基于注意力机制的CNN-LSTM短期电价预测

短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率,针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系,提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先,采用灰色关联度分析法分析负荷因素与电价之间的关联程度,筛选出关联度较高的数据作为最优模型输入。其次,通过注意力机制(Attention, ATT)自适应分配输入数据的权重,以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks, CNN)对数据集进行二次特征提取及降维处理,优化输入长短期记忆神经网络(LongShort-TermMemory, LSTM)中的数据,从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析,通过与其他主流算法对比,验证了所提方法具有更高的预测精度和计算效率。     

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。     

电力零售市场中分时零售电价的确定

旨在为配电侧开放的电力零售市场的用户和供电公司提供一种合理的分时零售电价制定方法.文中建立的电价决策模型以用户用电成本最小为目标,以供电公司的利润保证为约束条件.运用最优资产组合原理,得到了最小风险情况下供电公司的最优购电分配决策.在模型中考虑了需求价格的自弹性和交叉弹性.运用内点法求解得到最优分时电价.算例结果表明供电公司在长、短两个市场的购买电量与各市场的风险反向相关,零售电价与供电公司的购买风险正向相关,说明模型是合理的.     

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。     

Mixed price and load forecasting of electricity markets by a new iterative prediction method

Load and price forecasting are the two key issues for the participants of current electricity markets. However, load and price of electricity markets have complex characteristics such as nonlinearity, non-stationarity and multiple seasonality, to name a few (usually, more volatility is seen in the behavior of electricity price signal). For these reasons, much research has been devoted to load and price forecast, especially in the recent years. However, previous research works in the area separately predict load and price signals. In this paper, a mixed model for load and price forecasting is presented, which can consider interactions of these two forecast processes. The mixed model is based on an iterative neural network based prediction technique. It is shown that the proposed model can present lower forecast errors for both load and price compared with the previous separate frameworks. Another advantage of the mixed model is that all required forecast features (from load or price) are predicted within the model without assuming known values for these features. So, the proposed model can better be adapted to real conditions of an electricity market. The forecast accuracy of the proposed mixed method is evaluated by means of real data from the New York and Spanish electricity markets. The method is also compared with some of the most recent load and price forecast techniques.     

基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法

为准确预测电力市场中的短期电价,将最大信息系数(maximal information coefficient,MIC)相关性分析与改进多层级门控长短期记忆网络(multi-hierachy gated long shortterm memory,MHG-LSTM)相结合,提出一种新型短期电价预测方法。该方法首先对备选序列与预测电价序列做MIC相关性分析,在此基础上筛选备选序列并经小波变换合成神经网络输入序列,有效增加了输入中与预测电价相关的信息密度;其次,对传统LSTM进行创新性改进,提出用两级遗忘门和输入门替换传统的一级门控机构的MHG-LSTM模型,提高了神经网络选择和提取高频电价序列特征的能力。在PJM市场日前电价数据集上对所提方法进行仿真实验,实验结果表明,该方法的预测误差仅为4.506%,相比已有预测方法有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

电力期货价格的协整建模与预测

在电力市场环境下,电力期货价格受现货价格、利率和负荷需求等多种因素影响,变化趋势复杂,很难将所有的因素都加以考虑来建立一个准确的模型对其进行全面描述.因此,选取最重要的影响因素:电力现货价格,利用协整理论来研究电力期货价格和现货价格之间的动态关系,并建立向量误差修正模型(VECM),对电力期货价格进行有效的预测.     

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。     

An Electricity Price Forecasting Model with Fuzzy Clustering Preconditioned ANN

In this paper, a hybrid model of fuzzy clustering and ANN (Artificial Neural Network) is proposed for electricity price forecasting. Due to the complicated behavior of electricity price in power markets, market players are interested in maximizing profits while minimizing risks. As a result, more accurate models are required to deal with electricity price forecasting. This paper proposes a new method that makes use of fuzzy clustering preconditioned GRBFN (Generalized Radial Basis Function Network) to provide more accurate predicted prices. Fuzzy clustering plays a key role to prevent the number of learning data from decreasing at each cluster. GRBFN is one of efficient ANNs to approximate nonlinear systems. Furthermore, a modified GRBFN model is developed to improve the performance of GRBFN with the use of DA (Deterministic Annealing) clustering for the parameters initialization and EPSO (Evolutionary Particle Swarm Optimization) for optimizing the parameters of GRBFN. The proposed method is successfully applied to real data of ISO New England, USA.     

设置发电公司报价上限的一种启发式方法

目前国内外运行的电力市场中大多设置了允许的发电公司报价上限，以限制发电公司滥用市场势力和降低输电公司的财政风险。对于零售电价固定的单一购买者模式的电力市场，设置报价上限尤为必要。文中从监管机构的立场出发，基于事后分析法，对设置发电公司报价上限的问题做了初步探讨，提出一种启发式方法；以电力市场过去一段时间(如1年)内每个交易时段的实际电价和电量数据为基础，识别出市场清算电价(MCP)的概率分布函数，并将MCP的期望值表示为报价上限的函数；然后，根据电网公司的平均成本和售电价格，即可推算出合理的报价上限．     

含误差预测校正的ARIMA电价预测新方法

在电力市场中，准确的电价预测是各市场参与方共同关心的重要问题。已经提出多种理论和方法尝试提高电价预测精度，然而由于影响电价的因素十分复杂，实践证明靠建立单一的电价预测模型来提高预测精度是非常困难的。该文在分析电价波动特性和现有预测方法的基础上，首次提出结合误差预测校正电价预测来提高预测精度的新思路。在建立常规电价预测模型的基础上，对预测后的残差形成的随机序列也迭代地建立预测模型，并用预测的误差修正电价预测结果。该文采用ARIMA方法建立电价预测和误差预测模型，并用加州电力市场的历史数据建立基于ARIMA的日平均电价预测模型，预测结果表明所提方法能明显改善预测精度，而且方法简捷明了，能够推广到小时电价预测、负荷预测和其它预测领域。     

基于趋势指标与长短时记忆网络的电力市场日前电价预测

为提高电力市场日前电价的预测精度,提出一种基于趋势指标与长短时记忆网络（LSTM）的日前电价预测模型。首先,计算日前电价的随机指标（KDJ）与异同移动平均线指标（MACD）,挖掘电价的内在规律信息;然后,将计算出的趋势指标与电价信息输入LSTM,对电力市场日前电价进行预测;最后,利用电力市场日前电价数据进行验证。算例分析表明该模型相比反向传播神经网络（BPNN）、LSTM和门控循环单元网络（GRU）等模型预测精度更高。     

需求侧实时电价下用户购电风险决策

需求侧实时电价(RTP)是电力市场下需求响应的重要手段之一。作为一种理想的需求侧电价机制,通过结合与RTP相关的各类套期保值合同,RTP的价格波动风险可以在市场参与者之间合理分摊。基于各国开展RTP的研究与实践,结合随机电价模型,利用Monte-Carlo模拟法对与RTP相关的各类套期保值合同进行定价。在确定了合同价格后,基于条件风险价值(CVaR)法,以用户购电效用最大化为目标,建立了不同风险喜好的用户选择负荷最优套期保值比例的决策模型。最后通过算例仿真验证了所述方法的有效性,它有利于用户有选择性地规避RTP的价格风险,实现了供电公司与用户之间的良好互动。     

基于相似搜索和RBF神经网络的短期电价预测

为了提高电价预测的准确性,提出一种基于相似搜索和RBF神经网络的短期电价预测的方法。采用相似搜索原理来生成神经网络的训练集和输入矩阵,并运用MATLAB7.0中的神经网络工具来实现该模型。采用澳大利亚维多利亚电力市场2002年1月1日至3月17日共75天数据进行了实验分析,对3月11日～17日的各时段电价进行了预测,通过比较验证了本文方法的有效性。     

基于自回归积分滑动平均模型的可转移负荷竞价策略

研究了在较成熟的电力市场环境下,可转移负荷在日前市场和实时市场的最优竞价策略。在最优报价计算过程中,必须满足可转移负荷在截止时间内完成运行一定的电能消耗的约束条件。考虑到传统平均值短期负荷预测结果存在偏差,提出了一种基于自回归积分滑动平均模型的可转移负荷最优竞价策略,通过历史电价的变化特征估计模型的参数,从而预测第二天的日前电价和实时电价曲线,并以此为依据优化竞价策略。在此基础上,考虑功率限制,提出了基于贪心算法思想的电能竞价自动调整算法。通过实际电价数据进行计算,验证了此策略比单纯利用历史数据的期望值作为模型参数为购电者节省了更多购电费用,并能够有效完成竞价调整,以满足各个周期的功率限制。     

有差价合约日前市场中计及风险约束的最优报价策略

日前市场是国内外目前实际运营的以联营体为基础的单一购买者模式的电力市场所采用的最主要的形式.在有些日前市场中采用了差价合约来规避单一购买者和发电公司可能面对的由于电价波动所带来的财政风险.针对具有差价合约的日前市场,在假设市场规约要求发电公司采用线性报价函数申报下一个交易日每个时段的报价而且市场按统一清算价对每个交易时段分别进行结算的前提下,构造了发电公司在日前市场考虑风险约束的最优报价策略的数学模型,计及了发电机组的运行约束和启动成本,并发展了以遗传算法为基础的有效的求解方法.最后,用一个算例说明了所提出的方法的基本特征.     

基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测

在智能电网条件下,用户的用电模式将会发生重大变化,其中一个显著的变化就是用户可以根据电能需求结合实时电价调整其消费模式。这使得用户负荷预测更为复杂。在对影响短期电力负荷特性的各种因素进行分析的基础上,综合考虑了实时电价的影响,提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。实例证明该算法能较好地解决实时电价下的短期负荷预测问题。     

电力市场中预测问题的新内涵

传统的负荷预测是电力系统规划与运行的基础工作,电力市场化的改革对负荷预测提出了更高的要求,赋予其新的内涵。文中探讨了电力市场中的预测问题,分别针对发电侧竞价和用户侧开放的电力市场,提出了一些新的预测内容和预测思想,包括扩展短期负荷预测、连续多日负荷曲线预测、电力市场价格预测、市场风险预测与评估、考虑需求侧管理影响的电力需求预测、用电需求曲线预测、基于价格弹性的需求预测等,指出了这些预测问题的研究热点和难点,探讨了未来的主要研究方向。     

基于小波分解的改进神经网络MCP预测方法及应用

电力工业的市场化改革突出了市场清算价格(MCP)预测的重要性。文中以浙江电力市场为背景，提出了一种基于小波分解和神经网络的MCP预测方法。该方法对原电价数据进行了预处理，将经小波分解去除细节后的重构电价序列作为输入参数，并且依据“重近轻远”的原则及考虑到电价具有星期的周期性的特点，重新设计了神经网络拟合误差的代价函数。对浙江电力市场下一交易日的MCP进行了预测，预测精度达到90％左右。     

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。