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。     

一种短期电价预测的新方法

电价预测是非线性、动态开放的复杂系统,传统方法难以准确地描述这种复杂的特征。提出了基于灰自组织特征映射（GSOM）和支持向量回归（SVR）的短期电价预测方法。GSOM能综合考虑历史电价、节假日属性、负荷、气象等影响电价的因素,对电价进行聚类。SVR具有全局最优、泛化能力强等显著优点,能对分类后的电价进行比较准确的拟合预测。算例表明基于GSOM和SVR的电价预测方法是有效可行的。     

一种短期电价预测的新方法

电价预测同时受多种因素的影响,是非线性、动态开放的复杂系统,传统方法难以准确地描述这种复杂的特征。文中提出了基于灰自组织特征映射(Grey Self-Organizing Maps,GSOM)和支持向量回归(Support Vector Regression,SVR)的短期电价预测方法。GSOM能综合考虑历史电价、节假日属性、负荷、气象等影响电价的因素,对电价进行聚类。SVR具有全局最优、泛化能力强等显著优点,能对分类后的电价进行比较准确的拟合预测。算例表明基于GSOM和SVR的电价预测方法是有效可行的。     

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。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

一种用于短期电价预测的分时段时间序列传递函数模型

在电力市场环境下,准确的价格预测可为市场参与者制定合理的竞争策略提供重要信息。本文提出了一种基于时间序列法的分时段传递函数模型来预测短期电价,该模型考虑了负荷因素对电价的影响,同时利用累积式自回归滑动平均模型（ARIMA）对电价序列和负荷序列的非平稳性进行处理,并且对一天24个小时时段分别建立了预测模型。采用加州历史电价数据进行算例研究,结果表明,利用本文模型进行电价预测能够提高预测的准确性。     

一种用于短期电价预测的分时段时间序列传递函数模型

在电力市场环境下,准确的价格预测可为市场参与者制定合理的竞争策略提供重要信息.本文提出了一种基于时间序列法的分时段传递函数模型来预测短期电价,该模型考虑了负荷因素对电价的影响,同时利用累积式自回归滑动平均模型(ARIMA)对电价序列和负荷序列的非平稳性进行处理,并且对一天24个小时时段分别建立了预测模型.采用加州历史电价数据进行算例研究,结果表明,利用本文模型进行电价预测能够提高预测的准确性.     

基于长短期记忆的实时电价条件下智能电网短期负荷预测EI北大核心CSCD

在电力市场改革与智能电网建设的大背景下,电力将逐渐回归商品属性,电价也将实时波动,并对负荷产生影响。通过分析得出电价与负荷具有相关性,因此在预测模型中考虑了实时电价的影响,并对考虑实时电价的负荷预测模型与价格型需求侧响应之间的关系进行了讨论。针对前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷,提出了基于长短期记忆循环神经网络的负荷预测模型,使用自适应矩估计算法进行深度学习。最后通过美国某地区的实际负荷和电价数据,验证了所提模型具有更高的预测精度。     

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。     

基于支持向量回归预测模型考虑天气因素和分时电价因素的短期电力负荷预测

为了保证电力系统安全稳定的运行,短期负荷预测在电力系统调度中越来越重要。提出了一种基于支持向量回归（support vector regression,SVR）的短期负荷预测模型,考虑了天气因素和分时电价因素对负荷的影响。研究分析了2019年1月1日—2022年1月1中国江苏省某地区的日负荷特征;基于天气因素、考虑分时电价因素,建立了SVR模型,通过SVR模型对历史负荷数据进行训练并对未来负荷进行预测。实验结果表明,所提模型在短期负荷预测方面具有较高的准确性;基于天气因素考虑分时电价因素对负荷的影响,能够更好地适应不同天气条件下和不同电价下的负荷需求。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

RBF Neural Network and ANFIS-Based Short-Term Load Forecasting Approach in Real-Time Price Environment

With the appearance of electricity markets, the variation of the price of electricity will influence usage custom of electric energy. This will complicate short-term load forecasting and challenge the existing forecasting methods that are applied to a fixed-price environment. In regard to the influence of real-time electricity prices on short-term load, a model to forecast short-term load is established by combining the radial basis function (RBF) neural network with the adaptive neural fuzzy inference system (ANFIS). The model first makes use of the nonlinear approaching capacity of the RBF network to forecast the load on the prediction day with no account of the factor of electricity price, and then, based on the recent changes of the real-time price, it uses the ANFIS system to adjust the results of load forecasting obtained by RBF network. This system integration will improve forecasting accuracy and overcome the defects of the RBF network. As shown in this paper by the results of an example of factual forecasting, the model presented can work effectively.      

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。     

基于小波分解和相同尺度序列的神经网络短期电价预测

基于小波分解的短期电价预测主要是对电价样本分解后的各个子序列进行预测,并重构各个预测结果得到最终预测电价。在这一基础上,对电价和负荷样本进行多分辨率小波分解至2尺度,然后剔除噪声信号,再将其中相同制度的电价和负荷子序列相结合,并根据该尺度的时频特征设计建立神经网络模型进行预测,最后将各个子序列的预测结果重构得到预测电价。在算例分析中采用PJM市场2007年3月至2008年2月的数据,并通过绘制误差持续曲线,测试对比本文提出的预测方法和其他预测模型,证明了该方法的有效性和可行性。     

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。     

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。     

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.     

基于深度信念网络的供电可靠率预测模型

供电可靠率是供电服务水平的重要指标之一。提出了基于相关性分析和深度信念网络的供电可靠率预测模型。首先利用Pearson系数选取停电次数、最大负荷和用户电费均价系数作为输入特征集。然后将特征集输入到所建立的深度信念网络中,采用逐层无监督训练方法和反向传播训练方法对模型进行参数优化,通过该模型进行供电可靠率预测。最后将所提出的模型与传统人工神经网络、支持向量回归和差分整合移动平均自回归进行比较,结果验证了文章提出的供电可靠率预测模型的有效性。