含高比例风电的电力市场电价预测

在解除管制的电力市场中,精确预测电价有助于市场各方有效参与市场运营与管理。清洁能源渗透率的提高,给电价预测精度带来了新的挑战。文中选择不同的输入特征变量并结合长短期记忆(LSTM)网络的特点,构建含高比例风电的电力市场电价预测模型对含有风电的电力市场电价进行预测。研究表明,风能和负荷的比值是含高比例风电的电力市场风电电价预测的关键输入参数。LSTM具备时间延迟记忆特点,拥有较好的电力市场时间序列电价预测能力。以北欧市场中DK1电力市场实际数据为基础,采用3种模型进行对比分析,结果表明含有风能和负荷的比值且考虑多时刻信息输入的LSTM模型可以较大地提高低谷时段的电价预测精度。     

基于深度信念网络的日前电价预测

随着我国电力体制改革的不断深入,电力市场建设取得重大进展.电价是电力市场的关键影响因素,每个参与者都基于电价进行电力交易.因此,提高电价预测的精度对于电力市场中每个参与者而言都十分重要.采用单层神经网络预测的预测精度有限.为此,根据机器学习在预测方面展示出的精准度,采用深度信念网络的方法对日前电价进行预测.在算例部分,...     

“双碳”目标下风氢联合系统参与现货市场的优化运行与效益分析

“双碳”目标下,电力现货市场成为消纳新能源的重要平台。由于新能源出力具有波动性和不确定性,高比例新能源进入电力市场后将带来新的挑战。电转氢(power to hydrogen,P2H)作为绿色低碳的灵活性调节资源,能够为新能源大比例入网提供新的途径。首先在新能源场站报价报量参与电力市场与常规机组同台竞价的基础上,构建了包含日前和实时两级的上层电能量现货市场竞价交易优化模型。其次对含有P2H的风电场出力进行优化,构建了下层风氢联合系统实时优化模型。最后以改进的IEEE 30节点系统为例分析了“双碳”目标下高比例风电参与现货市场带来的电价波动风险,研究了风氢联合系统参与现货市场的经济性。结果表明风电场配备一定规模的P2H设备能够有效减少风电不确定性给现货市场带来的电价波动风险,提高风电利用率,实现氢的廉价制取,在经济上具有一定可行性。     

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。     

基于时间序列模型的电价预测方法

通过对美国PJM电力市场2006年8月到11月的日前电价的分析研究,提出了一种基于时间序列的自回归积分滑动平均模型(ARIMA)及自回归条件异方差(ARCH)模型和神经网络的组合模型来预测美国PJM电力市场未来24小时的日前电价,季节性ARIMA模型反映了电价趋势性、季节性,ARCH模型反映了电价的异方差性,因此该模型能够很好地反映电价的特点,预测结果良好,应用前景广阔.     

基于时间序列ARMAX模型的短期电价预测方法

电力市场环境下,准确的电价预测可为市场参与者制定合理的竞争策略提供重要的参考信息.在对美国PJM电力市场日前电价的各种影响因素和波动规律综合分析的基础上,建立了一个基于ARMAX考虑负荷与电价之间非线性关系的短期电价预测模型.对PJM电力市场2008年1月到4月的历史数据的算例研究表明,该方法能够准确反映电价的变化规律,具有较高的预测准确性.     

基于市场因子的灰色电价预测方法

提出了一种基于MGM(1,2)模型的灰色预测方法,通过分析各时段负荷与电价之间的关系提取出一种在电力市场中能反映电价变化的市场因子,与经过巴特沃兹低通滤波的分时段电价序列作为2个相关序列,采用灰色MGM(1,2)模型进行分时段电价预测。对Ontario电力市场的日前电价预测结果表明,采用此方法进行短期电价预测的效果较好。     

售电均价的市场细分预测算法

售电均价是电力营销的重要参数,通过直接求电价加权和以预报售电均价,工作量极大,预测精度也不高.通过引入各细分市场电费比例作为中间量,售电均价预报问题被转化为各细分市场的电费比例预测和售电均价估算.对电费比例预测,采用改进多步混沌加权一阶局域法,对各细分市场售电均价,根据其电价体系进行估算.算法所需数据和计算量大大减少,且在湖南省电力市场均价预测算例中,取得了满意的预测效果.     

基于时间序列模型的电价预测方法

通过对美国PJM电力市场2006年8月到11月的日前电价的分析研究,提出了一种基于时间序列的自回归积分滑动平均模型(ARIMA)及自回归条件异方差(ARCH)模型和神经网络的组合模型来预测美国PJM电力市场未来24小时的日前电价, 季节性ARIMA模型反映了电价趋势性、季节性,ARCH模型反映了电价的异方差性,因此该模型能够很好地反映电价的特点,预测结果良好,应用前景广阔。     

基于神经网络的短期电价预测

利用系统旋转备用、历史负荷和清算电价对未来时段电价的影响来进行电价预测。以澳大利亚昆士兰州电力市场为背景,采用神经网络的方法,建立了提前1天电力市场清算电价短期预测模型。模型为3层BP神经网络结构,并采用昆士兰州电力市场1998年的电价数据进行了训练和预测分析,结果表明该模型具有良好的预测效果。     

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。     

基于可信度加权组合的电价波动模式日前预报方法

准确的日前电价预测对电力市场参与者的优化决策具有重要意义。目前,大多数日前电价预测方法并不区分每天电价的波动模式而采用统一模型进行预测,当被预测日的波动模式与历史数据出现较大差异时无法保证预测的准确性。根据不同的日波动模式采用相似历史数据进行分类建模是解决此问题的有效途径,这就需要建立针对历史数据不同波动模式的分类识别模型和针对未来波动模式的日前预报模型。为此,文章提出一种针对分类预测的电价日波动模式日前加权组合预报方法。第一,采用K-means算法对日电价序列进行聚类分析,在分析聚类结果特性的基础上提取反映每日波动模式差异的特征向量,利用支持向量机分类（support vector machine for classification, SVC）方法建立电价数据日波动模式的识别模型;第二,利用多种常规方法建立日前电价预测模型对日前电价进行预测,并将预测结果输入日波动模式识别模型得到对应的模式识别结果;第三,根据多个方法波动模式预测结果对历史数据表现出来的不同精度,设计了基于可信度的组合机制,实现考虑预测准确性的加权组合预测,从而得到最终的日波动模式预测结果。利用美国PJM电力市场电价数据进行的仿真分析表明,提出的日前电价波动模式预测方法能得到较为准确的模式预测结果;利用电价波动模式日前预报进行分类预测的精度相对统一预测有显著提高。     

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

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。     

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.     

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。     

基于自组织映射支持向量机的日前电价预测

针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点,建立多个模型分别对其进行预测,将数据空间按时点划分成24个子空间,然后根据这些子空间的相似性通过自组织映射对其进行自动聚类,并在不同类别的子空间分别建立支持向量机模型进行训练和预测。应用上述方法对PJM电力市场2005年8月的31天日前24点电价进行预测,结果表明该方法能够有效提高预测精度。     

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。