共查询到20条相似文献,搜索用时 109 毫秒
1.
考虑多重周期性的短期电价预测 总被引:4,自引:1,他引:3
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。 相似文献
2.
电价分布及分类预测模型 总被引:1,自引:1,他引:0
准确的电价预测可为各市场主体的运营、发展规划提供指导,降低电价波动带来的风险,文中提出了相关预测模型。首先,基于历史数据分析了负荷水平、供给功率、可调度负荷水平、与相邻区域的功率交换水平及时段等因素对电价分布的影响,并引入基准电价概念将电价分为正常电价和高电价;然后,以上述因素为输入变量,采用邻近点技术和支撑向量机(SVM)技术确定未来电价的类别归属,正常电价利用时间序列法预测,高电价则根据历史高电价信息加权估计得到。模型以电价分布为着眼点进行分类预测,降低了对时间的依赖程度,不仅可用于短期电价预测,也为中长期预测提供了有效思路。以澳大利亚市场Queensland地区的周电价预测为例说明其有效性和实用性,给出了预测和分类精度,并通过灵敏度分析研究了基准电价选取对模型分类精度的影响。 相似文献
3.
4.
5.
利用多因素小波变换和多变量时间序列模型的日前电价预测 总被引:5,自引:0,他引:5
电力市场中,市场出清电价具有较强的波动性、周期性和随机性,实践证明单一的电价预测模型很难提高预测精度。针对该问题,提出一种基于多因素小波变换和多变量时间序列模型的日前电价预测方法。利用小波变换将历史电价序列和负荷序列分解和重构成概貌电价、细节电价和概貌负荷、细节负荷。用概貌电价和概貌负荷作变量建立多元时间序列模型,预测未来概貌电价;用单变量时间序列模型预测未来细节电价。将概貌电价和细节电价的预测结果求和作为最终的预测电价。采用上述方法对美国加州电力市场日前电价进行预测,并与对比模型进行了详细的比较分析,结果表明该方法能够提供更准确的预测电价。 相似文献
6.
分时段短期电价预测 总被引:26,自引:4,他引:26
分时段电价序列比顺序电价序列的变化特征更单一,有利于电价的分析建模,从而提高预测精度,因此采用各时段电价分别预测的分时段预测方法。该文将相关系数作为选取电价影响因素的标准,考虑了历史电价、负荷、负荷率等影响电价的因素。以小波分析和神经网络作为工具,对不同输入因素和不同预测方法下的电价预测精度进行了研究,并重点比较了基于分时段电价序列的预测方法和基于顺序电价序列的预测方法。算例采用美国新英格兰电力市场历史数据,对其2002年第4季度的电价进行了连续预测。与基于顺序电价序列的预测方法相比,分时段短期电价预测方法能够使平均相对百分比误差下降约3个百分点。 相似文献
7.
基于多因素小波分析的神经网络短期现货电价预测方法 总被引:2,自引:0,他引:2
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。 相似文献
8.
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。 相似文献
9.
由于峰谷电价的逐步实施,电价对用户负荷特性的影响也逐渐凸显,而当前进行负荷预测时,未考虑峰谷电价变化影响,电价变化点附近的负荷预测精度相对较低。采用电价变化点负荷增长率作为描述居民峰谷电价响应特性指标,研究了城市居民峰谷电价响应特性,并进一步分析了负荷增长率的时域特性。在此基础上,用负荷增长率修正人工神经网络预测模型来考虑峰谷电价的影响作用,对响应峰谷电价敏感的时段进行了超短期负荷预测。研究结果表明,用电价变化点负荷增长率考虑峰谷电价影响可以提高电价变化后超短期负荷预测的精度。 相似文献
10.
考虑负荷周期性和变化率的短期电价预测 总被引:1,自引:0,他引:1
为了提高电价预测精确度以提高其实用价值,在电价预测模型中引入负荷周期性和变化率因素.根据负荷对电价的影响建立基于系统负荷的短期电价预测模型,使用小波分解对负荷和电价数据进行分析处理,采用神经网络的预测方法对短期市场清算电价进行预测.考虑负荷和电价的周期特性,在预测模型输入侧增加了负荷的周期性因素.考虑负荷剧变引起的电价变化,定义综合负荷变化率影响因素并加入模型输入侧来提高预测精确度.预测实例采用实际负荷值为输入,其结果表明引入负荷周期特性和综合负荷变化率因素后预测相对预测误差和单点最大预测误差分别降低35%和28%,有效地提高了模型的预测精确度. 相似文献
11.
12.
13.
区域电力市场中市场力的分析及抑制措施 总被引:2,自引:0,他引:2
市场力是电力市场化改革中倍受关注的重要问题之一。区域电力市场中发电商可以利用其拥有的市场力抬高电价,牟取超额利润,既损害了电力用户的利益,也使资源不能合理配置,市场不能有效竞争。这有悖于电力市场化改革的初衷,为此必须采取相应的方法对其进行抑制。 相似文献
14.
美国PJM电力市场及其对我国电力市场化改革的启示 总被引:1,自引:1,他引:1
美国PJM控制区(位于美国东北部的一个区域电力系统)的电力市场运作是北美建立竞争区域电力市场的典范,其成功经验值得中国借鉴。文中总结了美国PJM电力市场的发展过程、市场组织结构和市场交易机制,分析了其成功的几大因素,并针对中国特点提出:为了保征电力系统的安全运行和电力市场的有效运作,中国的电力市场交易应该以合同交易为主,随着市场需求发展多种交易类型,通过制定有效的市场规则减少市场操纵力,同时应建立明确的供电责任机制。 相似文献
15.
为及时总结中国首批电力现货市场试点建设地区的试运行经验,推动中国电力现货市场建设,在介绍山东电力现货市场的市场机制基础上,通过分析其试运行情况,研究市场所面临的问题和解决措施。山东清洁能源占比较高等电网运行特征决定了山东更宜采用集中式现货市场模式。山东电力现货市场包括日前、实时2个时序市场和日内机组组合衔接机制。电力现货市场试运行期间,电网整体运行平稳有序,现货市场出清价格随市场供需关系变化而变化,但也面临市场力监控能力有待提升、调峰补偿机制需要完善、用户交易风险防控手段仍待加强等问题。上述结果表明山东电力现货市场已基本具备连续运行条件,但市场机制的完善仍须持续加强。 相似文献
16.
17.
市场力是电力市场正常运行的一大障碍。文章探讨了对市场力进行监管的方法,并指出了限制市场力的措施,为我国电力市场的发展和电力监管的建设提供了参考。 相似文献
18.
市场势力是电力市场正常运行的一大障碍。发电商利用市场势力抬高电价, 既损害了电力用户的利益,也使得市场不能有效竞争和合理配置资源。电力系统本身的特点和市场设计存在缺陷是电力市场中形成市场势力的原因。稀缺性是发电商能够利用市场势力的基础。目前市场势力的平抑措施主要有价格封顶; 期货和长期双边合同;加强电网建设,实现网络互联效益;加强市场监管力度,规范各市场主体的行为。应分析各种平抑措施的优缺点,防止负面影响,多方协调,建立真正意义上的竞争的电力市场。 相似文献
19.
20.
对于光伏发电功率精准的日前预测有助于电网设计未来调度计划,降低新能源发电对电网的冲击,提高消纳率。提出一种Boosting集成学习框架下的光伏发电功率日前预测方法。首先,根据光伏出力主要受天气影响的特点,通过皮尔逊系数获得相关性强的气象因素,利用k-means++对与光伏发电功率相关性极强的总水平辐照度进行聚类以获得相似日数据集;然后,将极限学习机(extreme learning machine,ELM)引入Boosting框架,构建光伏出力日前预测模型(B-ELMs);最后,利用真实光伏电站运行数据验证模型有效性,该模型在试验过程中展现出良好的适应性,最高决策系数(R2)达0.9819 。实验结果表明,由于集成学习框架的存在,B-ELMs能对复杂天气下的规律性弱、波动性强的光伏出力曲线提供较为精确的预测结果;同时,相较于深度学习网络,B-ELMs的收敛速度更快,在维持较快训练速度的同时保障更为精确的预测结果。 相似文献