内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

基于小波神经网络的电价滚动预测模型

探讨了基于小波分析和神经网络的3种短期电价预测模型,比较了提前1步的滚动预测与提前N步的预测方法.采用预测误差概率分布作为预测误差的评价指标,并以美国加州电力市场的实际运行数据为基础,连续预测该市场1个月的电价.结果表明:提出的具有滚动预测概念的模型III具有良好的预测精度,其误差分布还显示出该模型具有较高的预测置信度.     

基于CEEMD-SSA-ELM的短期电价集成预测模型

准确预测电价有助于电力市场参与者进行风险规避并达到经济收益最大化。针对短期电价序列具有非平稳性与非线性的特点,提出了一种新型混合预测模型CEEMD-SSA-ELM。采用互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法对电价序列进行有效分解;针对分解后的最高频分量具有较大随机性的特征,采用奇异谱分析(singular spectrum analysis,SSA)对其进行降噪并提取趋势项;最后,对最高频分量的趋势项及其余分量分别使用极限学习机(extreme learning machine,ELM)模型进行独立预测,并将其预测结果进行重构集成以得到最终预测结果。对2种实际电价数据的预测分析结果表明:CEEMD-SSA-ELM模型和CEEMD-ELM、ELM模型相比,具有更高的预测精度。     

基于LSTM与XGBoost组合模型电价预测

为准确预测电力市场中的短期电价,提出了基于LSTM和XGBoost的组合预测模型。为了验证LSTM-XGBoost模型的有效性,该文先选用法国电力市场2019年1月1日至2020年12月31日的电价数据为训练集训练模型,对2021年1月1日不同模型预测的结果与实际电价值进行对比,得到LSTM-XGBoost以RMSE为0.74的误差率低于BP、LSTM、XGBoost的3.80、1.25、0.88,然后将算法应用到美国PJM电力市场,结果表明本文提出的LSTM-XGBoost组合预测模型MAPE平均值为1.83%,明显低于单一预测模型,也显著低于GRU-XGBoost组合模型,表明并非所有模型单一组合都能有效提高预测精度,该文提出的LSTM-XGBoost组合模型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GARCH误差修正的时间序列季节预测模型及应用

针对神经网络、支持向量机等方法对数据样本容量要求较高的问题,以及一般时间序列预测模型对最大负荷等随机因素拟合不足的问题,应用时间序列的季节乘法模型对地区月度最大负荷做预测,并用GARCH模型对预测误差进行修正.用某电网的真实数据作案例,结果表明,误差率仅为2%,预测精度良好.相比修正前的模型,误差率下降0.5%,证明误差修正模型有效.     

基于峰谷电价与阶梯电价的分时阶梯电价研究

结合峰谷电价与阶梯电价思想,提出分时阶梯电价策略。将不同时段不同价格梯段所对应的电量视为不同的商品,提出分时阶梯电价的理论假设,在这些假设的基础上建立居民分时阶梯电价模型。通过实例分析验证了模型的有效性,其研究结果表明所提出的分时阶梯电价模型能够通过价格杠杆实现电能的削峰填谷目的。     

基于免疫算法的边际电价预测

在分析了影响系统边际价格（SMP）的因素的基础上,提出了基于免疫算法的SMP预测方法,并且对相似负荷日和邻近负荷日的数据都作了考虑。采用美国纽约州电力市场的历史数据进行实例计算,证明该方法对SMP的预测效果较好。     

基于Markov链的最优化预测模型及其应用研究

马尔可夫预测方法在预测领域有着广泛的应用.该方法应用的一个重要的问题就是如何估计一步状态转移概率矩阵.在历史资料没有给出系统处于n个状态次数的情况下,给出一步状态转移概率矩阵估计的最优化方法.最后探讨了基于M arkov链的最优化预测模型在长江水质预测中的应用,从而表明该模型的有效性.     

基于均值滤波的灰色预测模型及其应用

在变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,由于影响变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使得变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于均值滤波的GM预测模型,即先用均值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于均值滤波的GM预测模型可以有效地提高变形预测的精度和可靠性。     

一类新的预测模型及其应用

对时间序列的一类预测模型进行了研究,把灰色模型与BP神经网络模型组合建模,通过实例分析取得好的效果。     

EMD和GARCH模型应用于股票价格预测

将EMD（经验模式分解）方法应用到股票价格趋势的预测中,找出影响股票市场波动的关键因素,旨在提高预测的精确性。通过EMD方法将上证指数日收盘价数据分解为不同频率的数据段,重组为高频序列、低频序列和趋势序列,运用高阶自回归和GARCH模型对分解出来的各序列进行拟合和预测,避免各个分段预测过程中的误差累积,最后对预测数据重组,得到样本外数据的预测序列。结果表明,该模型具有较好的预测效果,能给投资者提供更为合理的股票投资意见,同时为趋势预测研究提供借鉴。     

基于神经网络的上海车牌价格预测模型

介绍了神经网络预测模型,探讨了如何建立基于神经网络的上海车牌价格预测模型,并对测试结果进行了分析。     

改进的时间相关序列股票价格混合预测模型研究

金融股票市场是一个极其复杂的演化系统,因此对股价波动进行准确预测是投资者理性规避投资风险的重要渠道。本文首先通过构建科学性较强的自回归移动平均与支持向量机（ARIMASVM）模型分析一维金融时序数据的线性成分,对我国股价波动进行样本内预测并与真实数据作比较,再利用改进的支持向量机（TGDSVM）模型基于金融面板时序数据处理线性预测后剩余的非线性成分信息。采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对比例误差（MAPE）、回归指数（WIA）、百分标准误差（SEP）与Nash系数六个预测精度指标检验五只股票日收盘价的预测精度。仿真结果表明：改进的时间相关序列（ARIMA-TGD-SVM）股票价格混合预测模型可以很好的弥补传统支持向量机（SVM）模型对解决多分类问题存在困难和对大规模训练样本难以实施的不足,并有效解决其利用欧式距离表征时序数据内部真实相互关系不足的缺陷,能够为股市预测提供理论依据和实际应用奠定基础。     

基于组合灰色神经网络模型的电力远期价格预测

针对电力远期价格受多种因素影响，变化趋势复杂，难以通过建立准确的数学模型进行预测，提出了采用灰色动态模型对电力远期价格进行预测，并在此基础上构造了组合灰色神经网络预测模型。该模型有效地将灰色理论弱化数据序列波动性的优点和神经网络特有的非线性适应性信息处理能力相融合。研究结果表明，本模型能在小样本、贫信息的条件下对电力远期价格做出比较准确的预测，为电力市场的参与者能更好地利用电力远期合约进行套期保值提供了有效的工具。     

基于Odds-Matrix算法的中长期电量组合预测方法及其应用

中长期电量的组合预测存在权重选择困难,适应性、抗干扰性较差的问题.文中结合目前广泛应用的组合预测技术,设计了以Odds-Matrix算法为核心的Odds-Matrix组合预测方法.该组合预测方法利用Odds-Matrix算法对单一预测模型的有效性进行定量分析,用权重概率分布函数来描述各个方法的优劣,然后根据权重进行单一预测模型的筛选和组合.利用实际数据对所设计的Odds-Matrix组合预测方法进行测试,结果表明,文中预测方法的精确度较其他常用组合预测法较高,说明该方法具有较强的适应性与抗干扰性.     

基于动态神经网络的系统边际电价预测

在分析系统边际电价(SMP)特点的基础上,确定了预测系统边际价格的主要依据为电力负荷、历史上对应时刻的SMP以及当天的SMP趋势.将电价看作是电力市场动态运行的结果,采用动态神经网络预测电价.由于动态神经网络结构及权值确定困难,采用二进制与实数编码相结合的联合编码,用遗传算法优化得到神经网络结构及对应权值.利用某电力市场的历史数据对该模型进行验证,结果表明该方法所建立的预测模型具有较高的预测精度.     

基于人工神经网络的工程估价预测模型

人工神经网络是在模仿人脑处理问题的过程中发展起来的新型智能信息处理理论,通过对人工神经网络及BP网络的基本原理与特征的分析,建立了工程估价预测模型.     

高比例风电下电力市场短期电价预测

为应对近年来国内风电渗透率不断增加、大量清洁能源并入电网给日前电价预测带来的挑战,提高高比例风电接入情况下电力市场短期电价预测精度,本文将高比例风电情况下的风电出力与负荷数据进行融合得到了一项改进的输入特征变量,代表风电与负荷共同对电价的影响程度。采用最大信息系数法分析各特征变量与电价之间的相关性,并结合长短期记忆神经网络（Long-short Term Memory, LSTM）与注意力机制(Attention)的特点构建了LSTM-Attetion预测模型,然后对不同输入条件下的预测结果进行对比分析,数据结果显示,引入该输入特征变量后模型的预测精度都有明显提升。经过进一步算例实验后表明,本文所提出的特征变量相比风荷比而言更能能够有效提高高比例风电情况下电价预测精度,适用于许多经典算法。