MCP预测技术在浙江电力市场中的应用

市场清算电价(MCP)预测是电力市场决策的基础.文中以浙江电力市场为背景,对一些预测技术作了介绍;用神经网络、时间序列以及基于小波分解的时间序列预测方法对浙江电力市场MCP作了预测.预测结果表明时间序列方法和基于小波分解的时序方法在一周的MCP预测过程中精度衰减较快,但是基于小波分解的时序方法在下一日的MCP预测中还是有较好的精度;神经网络方法预测精度衰减较慢,预测效果相对比较稳定.     

基于小波分解的改进神经网络MCP预测方法及应用

电力工业的市场化改革突出了市场清算价格(MCP)预测的重要性。文中以浙江电力市场为背景，提出了一种基于小波分解和神经网络的MCP预测方法。该方法对原电价数据进行了预处理，将经小波分解去除细节后的重构电价序列作为输入参数，并且依据“重近轻远”的原则及考虑到电价具有星期的周期性的特点，重新设计了神经网络拟合误差的代价函数。对浙江电力市场下一交易日的MCP进行了预测，预测精度达到90％左右。     

基于小波分解的改进神经网络MCP预测方法及应用

电力工业的市场化改革突出了市场清算价格(MCP)预测的重要性。文中以浙江电力市场为背景，提出了一种基于小波分解和神经网络的MCP预测方法。该方法对原电价数据进行了预处理，将经小波分解去除细节后的重构电价序列作为输入参数，并且依据“重近轻远”的原则及考虑到电价具有星期的周期性的特点，重新设计了神经网络拟合误差的代价函数。对浙江电力市场下一交易日的MCP进行了预测，预测精度达到90%左右。     

电力市场短期电价预测方法综述

电价预测对电力市场参与者正确的投资决策起到了关键作用.本文阐述了短期电价预测的各种方法,指出了各种方法的优缺点,提出了一些提高预测精度的改进措施,并指出了电价预测方法发展的方向.     

电力市场短期电价预测方法综述

电价预测对电力市场参与者正确的投资决策起到了关键作用。本文阐述了短期电价预测的各种方法,指出了各种方法的优缺点,提出了一些提高预测精度的改进措施,并指出了电价预测方法发展的方向。     

短期负荷预测方法在浙江省电力市场的应用

用已知的电力系统的历史数据、自然因素和系统的运行特性介绍了电力系统短期负荷预测的神经网络、时间序列和小波时间序列结合的方法 ,并利用浙江省电力市场的数据对 3种模型进行了实验和效果评估。     

Bootstrap方法在基于ARMA-GARCH模型的电力市场价格区间预测中的应用(英文)

当今开放式电力市场是一个基于竟价拍卖形式的市场,市场清算价格(market clearing price-MCP)主要受变化的供需平衡、市场参与者的竞价策略以及电力企业已经签订的双边买卖合同等因素影响,现有的价格预测技术只集中在如何提高价格预测准确度上,而忽视了对预测本身不确定性的度量;其中ARMA-GARCH价格预测模型的前提是假设预测误差符合正态分布,而实际电力市场价格非线性波动使得正态分布的假设完全不成立.针对这一现象,将不依赖任何分布假设的Bootstrap技术应用于基于ARMA-GARCH模型的电力市场清算价格区间预测,并对澳大利亚电力市场的真实数据进行分析评测,精度高,可靠性好.     

负荷预测在电力市场中的应用

分析了负荷预测在计划体制下与电力市场中应用的区别 ,简述了负荷预测的方法 ,分析了存在的问题 ,并提出了改进建议     

电力市场中的边际电价预测

在分析了系统边际价格(SMP)形成机理和影响因素的基础上,分别提出了基于累计式自回归滑动平均模型（ARIMA）和人工神经网络（ANN）的SMP预测方法,在这2种方法中都引入了市场供求指数(SDI)作为影响SMP的因素。通过对某省级发电市场真实数据的仿真结果表明,在引入SDI后,ARIMA模型和ANN模型的预测精度都得到了提高;同时,ANN模型比ARIMA模型更易于处理多种市场因素,若在模型中考虑更多的市场因素,则SMP预测的精度可进一步提高。     

小波软阈值技术在电力负荷预测中的应用

电力系统中长期电力负荷数据相对较少,影响因素多且很难预测,其主要由随机性因素和确定性因素决定。根据这些信息中隐藏频率的不同,可利用小波变换原理将其分解到若干频率段上,即得到若干"近似"项和"细节"项,在各项上附加不同的阈值后,应用小波原理对经过阈值处理的各项进行重构,从而达到对原始数据降噪的目的,将去噪后的长期负荷数据作为神经网络的输入进行预测。算例表明,该方法预测结果准确、可靠。     

基于最小最大概率回归方法的中长期电价预测模型

中长期电价的预测无论是对于市场监管政策的制定,还是对于大用户和发电商的投资规划,都具有极其重要的意义。影响中长期电价的因素比较复杂,历史电价数据分布混乱增加了一般回归电价预测建模的难度。提出了一种基于最小最大概率回归方法的电力市场中期电价预测的新模型。在分析最小最大概率机(MPM)及其用于回归原理的基础上,使用最小最大概率回归(MPMR)方法对不同的训练样本集进行训练,并计算出预测期的预测值,取得了比较好的预测结果。训练样本的分割使中期电价预测模型更加准确。美国加州现货电能量市场的实例数据验证了所建模型及方法的有效性。     

一种基于神经网络的电价预测方法

介绍了发电厂竞价上网辅助决策系统的构成,认为其中最主要的2个模块为成本分析和市场预测,并在出清电价预测方面提出了一种基于神经网络的电价预测方法.     

基于Hilbert-Huang变换和最小二乘支持向量机的电力市场出清电价预测

随着世界各国电力工业改革的发展趋势,我国于20世纪90年代也开始了以打破垄断、引入竞争、放松管制为目标的电力市场化改革。如何合理制定相应的运营模式以及怎样根据电力市场的相关历史数据准确的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。而实际电力市场的出清电价数据具有很强的非平稳性,Hilbert-Huang变换是分析处理非平稳性信号数据非常有效的方法,本文应用Hilbert-Huang变换首先对电力市场出清电价数据进行平稳化处理,然后运用最小二乘支持向量机（LS-SVM）对处理后的数据进行预测。预测结果表明,此模型显著的提高了出清电价预测的精度。     

Mid-term electricity market clearing price forecasting: A hybrid LSSVM and ARMAX approach

A hybrid mid-term electricity market clearing price (MCP) forecasting model combining both least squares support vector machine (LSSVM) and auto-regressive moving average with external input (ARMAX) modules is presented in this paper. Mid-term electricity MCP forecasting has become essential for resources reallocation, maintenance scheduling, bilateral contracting, budgeting and planning purposes. Currently, there are many techniques available for short-term electricity market clearing price (MCP) forecasting, but very little has been done in the area of mid-term electricity MCP forecasting. PJM interconnection data have been utilized to illustrate the proposed model with numerical examples. The proposed hybrid model showed improved forecasting accuracy compared to a forecasting model using a single LSSVM.     

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。     

基于回声状态网络的电力市场电价预测

传统的神经网络算法在电价变化剧烈的情况下,精度较低并且所耗费的时间较长,难以满足电力市场发展的需求。为解决该问题,提出了一种基于回声状态网络(ESN)的短期电价预测方法。所提方法介绍了基于回声状态网络的预测原理,提出了电力市场短期电价的预测机制,包括参数选取、采样数据预处理和ESN训练及预测过程;并分别采用回声状态网络和反向传播算法(BP)神经网络进行短期电价预测。经过仿真验证,所提出的基于回声状态网络的电价预测具有较好的准确率和可行性。