基于最大Lyapunov指数的市场出清电价预测

应用相空间重构和最大Lyapunov指数的计算方法对市场出清电价序列特性进行判定.依据最大Lyapunov指数预报模式,构建基于一种新的出清电价预测模型.对某电力市场1999-01-01-1999-08-31的电价进行混沌时间序列判定,采用最大Lyapunov指数预报模型和AR(2)模型进行预测.研究结果表明:采用最大Lyapunov指数预报模型预测所得市场出清电价预测值与实际值的平均绝对误差率为7.234 7％,最大绝对误差率为17.017 5％;采用AR(2)模型预测预测所得市场出清电价预测值与实际值的平均绝对误差率为5.540 8％,最大绝对误差率为11.830 0％;总体上,最大Lyapunov指数预报模型预测结果的精度略比AR(2)模型预测结果的精度低,但绝对误差率大于6％的时点数少于AR(2)的预测数,这表明应用最大Lyapunov指数对出清电价进行预测具有可行性.     

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。     

基于小波-支持向量机的出清电价预测仿真

为了提高电力市场出清电价的预测精度,在分析其形成机理的基础上,根据加州电力市场实际运行的历史出清电价数据对其变化特点进行研究,得出不同时段的出清电价时间序列特性不同,具有不同的变化趋势.提出分时段预测出清电价的思路.采用小波分析和支持向量机工具对出清电价分时段进行预测,利用Matlab进行仿真,结果表明,该模型对系统出清电价的预测精度较高,证明此方法对加州电力市场的电价预测有很好的能力.     

基于经验模式分解与LSTM神经网络的短期电价预测模型

在开放的电力市场中,日前电价预测是个重要的研究方向。本文提出了一种基于经验模式分解(EMD)与长短期记忆神经网络(LSTM)的序列电价预测模型,使用EMD提取电价序列中的周期分量与趋势分量,利用LSTM分别对周期分量与趋势分量进行序列预测,输出各分量的预测结果,通过支持向量机回归(SVR)叠加各分量的预测序列生成预测价格序列。最后,以美国PJM电力市场的电价数据为算例,与ARIMA模型、单一LSTM神经网络模型的预测结果进行比较,验证了EMD-LSTM-SVR模型能够提高短期电价预测精度。     

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PSO聚类分析和RBF网络的短期电价预测

针对短期电价预测具有的周期性及难预测性等特点,研究现存的人工神经网络预测方法,提出一种基于PSO聚类分析和RBF网络的短期电价预测方法。利用粒子群算法优化聚类分析的聚类半径,并用优化后的聚类方法对电价的历史数据按相似的程度分类,得到一类相似度最高的数据作为输入数据并进行预处理,建立相应的RBF网络预测模型,对短期电价进行预测仿真。通过实例分析验证了该预测模型能够有效、稳定地将预测精度提高至0.3%左右。     

预测校正对偶内点法在实时电价的应用研究

在系统安全运行基础上,基于最优潮流算法的实时电价估计能有效的反映出系统的安全运行状况和发电费用。本文提出基于预测校正对偶内点法(predictor-corrector primal-dual interior point method,PCPDIPM)的最优实时电价计算。该算法与传统算法相比,其收敛性和鲁棒性更好。通过Matlab仿真,在考虑不同中心参数设置对算法的影响下,与原对偶内点法(primal-dual interior point method,PDIPM)作比较。算例结果表明,随着系统规模扩大,预测校正对偶内点法收敛快速、效率高的特点表现更为明显,具备在线快速计算的潜力。     

基于负荷预测的电力市场寡头竞争分析

将负荷预测的思想引入到电力市场的竞争分析中,研究了完全信息下的cournot模型中负荷预测对电力市场竞争的影响.首先建立了竞争模型结构,然后获得没有预测情况下的市场均衡电价,应用博弈论获得负荷预测增量对cournot模型下市场力的影响.最后通过数据仿真获得负荷预测增量与市场均衡电价和发电商收益之间的关系.分析表明：负荷预测精度影响发电商收益、市场均衡电价和市场力.预测误差率在33%以内,预测是有用的.所以提高收益的关键是提高负荷预测精度.     

用于智能电网电价预测的深度学习模型

针对机器学习方法在大型数据集上电价预测准确性低等问题,本文提出一种基于大数据时间序列的深度学习电价预测模型,用于智能电网的电价预测.该模型首先将收集到的数据进行预处理规范化,采用Relief F算法和互信息(Mutual Information,MI)的混合模块进行特征选择,其次将改进后的特征赋予核主成分分析(Kern...     

考虑风电不确定性的微电网小时前最优调度

微电网由风力发电机与燃油/燃气发电机联合供电,因无法准确预测接下来1h内的风力发电量,该不确定性在很大程度上会影响小时前调度的准确性。因此,在供电侧利用信息差决策理论(IGDT)提出风险管理模型,并利用预测校正近端乘子(PCPM)法设计得到小时前最优电价。基于该电价的需求响应机制,实现了用户侧效益、供电侧效益和社会效益的最大化,同时,最大化风电可波动区间,使得供电侧免受风电不确定性所造成风险的影响。最后,通过数值仿真算例验证了本文所提微电网小时前最优调度框架的有效性。     

考虑风电不确定性的微电网小时前最优调度

微电网由风力发电机与燃油/燃气发电机联合供电,因无法准确预测接下来1 h内的风力发电量,该不确定性在很大程度上会影响小时前调度的准确性。因此,在供电侧利用信息差决策理论(IGDT)提出风险管理模型,并利用预测校正近端乘子(PCPM)法设计得到小时前最优电价。基于该电价的需求响应机制,实现了用户侧效益、供电侧效益和社会效益的最大化,同时,最大化风电可波动区间,使得供电侧免受风电不确定性所造成风险的影响。最后,通过数值仿真算例验证了本文所提微电网小时前最优调度框架的有效性。     

考虑风电不确定性的微电网小时前最优调度

微电网由风力发电机与燃油/燃气发电机联合供电,因无法准确预测接下来1h内的风力发电量,该不确定性在很大程度上会影响小时前调度的准确性。因此,在供电侧利用信息差决策理论(IGDT)提出风险管理模型,并利用预测校正近端乘子(PCPM)法设计得到小时前最优电价。基于该电价的需求响应机制,实现了用户侧效益、供电侧效益和社会效益的最大化,同时,最大化风电可波动区间,使得供电侧免受风电不确定性所造成风险的影响。最后,通过数值仿真算例验证了本文所提微电网小时前最优调度框架的有效性。     

计及不确定性的虚拟电厂竞标模型

电力市场的电价具有不确定性特征,虚拟电厂参与市场竞标时如何处理不确定性因素的影响值得深入研究。为此基于集合经验模态分解和相关向量机的区间预测(EEMD-RVM)模型实现电价的区间预测,应用鲁棒优化的方法处理电力市场电价的不确定性,从而建立计及市场电价不确定性的虚拟电厂鲁棒优化竞标模型。算例分析讨论了电价不确定性对虚拟电厂(VPP)竞标的影响,以及不同节点电价对VPP与外部电网能量调配的影响。算例结果验证了所提模型的有效性和实用性,说明文章提出的鲁棒优化模型可以实现VPP的优化竞标。     

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。     

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Haar小波与ARIMAX模型进行短期负荷预测

为了提高对非稳态负荷的预测精度,提出了基于Haar小波分析和ARIMAX模型的短期负荷预测方案。首先,通过Haar小波将高频信息序列与低频信息序列分别从电价与负荷序列中分解出来;其次,分别利用电价序列的高、低频序列对负荷序列的高、低频序列进行ARIMAX模型构建和预测;最后,将含有电价信息的高、低频负荷预测值进行Haar小波重构,得到负荷序列的预测值。通过实例验证表明,本文采用ARIMAX模型添加的电价信息,弥补了多次预测产生的误差,对短期负荷的预测精度高于传统时间序列方法。     

基于非线性IRWLS-SVM短期电价预测的改进方法

本文提出了一种基于非线性IRWLS-SVM的短期电价预测的模型．首先对不同的损失函数进行仿真,选出具有一定鲁棒性的Huber损失函数来适应模型小的变化．然后比较线性、径向基、多项式3种核函数．仿真结果表明,多项式核函数的预测效果最好．最后提出了一种改进的非线性IRWLS-SVM算法,仿真结果表明改进后的算法提高了局部预测精度．     

电力市场中周末边际电价预测方法研究

针对周末边际电价的特殊性，采用相似搜索和人工神经网络(ANN)建立了预测周末电力市场边际电价的数学模型，并运用Matlab 6．5中的神经网络工具实现了预测模型。实例计算的结果表明该方法有效。     

分档电价和碳配额激励的含电动汽车微电网优化调度策略

在含电动汽车(electric vehicle, EV)微电网(micragrid, MG)的调峰调度中,实施分时电价或实时电价引导EV参与调峰,会导致EV过度响应或响应疲惫现象。为此,提出了分档电价协同碳配额激励机制下的含电动汽车微电网博弈优化调度策略。建立了微电网与电动汽车的主从博弈优化调度模型,微电网主体以运行成本最小和极小化负荷均方差为优化目标,考虑新能源发电完全消纳,针对等效净负荷水平制定分档电价并和碳配额协同激励,引导电动汽车在新能源发电余缺时充放电的适度响应;电动汽车用户从体响应微电网激励优化电动汽车充放电行为使其成本最小。采用粒子群算法(particle swarm optimization, PSO)求解优化模型纳什均衡点,获得微电网侧最优分档电价(ladder electricity price, LP)和电动汽车调度策略的集合。通过仿真算例验证了所提方法的有效性。     

基于ν-支持向量机的边际电价预测及置信区间估计

引入ν-支持向量机,通过构造和求解一个凸优化问题,同时实现了对边际电价的预测和对置信区间的估计,且无需假定预测偏差的概率分布.在ν-支持向量回归中,当ε＞0时,ν是错误样本的个数占总样本个数份额的上界.利用该性质,边际电价预测的置信度和置信区间可以很自然地用参数1-ν和变量ε来表示,这为发电公司进行竞价方案的风险分析打下了很好的基础.算例仿真表明,该方法具有较好的泛化性能和较高的预测精度.