基于灰色与计量经济模型的用电最优组合预测

通过对电力市场需求影响因素的分析,提出了计量经济与灰色预测的优化组合预测模型,经过论证并用实例比较得出此模型比其中任一单一模型预测误差率都小,预测结果更精确,为电力市场用电量需求提供了一个实用有效的预测方法。     

基于神经网络和相似搜索技术的电力价格钉预测方法

电力市场中普遍存在“价格钉”,其特殊性给电价预测带来困难。通过对其特征和影响因素的分析,提出了一种基于神经网络和相似搜索技术的价格钉预测方法。首先,采用BP神经网络建立价格钉识别模型,对未来某一交易时段市场清算电价可能出现的区间进行预测,并提供相应的置信度;其次,对判别为价格钉的时段采用相似搜索技术进行二次预测。采用澳大利亚昆士兰州电力市场2004年至2005年全年的电价数据进行训练和预测分析,结果验证了该方法的有效性。     

电力系统负荷分形预测及R/S分析

电力负荷具有分形市场假说(FMH)的主要特征。根据分形拼贴定理,由分形插值方法求取一个吸引子与电力负荷历史数据相近的迭代函数系统(IFS),以建立分形预测模型,实现电力负荷预测。预测结果表明,该方法不存在收敛问题,数据收集简便,具有较好的实用价值。用电力负荷时间序列 分形分析进一步表明了预测值的合理性。     

基于生产力及城镇化布局的省级长期电力需求分布预测

准确把握省级电网长期电力需求,尤其电力需求在各区域分布,对省级电网合理规划和网架优化具有重要的前瞻性指导作用。文章构建了基于生产力及城镇化布局的省级长期电力需求分布预测模型,并以安徽为例,预测了2030年安徽全社会用电量在各地市分布,结果显示:该模型实现了从全省电力需求到各区域电力需求的科学有效衔接,且预测结果相较于一般占比预测方法更为科学合理。对电力市场分析及电网规划人员合理预测省级长期电力需求分布、实现前瞻性电网规划具有一定的参考价值。     

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

当今开放式电力市场是一个基于竞价拍卖形式的市场,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．     

用电结构调整与电力市场预测

本文从电力市场的内涵起始,针对九七年以来电力负荷增长趋缓,电力供给步入买方市场的实际形势,分析电力市场消费构成的变化态势,预测今后几年电力市场的发展趋势及相应对策。     

变权重组合改进模型应用于中期电力负荷的预测

对变权重组合预测理论进行了扩展和改进, 并以某经济快速发展地区的历史电力负荷数据为实例, 运用常规电力负荷预测方法、改进后的变权重组合方法对电力负荷进行预测和计算分析.预测结果表明了变权重组合改进预测法的可行性, 有效提高了中期电力负荷预测的精度和可信度.     

一种新的自动发电控制容量预测和获取机制

针对统一的区域电力市场尚未建立而省级间电力交易日益频繁的市场化环境，研究了自动发电控制（AGC）容量需求的预测和获取机制。从系统安全性的角度出发，构建了AGC容量需求预测和动态修正模型，考虑了负荷预测误差、机组调节性能和联络线偏差等因素。基于AGC容量集中投标的市场运营模式，通过权衡AGC调节容量获取成本和联络线偏差处罚费用，建立了兼顾市场运营经济性和系统运行安全性的AGC容量预测和获取方法。通过基于浙江省电力市场实际数据的仿真算例，说明了所提出方法的基本特征和可行性。     

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．     

GMDH方法在电力负荷预测中的应用研究

本文在介绍数据处理组合方法GMDH基本原理的基础上,将其用于电力负荷时间序列数据预测,并通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可得到满意的预测结果。     

灰色模型GM(1,1)及其改进模型在短期特殊日电力负荷预测中的应用

讨论了灰色模型GM (1 ,1 )及其改进模型在短期电力负荷预测中的应用 ,采用ARI MA(p ,d ,q)模型与GM(1 ,1 )改进模型对特殊日电力负荷进行组合预测 ,提出了适合电网特殊日电力负荷预测的数据处理方法 ,提高了预测的精度 .准确度可达 95 %以上 ,解决了每日2 4点正点采样情况下预测精度较低的问题 .     

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.     

基于商业智能的电网负荷预测模型的构建研究

根据对电网负荷预测业务的分析,采用探索型数据分析方法对电力企业数据仓库中的数据进行训练建模,构建出电网负荷预测模型。模型应用情况表明：应用该模型后电力企业负荷预测较传统预测方法准确率明显提高,电力企业预测技术水平相应提高,同时,应用该模型还有助于电力企业有计划地进行用电管理,确保电力企业决策分析可行性。     

无偏灰色模型在电力负荷预测中的应用

为了提高电力负荷预测的准确度,应用无偏灰色预测模型对电网用电量进行了预测,在对无偏灰色模型特性进行了分析的基础上,与传统灰色预测模型进行了对比．理论分析和实例计算均表明,在指数趋势时间序列条件下无偏灰色预测模型较传统灰色预测模型性能优越,相对误差可降低到1％以内,适合在电力负荷预报中推广应用．     

电动汽车充电负荷预测系统研究

根据规划的电动汽车在未来规模化的应用将对电网产生重要影响,电动汽车充电负荷预测是分析电动汽车接人电网的基础,目前还没有比较成熟的方法。综述电动汽车接人对电网的影响和电动汽车负荷预测的研究现状,分析充电负荷预测的影响因素,并基于分布函数的蒙特卡洛计算模拟,开发一套区域电动汽车充电负荷预测系统,可实现对不同电动汽车种类、不同电池容量、不同充电方式、不同充电频率等情况下的综合预测,为电动汽车接人电网的影响分析和调控策略制订提供理论和技术支持。     

浅谈几种电力需求量的预测方法

根据多年从事电力负荷预测的经历和感受,重点介绍在电力需求预测中需电量预测的几种常用方法,并对这几种预测方法作了阐述,同时就如何做好电力需求预测工作提出建议。     

Minitab统计软件在电量需求预测中的应用

利用Minitab软件中的时间序列预测方法,对西北电网电量需求进行外推预测,并与灰色预测结果进行比较,结果表明利用Minitab进行电量需求预测,预测精度较高.     

基于Shapley值的中国电力需求组合预测模型

针对中国1997~2013年的电力消费量,采用3次指数平滑模型和ARIMA模型分别进行了建模与拟合分析,通过合作对策理论中的Shapley值法求解了两模型所占权重,从而构建了所需组合模型,并用该组合模型预测了2015年和2016年的中国电力需求量.实例结果表明,组合模型有着更高的拟合精度,拟合相对误差平均值仅为1.52%.     

SVR-Boosting ensemble model for electricity price forecasting in electric power market

A revised support vector regression (SVR) ensemble model based on boosting algorithm (SVR-Boosting) is presented in this paper for electricity price forecasting in electric power market. In the light of characteristics of electricity price sequence, a new triangular-shaped 为oss function is constructed in the training of the forecasting model to inhibit the learning from abnormal data in electricity price sequence. The results from actual data indicate that, compared with the single support vector regression model, the proposed SVR-Boosting ensemble model is able to enhance the stability of the model output remarkably, acquire higher predicting accuracy, and possess comparatively satisfactory generalization capability.