基于分时段多模型的短期电价预测

《基于分时段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、维普资讯http://www.cqvip.com第36卷第6期要氧雹力Vo1．36No．6EastChinaElectricPower2008年6月Jun．2008基于分时段多模型的短期电价预测胡峰，彭力(江南大学通信与控制工程学院，江苏无锡214122)摘要：基于分时段时间序列多模型的短期电价预测方法对美国PJM电力市场2006年全年电价数据进行分析，预测2007年1月1日到7日的一周内每小时的电价，将全年电价数据按照时段划分为24个子序列(PJM电力市场电价是以小时出清)，分别对每个时段的子序列建立不同的模型进行分析，算例的研究

2、结果显示，平均绝对百分误差在10％以内，能够用于电力市场短期电价预测。、关键词：电力市场；分时段电价序列；ARCH；ARMA；电价预测基金项目：国家自然科学基金项目(60574051)作者简介：胡峰(1983一)，男，硕士研究生，主要研究方向为电力市场。中图分类号：TM一9；F407．61文献标识码：A文章编号：10010529(2008)06-0020-05Short-termpriceforecastmodelsbasedonperiod-decoupledpricesequenceHUFeng，PENGLi(SchoolofC

3、ommunicationandControlEngineering，SouthernYangtzeUniv．，Wuxi214122，China)Abstract：Themethodwhichisbasedonperiod—decoupledpricesequencewasusedtoanalyzethepricedataofPJMelectricitymarketof2006topredictthehourlypricefromJan1to7of2007．Withthemethod．thefullyearlydataweredivi

4、dedinto24sub—sequencesbyhour，andrelevantmodelsforeachperiodwereconstructed．ThecalculationexampleshowsthattheMAPEisaround10％andthemodelcanbeappliedforshoa—termpriceforecast．Keywords：electricitymarket；period—decoupledpricesequence；ARCH；ARMA；priceforecast短期电价预测是电价预测的重要组成部

5、分，方法，对美国PJM电力市场日前电价进行预测，它主要用于预测未来几小时、1天至几天的电价。该模型使用了PJM电力市场2006年1～12月全准确的短期电价预测将有助于发电商最优报价策年的历史电价数据进行分析，用来预测2007年1略的选择，从而最大化其利润，使购电方的动态成月1日～1月7日的一周内每小时的电价。本控制成为可能，同时也为监管部门的实时监管1电价的特点及其预测方法提供了重要的科学依据，保证电力市场的正常运行。电价序列除具有均值回复，周期性，季节性等在电力市场交易中，为了获得有利的竞价或特点外，还具有自身的特殊性：它不具备总

6、体上的规避风险，发电商或供电商往往都采用了强有力增长和上升趋势，而是处于不断的波动变化之中。的电价预测。在实际的电力市场运作中，电价也一般来说，电价的波动除受燃料价格，竞价机组可是随着需求的变化而变化，反过来电价变化又影用容量，水力发电量，用电需求弹性，输电阻塞等响着需求量。电力市场中各参与者的利益是通过电力系统特有约束的影响外，还受到电力市场体电能交易来实现的，提前知道电价的相关信息就制结构、社会经济形势，发电商实施市场力等主客可以在电力市场的交易中获得更大的利益。因观因素影响，因此电价预测的难度较大。此，准确的电价预测成了各参与

7、者共同关注的一由于每天各时段的电力市场出清价构成一个项重要工作，是电力市场中亟待解决的问题之一。时间序列，一个自然的想法就是用时问序列的处由于电力市场正处于改革时期，市场还未成熟，市理方法对未来电价作出预测。时间序列法是通过场体制结构的变动，导致电价变动比较频繁，这也历史电价数据建立电价的时间序列模型，并用该使得电价预测成为了一个困难的问题。模型进行电价预测。单变量时间序列法认为影响本文提出基于分时段时间序列多模型的预测电价的各种因素已体现在历史电价中，仅通过历维普资讯http://www.cqvip.com胡峰，等基于分时段多模型

8、的短期电价预测史电价来预测下一时段的电价。则称时间序列Y，是自回归滑动平均模型序最简单的时间序列方法就是自回归AR(P)列，该方程为(p，g)阶自回归滑动平均模型，记为模型，滑动平均MA(q)模型，自回归滑动平均ARMA(P，q)。，