基于多模型的短期电价预测

《基于多模型的短期电价预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要当前，电力工业在全世界范围内发生着深刻的变化。电力工业的改革目标在于提高电力生产效率，使电价形成机制合理化，提供高质量、更安全的电力产品，促进电力工业本身的良性发展，并使全社会从电力市场改革中得到更好的经济和社会效益。电力市场化改革也是当前世界电力工业的发展趋势和国际电力科学研究与工程实践的热点。电价的确定是电力市场中最重要、最关键的部分。电价不仅是电力市场供求关系的信号，也是控制电力市场交易的经济杠杆。因此，如何合理的根据市场需求确定相应的电价直接影Ⅱ向到电力市场能否正常的运营，怎样根据电力市场的相关历史数据准确的预测出未来的市

2、场出清电价，对于市场中的各个参与者都具有十分重要的意义。电力系统的负荷是一个时间序列，电价也是一个时间序列，因此，从理论上讲，凡是能用于负荷预测的方法都可以用于电价预测，如时间序列法、人工神经网络法、小波变换法、马尔可夫链、组合模型等。但是由于电价具有趋势性、季节性、异方差性等固有的特点，使得电价的预测比负荷预测难得多，目前单一的电价预测方法都不尽如人意。论文在查阅了大量短期电价预测相关文献的基础上，通过对电价预测技术的深入研究，寻求合适的可用于短期电价预测的方法，取得了以下研究成果：1．通过对神经网络和时间序列的深入研究，基于短期电价的

3、特点，提出了将时间序列和神经网络相结合的多模型短期电价预测方法。该方法利用时间序列来建立短期电价预测模型，利用PJM(宾夕法尼亚一新泽西一马里兰)电力市场数据进行建模分析，然后将时问序列模型的预测结果作为神经网络的输入信号进行训练。通过PJM电力市场实例分析，该组合模型的预测结果良好，该方法大大提高了短期电价预测的精度和准确度，具有很好的应用前景，验证了该模型的有效性。2．基于电价序列的特点，利用分时段建模的思想和时间序列的方法，提出了基于分时段时间序列模型的短期电价预测方法。该方法通过将电价序列按照不同时段进行研究，分别对各个时段的电价

4、序列建立时间序列模型。通过PJM电力市场实例分析，预测结果表明该组合模型具有很好的精确度，验证了该模型的有效性。3．基于电价与负荷的区别，在分析预测结果时，采用平均绝对百分误差(MAPE)作为模型的评价指标，该指标更能体现预测结果的准确度，在以上两种模型的结果分析中均有很好的体现。论文最后对所做工作给出了一个总结和展望，并对短期电价预测研究所面临的一些困难和有待深入研究的方向做了一个简单的介绍。关键词：电力市场；电价预测；时间序列；神经网络；ARMA；ARCHAbstractAtpresent，theelectricityindustry

5、intheworld—wideisundergoingprofoundchanges．Thereformofthepowerindustryistoimprovetheefficiencyofelectricityproduction,rationalizethetariffformationmechanism,providehigh-quality,safepowerproducts，andpromotethepowerindustryitselfhealthydevelopmentandfinally,toreformtheentir

6、esocietyforthebettereconomicandsocialefficiencyThereformoftheelectricitymarketisthecurrentworldtrendofthedevelopmentofelectricpowerindustryinpowerandinternationalscientificresearchandengineeringpracticehotspots，whilethemostimportantandmostcriticalpartispricedeterminationi

7、ntheelectricitymarket．Priceisnotonlytheelectricitymarketsupplyanddemandsignals，butalsocontroloftheelectricitymarkettransactionsasaneconomiclever．Therefore，howtodeterminethecorrespondingtariffreasonablyaccordingtothemarketdemanddirectlyaffectsthenormalelectricitymarketoper

8、mion．Howtheelectricitymarketinaccordancewiththerelevanthistoricaldatatoforecastthefuturemarketcl