模型具有良好的预测效果。     

基于BP神经网络的下一交易日出清电价预测

利用历史负荷和清算电价对未来时段出清电价采用3层BP神经网络模型进行预测, 将出清电价看成一个多输入单输出系统。把一天中每个小时按输入影响大小分成五类,然后采用BP网络分别建模预测。并采用美国New England电力市场2002年的电价数据进行了训练和预测分析,最终得到比较理想的出清电价预测结果。     

基于BP神经网络的下一交易日出清电价预测

利用历史负荷和清算电价对未来时段出清电价采用3层BP神经网络模型进行预测, 将出清电价看成一个多输入单输出系统.把一天中每个小时按输入影响大小分成五类,然后采用BP网络分别建模预测.并采用美国New England电力市场2002年的电价数据进行了训练和预测分析,最终得到比较理想的出清电价预测结果.     

基于多因素小波分析的神经网络短期现货电价预测方法

一般采用小波分解的电价预测方法是将历史电价分解后分别预测,预测过程中没有引入其他电价影响因素,或者是直接引入未经小波分解的影响因素。提出一种小波分析与神经网络相结合的预测方法,将历史电价和历史负荷都进行小波多分辨率单尺度分解,分解成概貌电价、细节电价和概貌负荷、细节负荷。在此基础上,用历史概貌电价和概貌负荷序列训练BP神经网络,预测出未来的概貌电价;用历史细节电价和细节负荷序列训练BP神经网络,预测出未来的细节电价。将概貌电价和细节电价进行重构,得到最终的预测电价。对美国PJM电力市场的实际电价(LMP)进行预测,验证了该方法的有效性和可行性。     

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。     

基于自组织映射网络的峰值负荷预测方法

应用扩展自组织映射网络研究了电力系统峰值负荷预测问题。在传统的Kohonen自组织映射(SOM)网络的学习算法的基础上,为了提高电力系统峰值负荷预测的精度,进一步提出了一种扩展的自组织映射算法。在这个SOM网络中,除了权矩阵外,还有一个输入输出对的局部梯度(Jocobian)矩阵也被存储在神经元中。这样,在输出空间中梯度信息围绕输出权值产生了一个一阶扩展,便可得到一个输出的改进估计值。同时,提出了一个Jocobian矩阵的生成算法。最后采用纽约市的电力负荷数据为研究对象,证明了所提出方法的有效性。     

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.     

基于多元线性回归算法预测上网清算电价建模的理论研究

针对电力市场环境中发电企业对上网清算电价预测准确度提出的新要求。分析了上网清算电价的影响因素．明确了历史清算电价信息、负荷信息、输电阻塞及市场力等因素对清算电价的影响,提出了利用多元线性回归算法进行上网清算电价预测的模型和算法。     

粒子群-神经网络混合算法在短期电价预测中的应用

为了提高电力市场环境下的电价预测精度,在研究短期电价预测中采用了粒子群和反向传播神经网络相结合的混合算法,先利用粒子群算法确定初值,再采用神经网络完成给定精度的学习.对我国四川电网电价进行预测的结果表明,粒子群优化的神经网络算法收敛速度快于神经网络算法,预报精度显著提高,平均百分比误差可控制在2%以内,平均绝对误差最大值为1.87￥/MWh.该算法可有效用于电力系统的短期电价预测.     

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.     

基于最小最大概率回归方法的中长期电价预测模型

中长期电价的预测无论是对于市场监管政策的制定,还是对于大用户和发电商的投资规划,都具有极其重要的意义。影响中长期电价的因素比较复杂,历史电价数据分布混乱增加了一般回归电价预测建模的难度。提出了一种基于最小最大概率回归方法的电力市场中期电价预测的新模型。在分析最小最大概率机(MPM)及其用于回归原理的基础上,使用最小最大概率回归(MPMR)方法对不同的训练样本集进行训练,并计算出预测期的预测值,取得了比较好的预测结果。训练样本的分割使中期电价预测模型更加准确。美国加州现货电能量市场的实例数据验证了所建模型及方法的有效性。     

Generalized fuzzy inference neural network using a self-organizing feature map

A new model for generalized fuzzy inference neural networks (GFINN) is proposed in this paper. The networks consist of three layers: an input-output layer, an if layer, and a then layer. In each layer, there are the operational nodes. A GFINN can perform three representative fuzzy inference methods by changing the connectivity and the operational nodes. There are three learning processes in a GFINN: a self-organizing process, a rule-integration process, and a LMS learning process. In the rule-integration process, a GFINN employs two feature maps in order to integrate appropriate rules effectively. Computer simulations were carried out to show the superiority of a GFINN over back-propagation networks. © 1998 Scripta Technica, Electr Eng Jpn, 125(3): 40–49, 1998