基于稀疏自编码非线性自回归网络的负荷电价预测方法

准确的电价和负荷预测对现代电力系统至关重要,但由于电价与负荷之间存在较强的相关性,若不考虑其相互影响,将导致预测的精度下降。为了提高现有方法的预测准确性,在考虑价格与负荷关系的前提下,提出了一种基于深度递归神经网络的价格与负荷预测模型,即基于外部输入的稀疏自编码器的非线性自回归网络,其功能包括特征提取和预测。首先针对特征提取环节,对原有方法进行改进,提出了稀疏自编码器,可以大大提高特征提取的有效性。其次,利用非线性自回归网络进行电价和负荷预测。使用电力市场大数据ISONE和PJM进行仿真验证,与级联Elam网络相比,ESAENARX在负荷预测方面将平均绝对误差降低了16%,在价格预测方面降低了7%。     

计及电量电价弹性的主动配电网多时间尺度优化调度

电动汽车、可再生能源和储能的接入对配电网运行带来了新的挑战,若调度方法和模型制定不当,将影响到配电网的经济性和可靠性,以及电动车主参与调度的积极性。为此,提出了一种主动配电网多时间尺度优化调度方法。首先,在日前阶段构造了基于电量电价弹性的电动汽车充电模型,建立了一种主动配电网日前经济调度模型。然后,在实时阶段通过储能和电动汽车降低可再生能源预测误差对系统的影响。该方法在研究电量电价弹性对电动汽车充电影响机理的基础上,基于不同时间尺度可再生能源预测数据,决策电动汽车、储能和柔性负荷的调用。仿真结果表明,所提方法降低了配电网购电和电动汽车充电费用,减弱了可再生能源预测误差对配电网的影响,优化了负荷特性。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于长短期记忆的实时电价条件下智能电网短期负荷预测EI北大核心CSCD

在电力市场改革与智能电网建设的大背景下,电力将逐渐回归商品属性,电价也将实时波动,并对负荷产生影响。通过分析得出电价与负荷具有相关性,因此在预测模型中考虑了实时电价的影响,并对考虑实时电价的负荷预测模型与价格型需求侧响应之间的关系进行了讨论。针对前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷,提出了基于长短期记忆循环神经网络的负荷预测模型,使用自适应矩估计算法进行深度学习。最后通过美国某地区的实际负荷和电价数据,验证了所提模型具有更高的预测精度。     

考虑清洁能源消纳的售电商滚动修正月度市场交易策略

在深化电力市场改革以及促进需求侧消纳清洁能源的背景下,售电商需综合考虑火电年度合同电量以及清洁能源消纳年度合同电量,在合理安排年度合同电量分解的基础上,根据月度用电量预测偏差优化月度市场交易策略,构建了售电商月度购电滚动修正优化策略框架.基于月度市场电价波动风险分析,提出了年度合同电量分解到月度合同电量的进度系数.考虑了清洁能源出力波动的季节性修正因子,从而建立了满足偏差考核的售电商月度最优购电策略模型.算例分析了电价波动以及清洁能源消纳年度合同电量对售电商月度市场竞价策略的影响,对售电商承担新能源消纳权责、降低竞价风险、满足偏差考核具有现实意义.     

可再生能源发电对实时电价的影响分析——德国电力现货市场的数据实证

电力现货市场实时交易可充分发挥市场调节作用,促进可再生能源消纳。基于数据实证分析可再生能源发电对实时电价的影响,对理解现货市场运行规律、开展市场成熟度评价等具有重要参考价值。选取德国电力现货市场开展数据实证,收集发电量、负荷量、预测误差、价格等多因素数据,基于时间序列特征表示方法,研究可再生能源发电对实时电价的影响。首先,使用特征表示方法将时间序列时域模型转化为特征向量。然后,采用贪婪向前特征选择算法提取关键特征,最大化因素间差异。接着,分别基于全部特征和关键特征讨论了多因素间的相关性,并构建了影响机理网络图。实证结果表明德国电力现货市场实时电价主要受到风力发电量预测误差影响,因素间相关性主要来自时间序列的傅里叶变换、小波变换、离散符号化等特征。最后,通过中德电力现货市场的定量对比,指出中国广东电力市场实时电价更易受新能源发电量而非预测误差的影响。     

改进的遗传灰色RBF模型的短期电力负荷预测

为了在智能电网环境下提高短期电力负荷预测的精度,提出了一种考虑实时电价影响的遗传算法改进的灰色RBF模型。该方法利用灰色模型可以减弱数据随机性以及RBF神经网络的高度非线性的优点,弱化实时电价对短期电力负荷预测的影响,针对两种方法结合容易陷入局部最优和收敛性问题,采用遗传算法对网络进行了优化,得到最终预测结果。实例验证表明,与灰色RBF预测方法相比,该方法具有更高的负荷预测精度和较强的适应能力。     

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.     

一种基于浮动电价的销售电价定价策略

针对可再生能源发电并网的随机性和波动性问题,结合负荷率的变化情况,提出了一种计及可再生能源发电和需求侧响应的配电网实时销售电价定价策略。首先将电价分为基础电价和浮动电价2个部分,基础电价取为固定值。依据短时负荷预测、风电出力预测、光伏出力预测,采用单向梯度法制定实时可再生能源浮动电价;根据需求侧响应曲线的特征,考虑用户价格弹性系数,建立价格弹性矩阵,调动需求侧响应,制定负荷浮动电价。最后,通过实际算例进行分析验证,结果表明该定价策略能够有效地削峰填谷,并且降低用户购电成本,有利于调动用户参与需求侧响应的积极性。     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。     

基于R/S分析法的电价预测模型

在自由竞争的电力市场中,准确的电价预测对于电力市场所有参与者具有重要意义.针对电价突变性的特征给电价预测结果带来误差的问题,本文提出了一种基于R/S分析法的BP神经网络电价预测模型.运用R/S分析法对电价序列之间的关联性和相似性进行修正,并采用BP神经网络模型对电价进行预测.通过实验,验证了用R/S分析法修正后的数据进...     

基于CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。     

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.     

RBF Neural Network and ANFIS-Based Short-Term Load Forecasting Approach in Real-Time Price Environment

With the appearance of electricity markets, the variation of the price of electricity will influence usage custom of electric energy. This will complicate short-term load forecasting and challenge the existing forecasting methods that are applied to a fixed-price environment. In regard to the influence of real-time electricity prices on short-term load, a model to forecast short-term load is established by combining the radial basis function (RBF) neural network with the adaptive neural fuzzy inference system (ANFIS). The model first makes use of the nonlinear approaching capacity of the RBF network to forecast the load on the prediction day with no account of the factor of electricity price, and then, based on the recent changes of the real-time price, it uses the ANFIS system to adjust the results of load forecasting obtained by RBF network. This system integration will improve forecasting accuracy and overcome the defects of the RBF network. As shown in this paper by the results of an example of factual forecasting, the model presented can work effectively.      

基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法

为准确预测电力市场中的短期电价,将最大信息系数(maximal information coefficient,MIC)相关性分析与改进多层级门控长短期记忆网络(multi-hierachy gated long shortterm memory,MHG-LSTM)相结合,提出一种新型短期电价预测方法。该方法首先对备选序列与预测电价序列做MIC相关性分析,在此基础上筛选备选序列并经小波变换合成神经网络输入序列,有效增加了输入中与预测电价相关的信息密度;其次,对传统LSTM进行创新性改进,提出用两级遗忘门和输入门替换传统的一级门控机构的MHG-LSTM模型,提高了神经网络选择和提取高频电价序列特征的能力。在PJM市场日前电价数据集上对所提方法进行仿真实验,实验结果表明,该方法的预测误差仅为4.506%,相比已有预测方法有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

基于长短时记忆网络-纵横交叉算法的含高比例新能源电力市场日前电价预测

精准的日前电价预测能够协助电力市场参与者做出合理的决策.随着高比例新能源接入电力系统,日前电价的预测难度不断加大.为了提升含高比例新能源电力市场日前电价的预测精度,提出了一种基于奇异谱分析(singular spectrum analysis,SSA)和纵横交叉算法(crisscross optimization,CS...