基于BP神经网络的下一交易日出清电价预测

利用历史负荷和清算电价对未来时段出清电价采用3层BP神经网络模型进行预测, 将出清电价看成一个多输入单输出系统.把一天中每个小时按输入影响大小分成五类,然后采用BP网络分别建模预测.并采用美国New England电力市场2002年的电价数据进行了训练和预测分析,最终得到比较理想的出清电价预测结果.     

基于ARMAX模型的短期出清电价预测方法

在综合考虑整个电力市场中电价的波动规律和影响出清电价的各种因素的基础上,采用时间序列ARMAX模型进行出清电价的预测,将出清电价看成一个多输入单输出系统,并用相关性分析技术进行初始输入数据的筛选,最终得到比较理想的预测短期电价。     

基于数据挖掘与支持向量机的现货市场出清价预测方法

现货市场环境下,市场出清价对于电力市场的发、用两侧参与者和市场管理者都是极为重要的信息。因此,市场出清价的预测研究越发重要。首先分析大多数传统电价预测方法采用的连续序列与该文选取的同时段的电价序列表现出的变化特征差异,给出选取同时段电价序列作为输入的原因。然后基于数据挖掘相似性理论,通过欧氏距离和角度距离2个维度识别历史电价相似序列,得到模型所需训练集数据。以支持向量机（SVM）为预测工具,并利用遗传算法对SVM的关键参数进行寻优。最后将模拟预测结果与不考虑历史相似状态的SVM模型、BP神经网络模型进行对比,通过误差分析证明了所提模型具备更高的预测精度。     

基于PSO训练BP神经网络的短期电价预测

以美国PJM电力市场为背景,利用历史负荷、系统剩余容量百分比和清算电价对未来时段电价的影响来进行短期电价预测,给出了一个发电侧竞价模型中利用PSO训练BP神经网络进行市场出清电价预测的实例。与使用传统BP神经网络预测的方法进行比较,结果表明,该方法具有更高的预测精度,并能收敛于全局最优解。     

用相似性原理及人工神经网络预测电价

提出了用相似性原理和BP神经网络来预测日前市场出清电价的新方法,该法尤其适用于只能获得有限原始数据的情况。运用相似性原理对人工神经网络的训练模型进行选择,使其有与预测日相似的负荷特征。用选择出的相似训练模式对选定的BP神经网络进行训练,通过BP神经网络的反向传播过程不断修正模型中的神经元连接权值和阀值,实现对未来24 h市场出清电价的有效预测。对周末和节假日采用了峰值处理步骤后,此方法更加完整。最后以美国宾西法尼亚州、新泽西州和马里兰州公布的2002年数据进行了模型训练和预测,结果表明该方法所建立的预测模型具有较高的预测精度。     

基于BP神经网络的短期市场出清电价预测

在电力市场中,短期市场电价预测的准确与否,对发电厂的竞价决策具有关键性的影响。文章提出应用神经网络算法来模拟预测日前市场出清电价,以获取精确的预测结果,该方法可适用于原始数据有限的情况。利用电力系统历史负荷、历史清算电价、系统的旋转备用等影响因素作为分析因子,分析其对未来时段电力市场价格的影响,并对下一交易时段电价进行预测。以美国加利福尼亚州电力市场为背景,采用BP神经网络算法,应用MATLAB软件编程,建立电力市场清算电价短期预测模型。该模型结构为三层神经网络,通过网络的反向传播过程不断修正模型中的神经元连接权值和阈值,充分发挥BP网络局部搜索能力强的优点,实现对未来24小时市场出清电价的有效预测,并针对美国加州实际电力市场价格数据进行训练和预测分析,结果表明该模型具有良好的预测效果。     

基于盲数和神经网络的电价预测模型

利用盲数理论结合经典电价预测方法,在有限的历史电价、负荷及其他相关数据的基础上对电价进行准确预测。首先提出了基于盲数和神经网络市场出清电价预测模型,利用BP神经网络对历史数据进行训练学习,在得到网络学习权重后,结合盲数理论,引用盲数代替实数进行价格预测。算例结果表明,模型消除不确定性因素对预测结果的影响,实际历史电价都很好地落在了预测结果最大置信度的置信区间中,较好地完成了预测任务,证实了设计的可行性和模型的可靠性。     

基于盲数和神经网络的电价预测模型

利用盲数理论结合经典电价预测方法,在有限的历史电价、负荷及其他相关数据的基础上对电价进行准确预测.首先提出了基于盲数和神经网络市场出清电价预测模型,利用BP神经网络对历史数据进行训练学习,在得到网络学习权重后,结合盲数理论,引用盲数代替实数进行价格预测.算例结果表明,模型消除不确定性因素对预测结果的影响,实际历史电价都很好地落在了预测结果最大置信度的置信区间中,较好地完成了预测任务,证实了设计的可行性和模型的可靠性.     

引入电价与负荷相关系数的PSO-BP神经网络电价预测模型

为了解决现有BP神经网络电价预测模型中由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题,在分析电价与负荷相关性的基础上,提出了采用电价与负荷相关系数作为判断是否将负荷引入模型条件的新方法,并将相关系数引入PSO-BP神经网络电价预测模型,以降低模型非关联输入样本数,提高预测精度采用我国四川电力市场资料进行仿真计算,证明该方法具有良好的预测效果.     

基于遗传算法优化BP网络的提前一天市场清算电价预测

针对电力市场提前一天市场清算电价预测,考虑历史负荷和历史清算电价对未来时段电价的影响,分别采用BP神经网络和遗传算法优化BP网络的方法,建立了提前一天电力市场清算电价预测模型。并采用澳大利亚昆士兰州电力市场1998年的电价数据分别进行了训练和预测,对结果进行了比较分析。结果表明遗传算法优化BP网络模型具有良好的预测效果。     

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。     

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.     

级联相关的神经网络模型在边际电价预测中的应用

在实际的电力市场运作中，电厂的报价反映了电厂的运行成本和市场供求，决定电厂机组能否上网发电和上网电量。而报价的一个重要指标是预测的系统边际电价。因此，电力市场中的边际电价预测在发电厂的市场化运营中处于重要的地位，特别是对电力供应商的决策有重要意义。文中应用神经网络理论中的级联相关模型对电力系统的边际电价进行预测，优点在于避免了对网络结构的估计，网络在训练的过程中能够自适应地增加隐含节点，同时提出了在训练集中增加特殊数据点以提高预测精度的方法。通过New EnglandISO数据算例预测第2天的24h边际电价说明了这种方法的可行性，并用3层BP神经网络做了对比研究。     

基于神经网络的电力市场电价预测

以美国加州电力市场为背景,在分析了市场清算电价（MCP）的影响因素的基础上,采用了一种基于反向传播（BP）网络预测下一日市场清算电价的方法。该方法考虑了系统供求关系、历史负荷、历史电价等对未来时段电价的影响,建立了一个单隐层的神经网络结构。预测模型融合了模糊理论,利用隶属函数对温度（最高温度、平均温度、最低温度）进行了模糊处理,将这些因素作为神经网络的输入量。在负荷高峰时段,往往存在市场外机组的调度和参与者的策略性投标等问题,这些因素共同作用容易造成电价尖峰。建立一个节假日模型来预测节假日的电价。采用美国加州电力市场的历史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。     

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型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,首先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预测模型,然后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。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。     

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.     

基于最小二乘支持向量机的电力市场出清电价预测方法

针对神经网络存在结构较难确定,训练易陷入局部最小等问题,提出将最小二乘支持向量机和相似搜索用于预测出清电价。该方法对相似搜索得到的相似负荷日的数据用最小二乘支持向量机建立预测模型,采用美国New England ISO的真实数据做验证,结果表明该方法比BP神经网络有更高的预测精度,是一种有效的预测方法。     

基于自组织映射神经网络的市场清算电价预测

市场清算电价预测是电力市场中交易决策的基础。人工神经网络是电价预测较为理想的方法,但依然存在一些问题,如样本训练有时需要很长时间,存在收敛问题,特别是当样本特征量不明显的时候,这种现象更为突出。针对这一问题,利用自组织映射的聚类特性将历史数据进行特征分类和筛选处理,处理后形成的新数据用于训练三层BP神经网络,仿真结果表明,经过这种数据处理后,网络的收敛速度得到了显著提高,且预测效果良好。     

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。