基于减法聚类及自适应模糊神经网络的短期电价预测

提出了基于Takagi-Sugeno模型的自适应模糊神经网络的短期电价预测方法。首先采用减法聚类方法确定自适应模糊神经网络的结构,然后利用混合学习算法训练该网络的前件参数和结论参数,最后将影响未来日电价的相关因素输入到训练好的自适应模糊神经网络中进行电价预测。以美国加州电力市场公布的1999年负荷与电价数据进行模型训练和预测,结果表明采用该方法所建立的预测模型具有较高的预测精度。     

基于节点电价灵敏度模糊聚类的电价分区方法

结构复杂多样的互联电力系统开展电力市场时,采用分区电价确定输电价格,对整个系统的安全稳定运行和需求侧管理具有重要的实用价值。根据竞价市场中电能出清交易模型,提出了节点电价灵敏度概念;运用模糊聚类分析方法,将电价变化率相近的节点划分在同一电价分区,提出了可实用化的电价分区方法。IEEE-39节点系统计算结果验证了该方法的有效性和实用性。     

基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例,分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明,CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点,比较适用于短期电价预测。     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点,综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本,采用反向传播算法,对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力,提高了学习效能,在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

模糊神经网络在电力系统边际电价预测中的应用

文章针对短期电力系统边际电价预测研究和应用中存在的用多元回归等传统方法建模困难、用ANN方法学习速度慢和易陷入局部极小点等问题,利用模糊神经网络具有接受和处理模糊数据、自适应地以任意精度逼近映射函数、不要求明确的数学描述等优点,建立了基于模糊神经网络的系统边际电价预测模型.通过具体实例测算及现场运用,证明了该方法为提高电力市场中边际电价预测精度、制定和实施科学合理的发电企业报价策略提供了可靠的支持.     

模糊聚类预测法在电网负荷预测中的应用

介绍一种模糊数学方法应用于负荷预测,该方法首先根据模糊聚类分析的方法对电力负荷及其相关因素的历史样本进行归纳分类,然后采用合适的模糊数及模糊集描述各类样本中负荷变化的模式及环境的特征。最后,由未来环境状态判定未来负荷变化属于哪种模式,从而预测出未来的电力负荷。     

基于聚类和Bayesian推断的市场出清电价离散概率分布预测

电力市场中，市场出清电价(market clearing price, MCP)受到众多因素的共同作用，具有较强的随机性和不确定性，常规的MCP单值预测模型未充分利用历史数据反映的不确定性信息，预测结果无法体现MCP的随机变化特性，预测精度也有限。该文提出一种基于免疫遗传机制的聚类方法，用以实现历史数据输入输出映射关系的划分，并结合贝叶斯概率法则建立MCP离散概率分布的预测模型。对美国PJM市场数据的仿真结果显示，该文的预测模型能较好地反映MCP的不确定性特点，且具有较高的预测精度。     

基于模糊聚类的风速短期组合预测

介绍了基于模糊聚类的风速短期组合预测方法。以模糊聚类技术进行训练样本的选择,可以大大提高训练样本的相似度。在时间序列模型、多元线性回归模型、灰色模型、神经网络模型基础上,根据风电场的风速(及气象)特性优化组合模型权重,得到适合本风电场的组合预测模型,应用实例表明该方法具有广泛的自适应性,应用范围更广,效果更佳。     

基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测

提出基于小波分解、模糊灰色聚类和BP神经网络的短期负荷预测方法.通过小波分解将负荷序列分解成低频分量和高频分量,找出负荷各频率分量的规律;通过模糊灰色关联聚类方法选取待预测日的负荷相似日;针对不同频段负荷的规律采用相对应的神经网络模型进行负荷预测,获得不同频段的待预测日负荷各分量,将各分量的预测结果叠加得到负荷预测值.采用所提方法对某地区2010年实际负荷进行预测,并与已有的负荷预测方法比较,结果表明所提方法可提高负荷预测的精度.     

基于模糊识别与模糊聚类理论的短期负荷预测

依据模糊模式识别、模糊聚类理论 ,提出一种短期负荷预测的新方法 ,应用相应的隶属度来描述负荷与影响负荷因素之间的关系。实践表明 ,该方法具有预测精度高、误差小的优点 ,是值得广泛推广的好方法。     

基于自回归条件异方差-反向传播网络模型的日前边际电价预测

针对日前电力市场提出了一种基于自回归条件异方差分析的改进神经网络模型。首先利用自回归条件异方差分析得到边际电价序列的条件方差,然后以条件方差作为电价波动风险指标,建立基于历史电价、历史负荷和历史电价条件方差等输入量的自回归条件异方差-反向传播网络模型,并利用该模型对美国PJM电力市场的日前边际电价进行了预测。结果表明,引入自回归条件异方差分析可以有效提高传统反向传播网络的预测精度。     

Innovations-based Neural Network Seasonal Day-ahead Marginal Price Forecasting

Successful bidding and operational strategies of electric power generators (GENCO) depend highly on the availability of accurate and timely load and price forecasts. Several techniques have been proposed and applied over the past few years to predict the marginal price of electricity in deregulated markets. To improve accuracy, these techniques apply time-consuming, complex, and hybrid methods requiring multiple inputs and large databases. This article introduces the first application of the method of “innovations” and a single artificial neural network to provide accurate forecasting results with mean absolute percentage error comparable to more complex and hybrid artificial neural network forecasting methods. The proposed model is applied to data of two seasons of Spain's power market operator (OMEL) marginal price data. The technique provided average accuracy improvement of 26% with overall mean absolute percentage error of 6.5%, which is reasonable considering the number of inputs and the simplicity of this model compared to other proposed models.     

基于相似搜索和RBF神经网络的短期电价预测

为了提高电价预测的准确性,提出一种基于相似搜索和RBF神经网络的短期电价预测的方法。采用相似搜索原理来生成神经网络的训练集和输入矩阵,并运用MATLAB7.0中的神经网络工具来实现该模型。采用澳大利亚维多利亚电力市场2002年1月1日至3月17日共75天数据进行了实验分析,对3月11日～17日的各时段电价进行了预测,通过比较验证了本文方法的有效性。     

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。     

基于粒子群广义神经网络的系统边际价格预测方法

提出了一种利用改进粒子群算法优化广义神经网络的平滑因子,并采用优化后的网络预测系统边际价格的方法,该方法克服了利用梯度下降法优化平滑因子时易陷入局部极值点以及利用遗传算法优化平滑因子时收敛速度慢等缺点。采用该方法利用美国加州电力市场公布的历史数据进行系统边际价格预测,结果表明本文提出的方法比传统的BP网络预测方法更有效。     

基于人工神经网络的短期系统边际电价预测

在对系统边际电价(SMP)的影响因素进行定性分析基础之上,采用了人工神经网络理论进行边际电价预测。在ANN模型中引入了平滑因子和遗忘因子,从而加快收敛速度并解决了ANN的遗忘问题。通过对某网局发电市场真实数据的仿真结果表明,该模型有预测精度高、速度快的优点。     

小波神经网络预测电价的新改进

预测市场边际电价对于电力市场的参与者有十分重要的意义.该文首先分析了BP神经网络在电价预测方面的优劣势,然后基于小波分析,即用母小波取代Sigmoid函数建立了小波神经网络的电价预测模型,并用遗传算法优化神经网络的拓扑结构和各权重系数,从而避免BP神经网络的预测电价陷入局部极小值.实际计算表明,改进后的预测模型有效地提...     

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。     

决策树和粒子群算法在日前电价预测中的应用

由于日前24点电价特性差异较大,采用单一模型很难描述,提出了一种基于相似点的日前电价预测新方法.将数据空间按时点划分成子24个子空间,并定量考虑对电价造成影响的相关因素,利用改进决策树技术对子空间的历史数据进行自动聚类,再通过粒子群算法训练各相关因素的最优权值,大大增加了选择相似点的可信度,仿真结果表明该方法能有效提高预测精度.     

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。