基于小波变换的边际电价神经网络预测新模型

提出了一种基于小波变换和群智能演化的神经网络集成预测新模型，对日前交易边际电价进行预测。首先利用小波变换将历史边际电价序列分解为高频和低频部分，并分别构造学习样本作为神经网络集成的输入;然后将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题，其寻优过程采用粗 — 细二阶段学习算法。在第1阶段，采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子，通过粒子速度和位置更新方程进行粗学习，获得多个相对占优的神经网络结构和初始权重并构成神经网络集成单元;在第2阶段，采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习，并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。美国加州日前交易电力市场边际电价预测算例表明，该预测方法可以获得较高的预测精度，且优于BP神经网络方法和ARIMA预测方法。     

基于模糊最小二乘支持向量机的系统边际电价预测

系统边际电价是电力市场的核心因素。为了减少样本数据中孤立点对回归性能的影响，将模糊隶属度的概念引入到最小二乘支持向量机中。同时采用网格搜索和交叉验证的方法寻找最佳参数组合，使算法性能达到最佳。以美国加州电力市场的实际数据作计算实例，分别采用标准三层BP神经网络和模糊最小二乘支持向量机进行系统边际电价预测，结果表明该方法有效提高了预测精度。     

考虑市场力的短、中、长期电价预测

分别介绍了采用BP神经网络模型和线性回归模型进行电价预测的方法和结果。方法的突出特点是在预测模型中引入了一个衡量市场力的新指标——发电容量必须运行率(MRR)，从而充分考虑了市场力对电价的影响，提高了电价预测的精度，特别是增强了短期预测模型对最高限价的预测能力。文中对MRR指标进行了简单的介绍，并针对电价预测的不同特点，对预测模型和预测变量的选择进行了探讨，提出了自己的观点。基于浙江电力市场实际运营数据的初步预测结果表明，所建预测模型是适用的，选择的预测输入变量是恰当的，电价预测精度能够满足电力市场实际运营的需要。     

无套利分析理论在区域电力市场中的应用

随着我国区域电力市场的逐步形成，区域电力市场中的核心电价机制在资源配置中起着基础性的作用。文中针对目前区域电力市场内各省(市)电价的差异，引入金融学中的无套利分析理论，提出用无套利均衡分析的方法研究区域电力市场内的均衡电价，并建立了区域市场内无套利均衡数学模型。通过对国内某一区域电力市场的仿真计算，验证了该方法是合理、可行的；提出的模型能够使区域电力市场内各省(市)的电价趋于均衡状态，维持区域电力市场内参与者竞争的公平性。     

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。     

区域水电市场价格预测模型研究

为了应对水电市场中有关电价预测的资料少、难以预测的问题,提出混合蛙跳-分数阶灰色模型对水电市场中的电价进行预测。根据收集到的数据,以"历史数据拟合最好"为目标函数,采用混合蛙跳算法求得阶数,结合分数阶反向累加灰色模型对研究区的水电电价进行预测。根据研究区数据,进行模型验证,并与人工神经网络模型、IGM(0,N)模型进行比较。结果表明,本文模型具有一定合理性,可为水电电力价格预测研究提供一定参考。     

考虑多重周期性的短期电价预测

考虑到电价各时段变化以及周末与工作日变化的差异，提出了区分周末的分时段短期电价预测模型。该模型首先将各日中同一时段的电价形成该时段的电价序列，再将各时段电价序列分为工作日电价序列和周末电价序列。这样形成了多个消除了日周期性和星期周期性的子电价序列，分别对各子电价序列进行预测以得到预测日电价。采用基于小波分析的广义回归神经网络对这些子电价序列分别进行提前一天的预测，各子电价序列的预测电价就形成了下一天的预测电价。采用该方法对西班牙电力市场电价进行了长时间的连续预测，并与已有的预测方法进行了详细的比较分析，研究表明该方法能够提供更准确的预测电价。     

利用系统剩余容量评估电力市场短期金融风险

电价的异常波动带来了巨大的金融风险，对金融风险进行评估具有重要的现实意义。在电力市场中，由于电价和供求等风险因子的相互影响，导致金融风险和技术风险密切相关，从而使得Monte-Carlo方法无法直接应用于金融风险的评估，其中技术风险主要是指反映电力供求状况的系统备用容量。系统剩余容量与电价的关系曲线可以解决风险因子之间的相关性问题，进而将系统中的技术风险和金融风险有机地结合在一起。引入系统剩余容量与电价的关系曲线，并基于Monte-Carlo方法进行建模，同时利用浙江电力市场实际运行数据进行试算，结果表明该模型是可行的，它在预测电价上下限方面比历史模拟法准确性更高，对电力市场中金融风险的预测和控制具有较好的参考价值。     

基于粒子群最优化下BP神经网络的短期电价预测(英文)

根据电力市场的相关历史数据准确地预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义.在建立了一种粒子群优化(PSO)下的BP神经网络电价短期预测模型的基础上,采用PSO进化算法,反复抽取训练子集样本,通过对应的验证样本预测误差寻找近似最有代表性的训练子集,解决了模型的训练样本参数难以设置的问题.实验验证了该预测模型的有效性,结果表明处理好预测模型样本参数的选择问题,能够提高模型的稳定性及预测精度.     

基于贝叶斯优化LightGBM的大坝变形预测模型

为了解决大坝变形预测模型易陷入局部最优及不适用大规模数据等问题,采用一种快速高效的基于决策树的梯度提升框架LightGBM,并结合全局优化算法——贝叶斯优化进行大坝变形预测。为验证模型适用性,以两座实际混凝土坝工程为例分析,并与多元线性回归、支持向量回归机和多层神经网络等预测结果进行比较。结果表明,该模型均方根误差(RMSE)和平均绝对误差(MAE)等指标均优于其他方法,验证了该模型的可行性及优越性。LightGBM可对输入参数的重要性进行评估,对影响大坝变形的特征进行筛选,从而确定对大坝变形影响更显著的因素,为后续的安全评估工作提供参考。     

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。     

BP神经网络算法在年电力负荷预测中的应用

本文主要研究电力负荷预测方法，依照神经网络系统理论，建立神经网络模型，并通过实例计算，介绍了BP神经网络算法在年电力负荷预测中的应用。     

基于系统平衡下高比例新能源接入对电价影响趋势的研究

在保证能源供给安全的前提下，充分发挥系统调节能力，提高新能源渗透率，是实现碳达峰、碳中和目标的重要途径，但大规模、高比例新能源接入将对电价水平造成影响，开展高比例新能源系统电价趋势研究有利于完善电力市场机制。设计了基于逐时平衡的系统运行策略，结合上网电价、投资等影响因素提出了系统等效电价计算方法，研究系统中新能源电量占比、装机规模提升对系统等效电价的影响，并以某系统为例进行运行模拟，得出了电价变化趋势。     

不同交易方式下的梯级水电厂日优化运行

研究了发电侧电力市场中限量竞价完全竞价下的梯级水电厂日优化运行问题，分别建立了优化计算模型，并给出了统一化处理的数学模型和求解方法。模型中除考虑了系统边际电价、合同电价和合同电量的因素外，还考虑了系统对各电厂的出力要求：算例表明，模型合理，算法有效，计算结果可作为梯级水电厂日前交易市场中电量申报的基础，效益显著。     

基于SOFM和BP短期负荷预测方法

基于以自组织特征映射神经网络(Self-organizing feature map,SOFM)先聚类、神经网络再预测的模型以往多用在对疾病、天气方面的预测,由此提出了一种以SOFM与误差反向传播算法的神经网络(Back Propagation,BP)相组合应用为基本原理的短期电力负荷预测的组合模型。该模型主要基于SOFM网络的主要特性聚类,预先将训练样本集采取聚类分析,对其分为具有相似数据的若干子类,再根据每一子类构造一个BP网络模型。利用内蒙古自治区某市的实际日平均负荷数据进行仿真,证明了本文方法的有效性。     

实时电力市场运营模式

随着电力市场改革的深入，实时电力市场将成为我国电力市场改革的重要内容，也是保证电网在市场环境下安全运行的关键。文中对实时电力市场运营中的报价、交易、阻塞管理等环节的模型和算法进行了分析和研究。设计了基于容量报价和调整报价两种实时报价方法，给出了将区域电价和实时电价相结合的阻塞管理方法以适应我国未来的多级电力市场模式。据此设计了相应的实时电力市场运营模式，根据该模式设计实现了实时电力市场技术支持系统。     

基于混合模型的短期园区需水预测

为进一步提高短期园区需水预测精度，解决因短期园区人工供水误差较大导致的水、电资源浪费问题，提出一种由麻雀搜索算法(SSA)、卷积长短时记忆神经网络(ConvLSTM)、长短时记忆神经网络(LSTM)组合的SSA-ConvLSTM-LSTM混合模型短期园区需水预测方法，并以河北工程大学为例进行了分析。针对园区用水数据在时间维度上具备的多峰值和多周期特征，采用ConvLSTM挖掘数据中的时空特征；为使预测峰值更接近实际峰值，加入LSTM提升预测性能；为优化混合模型的隐层神经元数和卷积核数，采用SSA优化算法实现自动调参。通过预测河北工程大学1 d和3 d需水量进行模型性能验证，并与其他模型进行对比。结果表明：相比向量自回归(VAR)模型、深度神经网络(DNN)模型和LSTM,该需水预测模型具有更高的预测精度。该方法在短期需水预测上表现出良好的适应性和鲁棒性，具有一定应用价值。     

竞争性电力市场中电价的多标度分形实证分析

利用多标度分形理论，对竞争性电力市场中电价波动的内部复杂机制进行定量描述，发现了电价具有多标度分形特征，分析了多标度分形谱与电价波动过程的关系。实证分析与计算结果表明，多标度分形谱能较准确地反映电价波动的实质，从而弥补了传统预测模型在非有效市场条件下的不足，这有助于市场管理者制定行之有效的市场规则来进行风险管理。     

电力市场中电价的突变特性分析

电价是电力市场中各种因素的综合反映,是电力市场的核心。作者利用电价数据的时间序列,考虑相应时段的供需状况,对含有影响电价的各种因素的电价的历史数据进行建模分析,并采用Micro-TSP软件,对澳大利亚昆士兰州电力市场2002年1月的历史数据进行实例分析。     

不同定价方式下电力拍卖市场运行特征的比较研究:(二) 仿真结果及其分析

以IEEE可靠性测试系统的数据为基础，对不同定价规则的电力拍卖市场进行了基于智能代理的仿真。结果表明:①在统一出清电价(UCP)和按报价支付（PAB）的电力市场，减少发电厂商的市场份额可以削减发电厂商的市场力，但条件是系统要有足够的备用容量；如果负荷需求接近总可用容量，即使最大的发电厂商的市场份额只有11.4%时，其电力市场的价格也会远远偏离其边际成本价格。②在PAB电力市场，市场均衡状态的总购电费用以及平均价格两方面几乎和UCP电力市场电价没有差别，甚至还要高于UCP电力市场的均衡价格，因此，使用PAB的方法很难达到抑制电价飞升的目的。③在当量电价（EVE）的电力市场，发电厂商几乎没有策略空间，所有的发电厂商都自动按照其成本报价，而且对于各种情况都具有相当稳定的表现。EVE还提供了一种独特的容量投资自动补偿机制，使得在发电生产成本存在规模经济性时，发电厂商可以得到合理的补偿。而在UCP和PAB电力市场，一方面会出现发电厂商报高价的现象，另一方面还会出现部分发电厂商负利润的情况。所有结果表明EVE具有优良的市场特征，对于发电容量相对紧缺，不变成本不可忽视的中国电力工业现状，采用EVE不失为一个明智的选择。