带置信区间的短期电价预测方法
基于相似日的短期电价区间预测
基于相似日的短期电价区间预测杨颖;杨少华;张燕;雷自强;刘达【期刊名称】《智慧电力》【年(卷),期】2018(046)012【摘要】准确的短期电价预测有助于电力市场各个参与者选择交易策略和估算效益,因此短期电价预测受到人们广泛关注。
为了解决特殊样本带来的预测误差,应用模糊C-均值聚类算法进行相似日聚类,以与预测日相似的数据构建样本集。
再采用高斯过程回归来建立短期电价预测模型,对短期实时电价进行预测,得到具有概率分布及对应置信水平的区间预测结果。
最后,采用美国代顿电力市场的历史数据进行实例计算,证明了该方法可有效提高模型的预测精度,与BP神经网络相比预测效果更佳,可以向电力市场参与者提供更全面的信息。
【总页数】7页(P23-29)【作者】杨颖;杨少华;张燕;雷自强;刘达【作者单位】[1]国网宁夏电力有限公司,宁夏银川750001;[2]国网宁夏电力有限公司经济技术研究院,宁夏银川750002;[3]国网陕西省电力公司西安供电公司,陕西西安710032;[4]华北电力大学智慧能源研究所,北京102206;[4]华北电力大学智慧能源研究所,北京102206【正文语种】中文【中图分类】TM734【相关文献】1.基于相似搜索和RBF神经网络的短期电价预测 [J], 翁陈宇;陈维荣;罗小安2.基于相似搜索和加权回归技术的短期电价预测 [J], 李邦云;袁贵川;丁晓群3.基于日特征量相似日的PSO-SVM短期负荷预测 [J], 陈超;黄国勇;邵宗凯;王晓东;范玉刚4.基于相似日的短期电价区间预测 [J], 杨颖;杨少华;张燕;雷自强;刘达5.基于相似日和动量法优化BP神经网络的光伏短期功率预测研究 [J], 张慧娥;刘大贵;朱婷婷;刘光辉;胡衡;肖长江因版权原因，仅展示原文概要，查看原文内容请购买。
电价的短期和中长期预测3900字
电价的短期和中长期预测3900字随着世界各国电力市场化的改革，电价在整个电力行业中的地位逐渐凸显，越来越受到了电力行业专家学者和电力企业的重视，国内外对电力市场中的电价预测进行了广泛的研究。
所谓电力市场中的电价预测，就是指根据数学方法在电力市场的模式下，在满足相关数据精度要求的前提下，基于历史数据对电价进行合理的预测。
这种预测对指导电力市场电价核定具有重要的作用，能够对电力市场中的电价提出合理的建议，本文对电力市场中电价预测方法进行了综述。
1 电价预测的特点和分类电价预测具有和负荷预测相似的特点，其预测结果也是具有一定周期性的。
同时，电价预测具有自己的特点，即其具有波动趋势长的特点，其在一个周期内是持续着波动和变化的状态。
在通常情况下，用电市场中的电价与整个电力市场的制度是有很大关系的，同时还受到整个社会经济的影响。
因此，这就增加了对电价预测的难度，导致在电价预测中难以应用传统的负荷预测方法，如一元线性回归方法或倍比法等，这些都难以对电价进行准确的预测。
根据上述的进行电价预测的特点，我们在进行电价预测时可以进行分类预测，即将电价分为市场统一的电价预测和基于边际的电价预测。
通常我们所提到的都是指市场统一的电价预测，即在通常情况下认为区域的统一电价与边际电价都是统一的。
根据对电价所预测内容的不同，电价预测可以分为空间电价预测和确定性的电价预测，其中空间电价预测是基于数理统计和概率有关知识，确定空间电价的合理波动范围，并在一个确定的时间内给出电价的平均值，因此，空间电价预测主要是基于长期的电价预测；而确定性的电价预测主要在一个非常短内的时间进行电价预测，其电价预测结果表示为一个较为确定的值。
根据电价预测的原理不同，电价预测可划分为长期的电价预测方式和短期的电价预测方式。
具体的根据电价所表现的波动性质，可将电价合理的划分为若干小时的电价预测，一日内的电价预测和一个季度的电价预测。
电价预测是电力行业发展和研究的新方向，对其研究有助于电力市场化的实施和发展，但当前对电价的预测还不够充分，尚未有一种方法能够对电力市场进行有效的预测，因此有必要对电力市场中的电价预测方法进行深入的研究，有效提高电价预测的精度和速度。
电力市场的短期电价预测.doc
电力市场的短期电价预测1基于电力市场BP神经网络中不同用户电量差异进行短期电价预测分析人工神经网络产生于上个世纪中期，其主要是通过非常广泛的链接将无数的处理单元组成自适用性非常强的复杂网络，由此可见它并不是线性系统，所以对于复杂变化有处理的可能，现阶段短期电价预测所使用的BP神经网络是人工神经网络中前向型种类的分支，其具有三层以上的单向传播神经网络，在层与层之间实现全连接，但层次内部并无连接，这样就可以对电价原始数据中必然存在的非线性数据进行处理，而且舍去建立数学模型的复杂程序，网络可以直接通过学习训练为所提供的数据选择映射关系，由于不同用电户的生产生活用电需求不同，而且之间并不存在必然的联系，所以在假设电价不变的情况下，其用电量就会随着生产的状态进行调整，例如农民群体的用电高峰期在6~8月，主要是用于农作物的灌溉，从事生产经营的用户，其用电量主要在白天，而居民用户生活用电由于其不可变动性，基本集中于晚上，而且变化的幅度并不明显，除此之外受到节日、气温等影响，用电量也会发生变化，例如在春节，用电量将会大幅度上涨，冬天12月~1月受到气温的影响，用电量也会达到高峰，而夏季7~8月，用电量同样大幅度增加，以安徽省安庆市为例，其主要经济支柱为水泥制造业，化工行业也占据财政收入的主要部分，如果有其4月份不同用户的用电量情况，就可以对其5、6月用电量进行判断，从而确定电价，结果如表1所示，由此可见通过BP神经网络的方法可以对电价进行预测，而且可以将误差控制在10%左右。
2基于电力市场时间序列分解和供求关系的短期电价预测分析通过大量电价历史数据分析对比发现在工作日用户电量明显大于休息日，电价的变化幅度也会受到其影响，所以将电价的时间系列依照此规律划分成工作日电价和休息日电价，然后从趋势分量、周期分量、随机分量三个部分分别展开分析，趋势分量的分析方法主要是通过移动而去除时间系列自身的不规则变动，即移动平均法，利用移动平均法可以得到原始数据平滑移动的模型，而不同的多项平均数又可以得到一个新的数列，新数列的波动性明显低于原数列，这样其特征就更加明显；周期分量的分析主要依靠可以将序列形式转换为由振幅、相位、频率均不同的正弦信号重合的新序列的傅里叶分析法，这样就可以从大量数据中得到隐藏的周期分量；在趋势分量和周期分量的基础上就可以得出数据的随机分量，三种分量得出后就可以对电价进行预测，由于不同季节、不同日期、甚至不同时段户电量都会发生变化，所以电价受到供求关系的变化，而会产生波动，所以时间序列分解也是在融入供求关系即户电量和最大负荷变化的影响的基础上进行的，所以在此方法中必须对户电量和最大负荷进行预测[3]。
电力市场电价预测方法综述
电力市场电价预测方法综述电力市场的运营情况，主要是通过电价来体现的。
只有对电价预测准确了，才能做出相应的电力决策，提升市场竞争力。
因此，需要根据电力市场电价预测问题的特点，使用不同的办法，并在实践中改进，提高其精准度。
标签：电力市场;电价预测;方法近年来，全球的电力市场都在飞速发展，所以对于电价预测的要求也随之提高。
精准的电价预测，可以为电力核定提供重要数据，从而跟上时代发展的步伐。
这也就确定了电价的核心地位，本文将找出预测办法的优缺点，提出一些完善的建议，提供参考。
一、电价预测的概念与特点（一）电价预测的概念电价预测，是在电力市场下，根据成本、经济形势等情况，运用数学的方法，对相关历史数据进行分析与计算。
发现其中变化规律，在一定精准性与速度下，对市场中的电力价格做出合理预测。
（二）电价预测的特点电价预测，虽然比较特殊，是一个比较波动的值，但是仍具有与负荷预测同样的周期性。
正常情况下，燃料成本、设备容量、电阻与不同需求等会对电价波动造成制约，使之不同于负荷。
而且，电价预测还会受到发电商实操情况、市场结构与经济发展的影响，所以准确度有待提升。
介于电价预测比负荷的预测难度大，已经不能使用相同的办法去处理了。
可以结合实际情况，使用短期与中长期电价预测办法，将精准度不断提升。
电价预测是电力行业发展和研究的新方向，对其研究有助于电力市场化的实施和发展，但当前对电价的预测还不够充分。
在实际预测中发现，没有一种普遍使用的办法，而是需要结合多种形势的组合预测，才能满足速度与精确度。
二、短期电价预测方法解析短期电价，通常采用的是时间序列法，还有神经网络法、组合方法和小波理论等预测方法。
其主要是对一定时间内的电价预测，例如，未来几个小时或者几天等。
只有准确预测出短期电价，用此数据进行实时监测，使电力市场稳定运行。
同时，也有能做出成本最低，利润较高的电力策略，跟上经济发展形势，提升市场竞争力。
（一）神经网络法神经网络法，能满足电价非精准性的预测，最适合处理多变量的问题。
浅谈分时段短期电价预测方法
浅谈分时段短期电价预测方法作者：席丹来源：《科技创新导报》 2015年第6期席丹(国网辽宁省电力有限公司抚顺供电公司辽宁抚顺 113008)摘要：电力市场中，供求关系是通过电价反映出来的，是电能交易与市场监管的重要依据。
这样在电力市场中，电价成为了其中最主要的信息。
因此，如何将电价预测的工作效率提升上来，是当前非常重要的工作，需要有关部门及工作人员重视起来。
关键词：分时段短期电价预测方法中图分类号：TM74文献标识码：A 文章编号：1674-098X(2015)02(c)-0241-01随着社会经济发展与进步，为我国电力行业的发展带来了巨大的推动作用，为了促进我国电力行业更加合理的发展，文章通过下文对分时段短期电价预测方法上进行了阐述，为有关部门及工作人员提供一定的借鉴作用。
1 电价的特征及对电价带来影响的因素市场化的电力运营，令电力同一般的商品相同，交易可以自由进行，会随机的波动电力价格，在各种机制的电力市场中，电力价格都展现出了同一般商品价格不一样的特征。
第一，有着明显的均值回复性特征存在于电力价格中，电力的供求关系就会决定其走向；第二，因为不能有效的存储电力商品，而供求实时平衡的要求却存在于电力消费中，这样就会有强烈的波动性会存在于电力价格中；第三，因为系统的故障、有限的输电容量、市场力的作用和较低的价格弹性，这样就会导致尖峰和跳跃的情况出现在电力价格中。
同时，气候和季节也会影响到电价，有着很强的周期性存在于其中，涵盖着年、季度、和每天的周期性。
针对有着多样性特点的这样一个顺序电价，不管是神经网络法，还是时间序列法，在预测的过程中都很难准确的进行，这也是当前电价有着较低准确度的原因所在。
因为有很大的差异存在于各个时段的电力需求中，这样一来，有着很大的差异就会存在于不同时段电价变化中。
就15点来讲，这个时段有较高的负荷，因此，就会有较高的电价，有较多的价格尖峰和跳跃，并且，电价波动的非常剧烈；相对24点，电价则相对平稳的进行变化。
电力市场中电价预测技术的使用教程与准确度评估
电力市场中电价预测技术的使用教程与准确度评估引言：电力行业是现代社会的重要组成部分，对于电力市场中的参与者来说，准确预测电力价格对于决策和规划至关重要。
本文将介绍电力市场中电价预测技术的使用教程，包括常用的预测方法和模型，并对这些方法的准确度进行评估。
一、电价预测方法及模型介绍1. 时间序列分析法时间序列分析法是电价预测中常用的方法。
它基于过去的历史数据，通过分析数据的趋势、季节性和周期性变动等特征，来预测未来的电价。
常用的时间序列模型包括ARIMA模型、指数平滑法等。
2. 基于统计学模型的方法基于统计学模型的方法利用大量历史数据进行建模和预测，通过对数据进行回归分析、因子分析和概率模型等，来预测电价的变动趋势。
常用的统计学模型包括线性回归模型、多元回归模型、灰色预测模型等。
3. 人工智能方法近年来，随着人工智能技术的发展，越来越多的电力市场开始采用基于机器学习和深度学习的方法进行电价预测。
这些方法通过训练神经网络模型，利用大量历史数据进行学习和模型参数的优化，来提高预测的准确度。
二、电价预测技术的使用教程1. 数据收集和整理首先，需要收集电力市场的历史数据，包括电力需求、电力供给、天气等相关数据。
这些数据可以通过电力市场监测系统、公开的统计数据以及气象数据等渠道获取。
然后，将收集到的数据进行整理，确保数据的完整性和准确性。
2. 特征工程在进行电价预测之前，需要对数据进行一些处理和特征提取。
常见的处理方法包括数据的平滑、去除异常值和缺失值的填补等。
然后，从整理好的数据中提取出与电价变动相关的特征，例如日期、时间、季节、节假日等。
这些特征可以帮助模型更好地学习电价的规律。
3. 选择合适的预测模型根据任务的需求和数据的特点，选择适合的电价预测模型。
如果数据具有明显的时间序列特征，可以考虑使用时间序列模型；如果数据的变动受多个因素影响，可以尝试使用统计学模型；如果数据较为复杂且无明显规律，可以考虑使用人工智能方法。
电力系统短期需求预测理论与方法
电力系统短期需求预测理论与方法一、短期需求预测理论1.大数据挖掘理论大数据挖掘理论主要利用大数据技术对历史用电数据进行挖掘和分析，以寻找用电需求变化的规律和模式。
通过对消费者用电行为的挖掘，可以建立预测模型，预测未来电力需求。
2.时间序列分析理论时间序列分析是一种基于时间顺序的统计学方法，可以对历史用电数据进行建模和预测。
常用的时间序列分析方法包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）和季节性自回归移动平均模型（SARIMA）等。
3.灰色系统理论灰色系统理论是一种非常适合于小样本数据预测的方法。
通过建立灰色模型，可以对电力系统的短期需求进行预测。
灰色模型有灰色驱动模型（GM)、灰色关联度模型（GRM）等。
二、短期需求预测方法1.基于统计方法基于统计方法是通过对历史用电数据进行分析和建模，来预测未来短期需求。
常用的方法有：(1)季节性回归模型：该方法将时序分解为趋势、季节性和残差三个部分，通过对趋势和季节性的拟合来预测未来需求。
(2)指数平滑法：通过加权平均的方法，对历史数据进行平滑处理，来预测未来需求。
常用的指数平滑法包括简单指数平滑法、二次指数平滑法和Holt-Winters指数平滑法等。
2.基于机器学习方法机器学习方法是通过对历史用电数据进行学习和训练，建立预测模型，并利用该模型来预测未来需求。
常用的方法有：(1)支持向量回归（SVR）：该方法是一种非线性回归模型，通过在高维特征空间中建立支持向量回归模型，来预测未来需求。
(2)人工神经网络（ANN）：该方法模拟了人类神经系统的工作过程，通过对历史数据的学习和调整，建立预测模型，来预测未来需求。
3.基于深度学习方法深度学习方法是一种基于人工神经网络的学习算法，具有强大的拟合能力和表达能力，可以对复杂非线性关系进行建模。
常用的方法有：(1)循环神经网络（RNN）：该方法通过记忆之前的输入，对未来需求进行预测，适用于带有时序关系的数据。
电力系统中的电价预测算法研究
电力系统中的电价预测算法研究随着电力市场的逐步改革和发展，电价预测成为电力系统运营和市场参与者所关注的重要问题之一。
准确的电价预测对于电力市场参与者的决策制定和电力系统的稳定运行具有重要意义。
本文将探讨电力系统中的电价预测算法研究，并介绍几种常用的算法及其应用。
一、电力系统中的电价预测算法1. 时间序列法时间序列法是最常见和广泛应用的电价预测算法之一。
它基于历史数据的模式和趋势，通过对电价时间序列进行分析和建模来进行预测。
常用的时间序列模型包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）和季节性自回归积分移动平均模型（SARIMA）。
这些模型能够捕捉电价的长期趋势和季节性变动，从而提供准确的预测结果。
2. 基于统计学的方法基于统计学的方法是通过对历史数据进行统计分析和建模来进行电价预测。
其中，常用的方法包括回归分析、时间序列分析和协整模型等。
这些方法能够分析电价与各种影响因素之间的关系，从而提供准确的预测结果。
例如，回归分析可以通过建立电价与供需关系之间的数学模型来准确预测电价。
3. 人工神经网络（ANN）人工神经网络是一种模拟人类神经系统工作方式的计算模型，具有非线性、自适应和强大的拟合能力。
在电价预测中，人工神经网络能够通过对大量历史数据的学习和训练，自动寻找电价的模式和趋势，并进行准确的预测。
人工神经网络在电力系统中的电价预测中得到广泛应用，并取得了良好的效果。
二、电力系统中的电价预测算法应用1. 电力市场参与者的决策支持电力市场参与者包括发电厂、电力交易商和用户等，他们需要根据电价预测结果做出相应的决策。
电力系统中的电价预测算法可以提供准确的电价预测结果，为市场参与者的决策制定提供科学依据。
例如，发电厂可以根据电价预测结果调整发电计划，电力交易商可以根据电价预测结果进行电力交易策略的制定。
2. 能源调度和市场运营电力系统的能源调度和市场运营需要准确的电价预测结果来进行计划和决策。
电力系统中短时电价预测方法研究
电力系统中短时电价预测方法研究随着社会的发展，电力已成为现代社会生活的基础设施之一。
电力市场在供需关系中起到至关重要的作用，而电价预测就成为了电力市场运行中的一项重要任务。
本文将研究电力系统中短时电价预测的方法，并探讨其应用和发展前景。
一、研究背景和意义电力市场是一个特殊的市场，供需关系随时变化，其中电力价格又是一个十分关键的因素。
电力市场参与者需要根据电价预测信息做出相应的决策，比如合理购买电力、优化电力负荷等。
因此，准确预测短时电价对于电力市场的高效运行和合理决策至关重要。
二、短时电价预测方法1. 基于统计模型的预测方法基于统计模型的短时电价预测方法是目前应用最广泛的方法之一。
该方法根据历史数据和统计学原理，建立数学模型来预测未来的电价。
其中，常用的统计模型包括回归分析、时间序列分析等。
回归分析是一种用于研究因果关系的统计方法，可以将电价与其他影响因素进行建模。
例如，通过考虑天气、季节、节假日等因素，可以建立一个多元回归模型来预测电价的变化。
时间序列分析则是一种分析时间序列数据的方法，通过对电价历史数据的统计特性进行分析，来预测未来的电价。
2. 基于机器学习的预测方法机器学习是一种通过计算机系统自动学习和优化的方法，近年来在电力市场中得到了广泛应用。
基于机器学习的短时电价预测方法利用历史数据训练模型，并通过学习和优化提高预测准确性。
常见的机器学习方法包括支持向量机、神经网络、决策树等。
这些方法通过分析大量的历史数据，学习出电价预测的模式和规律。
其中，神经网络模型由于其强大的拟合能力和适应性，在电力市场中得到了广泛应用。
3. 基于深度学习的预测方法随着人工智能领域的快速发展，深度学习在电力系统中的应用也越来越受到重视。
深度学习是一种模拟人脑神经网络的算法，通过多层次的神经网络结构来学习和预测数据。
基于深度学习的短时电价预测方法可以利用电力系统中丰富的历史数据，建立起复杂且有效的模型。
例如，通过利用深度神经网络来预测电力负荷和天气状况，从而更准确地预测短时电价的变化趋势。
电力系统中的电价预测与电力市场分析
电力系统中的电价预测与电力市场分析电力是现代社会不可或缺的基础能源之一，电力系统的稳定和可靠运行是保障社会经济发展的关键因素。
而在电力市场中，准确预测电价变化和对市场的分析对于电力企业、用户和政府都具有重要意义。
本文将讨论电力系统中的电价预测和电力市场分析的方法和应用。
一、电价预测电价预测是指通过建立数学模型和算法，根据历史数据和相关因素，预测未来一段时间内的电能价格。
准确的电价预测对于电力系统的调度和运营具有重要意义。
以下介绍几种常用的电价预测方法：1. 基于统计模型的电价预测：这种方法通过分析历史数据，利用统计学原理建立数学模型，预测未来电价的变化趋势。
常用的统计模型包括ARIMA模型、ARCH模型和GARCH模型等。
这些模型可以考虑历史数据的相关性和季节性，对于长期和短期的电价变化趋势都能进行较好的预测。
2. 基于机器学习的电价预测：机器学习是一种通过训练模型来预测未来数据的方法。
在电力系统中，可以利用机器学习算法如神经网络、支持向量机和随机森林等，根据历史的电力市场数据和影响电价的因素，预测未来电价的变化。
这种方法可以利用大量的历史数据和复杂的非线性关系，提高预测的准确性。
3. 基于市场模型的电价预测：市场模型是指建立电力市场的供需关系模型，根据供需关系和市场机制，预测未来电价的变化。
常见的市场模型包括供需平衡模型、价格弹性模型和市场竞争模型等。
这些模型可以考虑电力市场的结构和运行机制，对电价的变动进行科学合理的预测。
二、电力市场分析电力市场分析是指对电力市场进行全面和深入的研究，以了解市场的运行状态、价格趋势和潜在风险。
电力市场分析可以为电力企业、用户和政府制定决策和制度提供重要参考。
1. 市场结构分析：电力市场的结构包括市场参与者、市场机制和市场规则等。
通过对市场结构的分析，可以了解市场的运行机制、市场主体的行为特征和市场规则的制定。
这有助于进一步研究市场的有效性和公平性，优化市场结构和机制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第34卷 第8期2006年8月华东电力East Chi na E lectr ic Pow erV o.l34 N o.8A ug. 2006带置信区间的短期电价预测方法李 磊,甘德强(浙江大学电气工程学院,浙江杭州 310027)摘 要:电力市场中的电价呈现出均值回复、异方差、多周期、跳跃和尖峰等特性,预测精度往往不理想。
同时,单点预测值难以有效指导市场参与者选择交易策略,也无法为电力监管机构提供监管和调控的依据。
提出了一种带置信区间的小波 季节短期电价预测方法,以小波多分辨率分析和季节模型为工具,得到带置信区间的电价预测结果。
算例分别采用加州市场平稳时期和危机时期历史数据,预测下一日电价,说明模型是有效的。
关键词:电力市场;短期电价预测;置信区间;多分辨率分析;季节模型基金项目:浙江省电力公司电力市场辅助决策系统!项目资助(H20060762)作者简介:李 磊(1982 ),女,硕士研究生,研究方向为电力市场。
中图分类号:TM74 文献标识码:A 文章编号:1001 9529(2006)08 0017 05Short ter m electricit y pr ice forecasti n g m et hod w it h confi d ence intervalLI L ei,GAN D e q iang(Schoo l o f E lectr i ca l Eng i neer i ng,Zhe jiang U niv.,H ang z hou310027,Ch i na)Abstrac t:S i nce the electr icity prices i n t he pow er m arket are us ua lly character ized by m ean reversi on,hetero scedas ti c ity,mu lticyc le,j u m p,and peak,t he forecasti ng accuracy is not sa tisfactory.In the m ean wh ile,the si ng le po i nt pred icti on can no t effecti ve l y gu i de t he m arke t participants to se l ect t he appropriate transaction strategy o r prov i de the po w er regu l a tory o rganiza ti ons w ith the basis f o r superv isi ng and regu l a ti ng.A short ter m e lectr i c ity price f o recasti ng m ethod w ith a confi dence i nte rva l is proposed,wh i ch uses the w ave let mu lti reso l u ti on analysis and season m ode ls t o obta i n t he f o recast result w ith a con fidence i nterva.l T he h i stor i ca l da ta o f bo th the stable and cr i sis pe ri ods of Ca lif o r n i a m arket are used i n t he case study,and t he model is proved to be effec ti ve i n f o recasti ng the nex t day pr i ces.K ey word s:power marke;t short ter m e l ectricit y pri ce forecas;t confi dence i nterva;l multi resol uti on ana l ysi s;season model[2]C I GRE Tas k Force38.02.11.C I GRE Technical Brochu re:Ind i ces Pred i cti ng Vo l tage C oll apse Incl ud i ng Dyna m ic Phenom enon[C].E l ectra,1995(159):135 147.[3]包黎昕,张步涵,段献忠,何仰赞.电压稳定裕度指标分析方法综述[J].电力系统自动化,1999,23(8):52 56. [4]刘益青,陈超英,梁 磊,刘 利.电力系统电压稳定性的动态分析方法综述[J].电力系统及其自动化学报.2003,15(1):105 108.[5]苏建设.含F ACTS装置的电力系统动态建模及协调控制研究[M].上海:上海交通大学博士学位论文.2003. [6]Y.L.Tan.Analys is of li ne co m pen s ati on by Shun t connectedFACTS C ontro ll ers:A Co m pari son bet w een SVC and STATCOM[J].IEEE Pow er Eng i neeri ng Revi ew,Augus t1999,pp57 58.[7]Y.L.T an,Y.W ang E ffects of FACTS C on troller L i ne Co mp ensati on on Po w er Syste m Stab ili ty[J].I EEE Po w er E ngin eeri ng Revi e w,Augu st1998,pp45 47.收稿日期:2006 07 08随着电力行业的市场化改革在世界范围内展开,电价成为反映电力市场运营状况、评价市场竞争效率的核心指标。
由于影响电价的因素众多,除负荷外,还受水电机组出力、网络约束、市场规则和发电厂商报价策略等影响,使之呈现出均值回复、异方差、多周期、跳跃和尖峰等特性,预测精度难以令人满意。
目前常用的预测方法主要有神经网络法和时间序列法。
理论上,神经网络能够以任意精度逼近连续函数,并且可以有效处理多变量、非线性问题,因此能将其应用于电价预测。
文献[1 3]分别采用递归神经网络(RNN)、级联神经网络(CNN)和BP网络对短期电价进行预18(总676)华东电力2006,34(8)测,但由于输入因素的选择会直接影响到预测结果,同时存在学习速度较慢、参数调整不够灵活等问题,导致神经网络理论上的完美并未完全得到体现。
时间序列法的基本原理相对简单,但从实际应用情况来看,预测精度并没有因此降低。
通过对历史电价序列进行分析建模,文献[4]对动态回归和传递函数法进行了比较,文献[5]用累积式自回归滑动平均(AR I M A )模型预测日前电价。
文献[6 8]将小波分解作为预处理工具引入短期电价预测后,精度有了显著提高。
现有文献提出的电价预测模型大多仅提供单点预测值(以下称为 点预测!),当市场有明显波动时,预测精度较低。
尤其在国内电力市场处于起步阶段的情况下,由于规则和结构不断调整导致电价异常时常发生,此时给出预测值的置信区间就比预测值本身更有实用价值[9]。
另外,点预测不利于发电厂商和电力公司制定相应的竞价参数和竞价策略,从而进行效益估算和风险管理;对电力监管机构采取相关监管措施也没有指导作用。
因而,带置信区间的电价预测结果对各市场主体均有积极意义。
小波分析是近年来兴起的信号时间 尺度分析方法,其多分辨率分析可以把电价序列中以星期、天等为周期的分量、一定量的非周期分量和随机分量分离出来。
季节模型能对小波分解后不同 频域分量!子序列进行准确的建模预测,同时得到置信区间。
与神经网络方法相比,该模型简单易懂,物理意义明确。
更重要的是,对用于训练和检验模型的新近数据量要求较低,这对电价数据有限的电力市场是非常有利的。
本文采用小波多分辨率分析将电价序列分解为一系列性能单一的子序列,剔除第一层细节分量后,用季节模型分别建模预测,最后重构得到预测电价及置信区间。
算例表明,带置信区间的小波 季节预测模型,在电价平稳时期可以给出精确的预测,并使置信区间完全包含真实值;在市场不稳定的情况下,能提供可信的电价波动范围,从而给发电厂商、电力公司和电力监管机构提供实用的参考信息。
1 带置信区间的小波 季节预测方法1.1 小波多分辨率分析[10,11]多分辨率分析是一种用小波函数和尺度函数对信号的低频概貌部分进行进一步分解,而不考虑高频细节部分的分解方法。
以3层分解为例,电价的多分辨率分析过程如图1所示[10]。
图1 电价的多分辨率分析用公式表示为:x (t)=A N +∀Nj =1D j #A 1(1)A N =∀∃k =-∃C N,k N,k (t),D j =∀∃k =-∃d j ,k j ,k (t);C N,k =<x (t), N,k (t)>为尺度展开系数;d j ,k =<x (t), j ,k (t)>为小波展开系数。
N,k (t)和 j,k (t)是离散二进尺度函数和小波函数。
电价具有特殊的周期性,以天、星期等为周期波动,同时存在一定量的非周期分量和随机分量。
小波多分辨率分析可以将部分周期性的电价分量、非周期分量以及低频随机电价分量投影到A N 中,其他周期分量和随机分量则分别投影到不同的尺度上。
相对于A 1而言,A N 中含有高于尺度N 的频率成分,但不含有介于尺度1和N 之间的频率成分,而D j 是x (t)中仅含尺度j 的频率成分。
由于不同尺度下小波分量正交而无冗余,这就提供了带通滤波的良好工具,且可避免由各分量的关联性而引起的分析困难。
研究表明:以Daubech ies5正交小波将历史电价分解至3层时[12],子序列的分离特征最显著而有利于建模,同时累积误差相对较小。
图2是加州17天历史电价(a)经小波多分辨率分析后不同尺度上的结果。
结合相关分析可得,概貌A 3(b )主要表现为日周期分量,细节D 2(c)、D 3(d)体现其它周期分量和非周期分量,由不可测因素致使电价突变的随机分量则集中在细节D 1(e),其对于揭示电价的一般规律造成了障碍,并且无论采用时间序列模型还是神经网络方法都不能得到好的预测效果。
为防止在分别预测子序列的方法中,此高频噪声对预测结果的影响被放大从而造成精度下降,故在子序列重构时将其剔除[6]。