基于相似搜索和神经网络的次日边际电价预测

为了对电力市场次日系统边际电价(SMP)进行准确预测,根据数据挖掘中的相似搜索理论和人工神经网络(ANN)工具建立了预测模型,其中相似搜索用来生成神经网络的训练集和输入矩阵,并运用Matlab6.5中的神经网络工具实现该模型.采用美国加州电力市场的历史数据进行实例计算,证明该方法对工作日SMP的预测效果较好,也证明了选择与预测日负荷相似或邻近日的历史数据进行网络训练方法的有效性.     

基于CEEMD-ISSA-LSSVM的日前电力市场价格预测

日前电价预测的准确性对电力市场参与者的现货市场参与程度、交易策略选择、经济收益情况均有较大影响。针对电力现货市场日前电价序列具有较强的波动性,提出了一种基于互补集成经验模态分解-改进麻雀搜索算法-最小二乘法支持向量机的日前电力市场价格预测模型。首先,采用灰色关联分析法筛选得到预测日的相似日集合,然后利用互补集成经验模态分解法将相似日的历史电价序列分解;其次,以改进的麻雀搜索算法优化最小二乘法支持向量机得到改进麻雀搜索算法-最小二乘法支持向量机预测模型,并分别对分解结果进行预测,将预测结果叠加,最终得到日前电价预测值。经过算例仿真,其结果表明：与其他预测模型对电价的预测相比,所提方法具有更高的预测精度。     

基于模糊聚类和关节控制器神经网络的边际电价预测方法

在电力市场中运作中,电厂的报价反映了电厂的运作成本和市场供求信息,准确的预测边际电价信息,时电力供应商的竞价决策有重要意义．应用基于模糊聚类（FCM）和关节控制器神经网络（CMAC）的边际电价预测方法,可以精确预测边际电价,并能有效克服其他算法中出现的“毛刺”现象,通过计算实例进行边际电价预测,预测结果表明：输出稳定性好、计算速度快、预测精度较高．     

基于小波变换去噪和改进秩序集对分析的电价预测模型研究

电价序列由于受到多种因素的影响往往具有随机性和波动性的特点,准确的电价预测对电力市场优化运营有一定的指导意义。挖掘电价序列的波动模式是提高电价预测精确度的关键。为此将小波变换去噪与改进秩次集对方法相结合,建立了一种新的电价预测模型。首先,利用小波变换对原始电价序列数据进行去噪处理。其次,利用改进的秩序集对分析法对去噪后的电价序列进行预测。通过对美国PJM电力市场实际的电价序列进行仿真实验。结果表明,所提方法具有更好的预测效果,从而验证了模型的有效性。     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.     

基于灰色改进模型的电价预测

针对电力市场中的电价预测问题进行了研究。在阐述了灰色模型在电价预测方面的应用后,提出了一种改进灰色模型用于电价预测的方法。通过对原始数据序列的一系列处理和对微分方程求解条件的变化达到预测精度的提高。最后用算例验证了该方法的可行性。     

基于BP神经网络与马尔可夫链的短期电价预测

提出了一种基于BP神经网络与马尔可夫链的短期电价预测方法.在采用BP神经网络模型进行短期电价初步预测的基础上,按照模糊C-均值聚类法划分预测误差的马尔可夫链状态区域,再根据状态转移概率矩阵对预测误差进行修正,得到最终预测结果.算例仿真结果表明,所提出的方法比单纯采用神经网络的预测精确度更高.     

基于趋势变化分段的电力负荷组合预测方法

提出了一种基于趋势变化分段的电力负荷组合预测方法,该方法基于趋势变化与加权组合的思想,有效提高了电力负荷的预测精度。在充分研究电力负荷“三峰三谷”变化特性的基础上,将电力负荷变化曲线划分为六个时段,每个时段均采用线性回归法、趋势变化法、BP神经网络和支持向量机的加权组合预测方式,并基于最小二乘法的思想,求解得到了模型最优参数。最后以苏北某地区的电力负荷预测为例进行了分析,结果表明该方法预测电力负荷的平均相对误差为2.83%,精度高,在电力系统具有较好的应用价值,从而验证了该方法的有效性与可行性。     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型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.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

基于市场清算电价预测的供电公司报价策略

针对采用暗标拍卖和统一市场清算电价结算的输配分开电力市场,初步探讨了供电公司的报价策略问题,给出了一种基于市场清算电价预测的供电公司报价策略模型,在报价时考虑了市场清算电价预测的不准确程度对报价的影响。对算例的仿真结果表明,该模型能够用来有效的进行供电公司的报价决策,同时终端用户对销售电价较高的响应特性增加了供电公司的决策风险。     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

电力期货价格的协整建模与预测

在电力市场环境下,电力期货价格受现货价格、利率和负荷需求等多种因素影响,变化趋势复杂,很难将所有的因素都加以考虑来建立一个准确的模型对其进行全面描述．因此,选取最重要的影响因素：电力现货价格,利用协整理论来研究电力期货价格和现货价格之间的动态关系,并建立向量误差修正模型（VECM）,对电力期货价格进行有效的预测．     

Supplier pricing based on threshold cointegration in agri-supply chain

Aiming atthe pricing of primary agricultural products for the large-scale suppliers and the wholesalers in agri-supply chain management, an approach for the large-scale supplier pricing is presented based on the threshold cointegration method of wholesale prices online including the GBand-TAR modified Band-TAR model. Our empirical work shows that it is more appropriate for a large-scale supplier pricing with his wholesalers based on the threshold cointegration method than the conventional linear cointegration method in spatially separate markets in an agri-supply chain of soybean in China in short time. Firstly, the three pairs of prices in spatially separate markets are of long-run equilibrium and threshold cointegration. The forecast wst shows that the threshold cointegration approach is superior to the conventional linear cointegration approach in short time. Secondly, there are two thresholds of GBand-TAR in which the threshold parameters represent relative transaction costs. Larger thresholds or wider neutral band corresponds to the greater distance between markets. Thirdly, the estimation of M-TAR shows that the large-scale supplier is more sensitive to increase of wholesaler prices than decrease of wholesaler prices. The supplier can price on the forecast of market price by the threshold ECM including the GBand-TAR if the equilibrium error of threshold lag is not in the interval of thresholds in which there is not profitable trading opportunities for the supplier.     

基于边际成本理论的高耗能企业电价探讨

高耗能企业用电在我国全社会总用电中占有很大比例,为实现节能降耗与污染减排的目标,促进产业结构调整,制定科学合理的电价机制是对高耗能企业用电进行合理调控需要迫切解决的问题。本文依据边际成本理论对某地区高耗能企业用电特性与用电成本进行分析,建立了基于长期边际成本的定价模型,并进行了实例计算。该方法可避免电源结构改变及投资波动对电价造成的影响,使供电成本在不同电压等级及用电时间内合理分摊,给用户以正确的价格信息,帮助高耗能企业对电力资源的消费或节约做出正确选择,对电价的制定与调整有指导意义。     

动态电价下混联水电站群运营方式研究

随着发电侧电力市场的开放和"厂网分开、竞价上网"的实施,具有峰谷电价意义的动态电价必将取代单一的电价体制.从发电侧角度,研究在给出一种动态上网电价模式时,利用创建的基于动态电价的混联水电站群优化调度多维动态规划模型来寻求收入最大的调度策略.     

混沌理论和快速BP神经网络在边际电价预测中的应用

以电价时间序列和负荷时间序列的混沌特性为基础,利用多变量混沌时间序列的相空间重构理论并结合人工神经网络的非线性映射能力建立数学模型,对我国川渝电网的边际电价进行预测,并对预测结果进行分析,取得了满意的结果.     

基于实时电价特征的Seq2Seq-Attention 网络短期电价预测

电价预测中常选择负荷与电价作为输入特征,由于输入信息量少,难以得到较好的预测效果。为准确捕捉短期电价变化规律,提出基于实时电价原理进行电价特征提取,从电价形成机制的角度对电价波动原因进行分析,筛选出用于短期电价预测的实时电价特征。并使用擅于捕捉电价预测数据规律的Seq2Seq-Attention网络进行预测。通过美国PJM电力市场公开数据进行验证,证明了该方法的有效性。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.