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。     

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。     

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。     

基于广义自回归条件异方差模型的负荷预测新方法

广义自回归条件异方差(GARCH)模型具有描述时间序列波动性的能力.文中将GARCH模型应用于短期负荷预测研究.通过分析经典时间序列模型随机扰动分量,论证了自回归条件异方差(ARCH)效应的存在性,探讨了经典模型同方差假设不满足的问题.进一步建立了GARCH 模型,将时间序列的条件与方差纳入负荷预测模型,使用极大似然估计(MLE)获得模型参数估计.最后从实际预测效果的角度,将GARCH模型与经典模型进行了比较.实际算例结果表明该方法相比于经典模型有更贴近实际的理论假设和更强的预测能力.     

GARCH族模型在电力市场电价预测中的比较研究

电力市场电价的剧烈波动存在巨大的风险。准确的电价预测有助于市场参与者管理风险并达到自身利益的最大化。用ARMA—GARCH族模型对美国PJM电力市场和北欧电力市场的日前小时电价序列进行建模和预测。在模型估计时假设残差分别服从正态分布和学生t分布,进而比较不同模型对不同电力市场日前电价的预测精度。通过比较得出,非对称的GARCH模型预测效果较好。但ARMA—GARCH族模型不适用于波动异常剧烈、电价序列间相关性较弱的电力市场,并以澳大利亚电力市场电价数据为例进行了分析。     

基于不同分布下GARCH-M族模型的短期用户负荷预测

电力负荷预测是电力系统研究的基础工作之一,而时间序列分析法是目前使用最广泛的预测方法。针对用户日度负荷时间序列存在的波动性及尖峰厚尾特征,文中提出利用均值广义自回归条件异方差(GARCH-M)族模型进行用户负荷预测。首先根据用户日度负荷时间序列的分布情况,利用拉格朗日乘数(LM)检验方法检验了负荷序列的自回归条件异方差(ARCH)效应;其次提出在高斯分布、t分布和广义误差分布(GED)3种不同分布下,根据波动补偿项的不同形式,建立GARCH-M族模型;最后结合损失函数进行预测分析,结果表明相比传统时间序列分析模型,在不同分布下的GARCH-M族模型提高了短期用户负荷预测准确度。     

基于ARCH模型的电价联动建模研究

在开展电力零售市场竞争前,销售电价与上网电价的联动机制是在销售侧正确地反映电力市场供需状况和供电成本,规避由于发电竞价而引起上网电价波动给电网企业所带来的市场风险的重要手段。文中通过对电价联动机制存在的风险进行分析,提出一种考虑用户需求响应的电价联动机制与建模的新思路。该联动机制中,电价监管者要在一个电价联动期开始前,向电力5用户公布预期的电价联动水平;在该联动期结束后,根据实际上网电价的波动情况和用电情况,及时制定销售联动电价水平,对于实行电价联动的用户,当期按联动后的电价水平进行结算。同时,该文针对销售电价与上网电价联动存在的风险,采用自回归条件异方差(ARCH)模型对联动期内平均上网电价的波动情况进行数学描述,实现了联动模型的具体建模和对联动水平的预测。最后,采用实例数据对联动模型进行实证分析。     

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。     

基于随机波动模型的短期负荷预测

研究了负荷时间序列波动性,考虑方差时变特征,提出了基于随机波动(SV)模型的短期负荷预测方法。引入伪极大似然估计解决SV参数估计问题,进而将模型转换为状态空间方程,利用卡尔曼滤波获取标准SV模型参数。另外,还将模型推广为非高斯假设SV模型。利用动态波动曲线的构建,讨论了负荷时间序列条件方差的时变性特征。基于日用电量数据建立了SV族日负荷预测模型,并利用平均绝对百分误差、均方误差、TIC 3种指标将SV族模型预测结果与广义自回归条件异方差(GARCH)模型做了比较,得到SV族模型的前2种指标均小于GARCH模型,而且SV模型的TIC指标更接近于零。算例分析表明了SV族负荷预测模型的可行性和有效性。     

A long-term risk management tool for electricity markets using swarm intelligence

This paper addresses the optimal involvement in derivatives electricity markets of a power producer to hedge against the pool price volatility. To achieve this aim, a swarm intelligence meta-heuristic optimization technique for long-term risk management tool is proposed. This tool investigates the long-term opportunities for risk hedging available for electric power producers through the use of contracts with physical (spot and forward contracts) and financial (options contracts) settlement. The producer risk preference is formulated as a utility function (U) expressing the trade-off between the expectation and the variance of the return. Variance of return and the expectation are based on a forecasted scenario interval determined by a long-term price range forecasting model. This model also makes use of particle swarm optimization (PSO) to find the best parameters allow to achieve better forecasting results. On the other hand, the price estimation depends on load forecasting. This work also presents a regressive long-term load forecast model that make use of PSO to find the best parameters as well as in price estimation. The PSO technique performance has been evaluated by comparison with a Genetic Algorithm (GA) based approach. A case study is presented and the results are discussed taking into account the real price and load historical data from mainland Spanish electricity market demonstrating the effectiveness of the methodology handling this type of problems. Finally, conclusions are dully drawn.     

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。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。     

A Statistical Approach for Interval Forecasting of the Electricity Price

Electricity price forecasting is a difficult yet essential task for market participants in a deregulated electricity market. Rather than forecasting the value, market participants are sometimes more interested in forecasting the prediction interval of the electricity price. Forecasting the prediction interval is essential for estimating the uncertainty involved in the price and thus is highly useful for making generation bidding strategies and investment decisions. In this paper, a novel data mining-based approach is proposed to achieve two major objectives: 1) to accurately forecast the value of the electricity price series, which is widely accepted as a nonlinear time series; 2) to accurately estimate the prediction interval of the electricity price series. In the proposed approach, support vector machine (SVM) is employed to forecast the value of the price. To forecast the prediction interval, we construct a statistical model by introducing a heteroscedastic variance equation for the SVM. Maximum likelihood estimation (MLE) is used to estimate model parameters. Results from the case studies on real-world price data prove that the proposed method is highly effective compared with existing methods such as GARCH models.     

利用SCP预测中期电价

目前电价预测的研究主要集中于短期预测,而中期电价预测的方法较少.该文采用浙江电力市场的历史数据,利用系统剩余容量百分比(SCP)与平均上网电价的关系曲线在不同运行年份基本一致这一特征,得出在同一电力市场中,SCP与电价的对应关系在不同的年份(或时期)有一定的普遍适用性的结论,并由此结论提出一种利用SCP与平均上网电价的关系曲线来预测中期电价的新方法.该方法的特点是,只要能预测出某一段时期的竞价负荷和可用容量,就能对该时期的电价做出预测,这对供用电双方和电力监管方都有指导作用.最后,通过实际算例验证了该预测方法的可行性.     

基于聚类和Bayesian推断的市场出清电价离散概率分布预测

电力市场中，市场出清电价(market clearing price, MCP)受到众多因素的共同作用，具有较强的随机性和不确定性，常规的MCP单值预测模型未充分利用历史数据反映的不确定性信息，预测结果无法体现MCP的随机变化特性，预测精度也有限。该文提出一种基于免疫遗传机制的聚类方法，用以实现历史数据输入输出映射关系的划分，并结合贝叶斯概率法则建立MCP离散概率分布的预测模型。对美国PJM市场数据的仿真结果显示，该文的预测模型能较好地反映MCP的不确定性特点，且具有较高的预测精度。