電力市場電價推測方式論述范文

本站小編為你精心準備了電力市場電價推測方式論述參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

電價預測的分類

按預測點的類型分，電價預測可分為市場統一出清電價預測、節點邊際電價預測和區域邊際電價預測。一般情況下所說的電價預測均指市場統一出清電價的預測。

按預測時間分，電價預測可分為中長期電價預測和短期電價預測。前者主要是月電價預測和年電價預測，但因受較多不確定因素影響，預測結果可信度低，目前國內外開展的研究也不多。后者主要包括周電價預測、日前電價預測和小時前電價預測，其中日前電價預測是目前電價預測研究的熱點和重點。

按預測內容分，電價預測可分為確定性預測和空間分布預測，確定性預測的結果是給出一個確定的電價預測值，主要用于短期電價預測，是當前研究的熱點。而電價空間分布預測則基于概率論和數理統計理論，確定預測電價的可能波動范圍和某段時期內的均值，主要用于中長期電價預測。

短期電價預測方法

目前較為成熟的預測方法主要有時間序列法，以神經網絡為代表的智能算法以及組合預測方法。

1時間序列法

時間序列法是指利用電價時間序列自身的相關性，通過已有的數據樣本建立電價的時間模型序列進行短期電價預測，其優點在于模型的各分量均有明確的物理意義，解釋性強，容易理解。常用的時間序列模型有自回歸（AR）模型、動平均（MA）模型、自回歸滑動平均（ARMA）模型及累積式自回歸滑動平均（ARIMA）模型。由于AR模型、MA模型均具有較大的缺陷，目前在短期電價預測中運用較多的是ARMA模型和ARIMA模型。ARMA是AR模型和MA模型的結合，預測思想為序列當前值yt是現在和過去的誤差（at，at-1，…，at-q）以及之前的各序列值（yt，yt-1，…，yt-p）的線性組合，其數學表達式為：ARMA模型是建立在電價序列為平穩的隨機序列的基礎上，而實際的市場電價序列往往具有非平穩的特性，因此需對電價序列進行預處理，即先采用差分方法將電價序列平穩化，然后將預處理后的平穩序列通過ARMA模型建模，這就構成了ARIMA模型。文獻[1]首次引入ARIMA模型預測電價，取得了較好的效果，但該文獻并無考慮負荷等其他因素的影響，使得預測精度收到限制。

上述模型均假設電價序列的方差為常數，而如前所述，電價具有異方差性，這一特性可以用廣義均值回復時間異方差（GARCH）模型來描述。GARCH模型認為電價的方差與歷史電價及歷史電價的方差均有關系，不再是滿足正態分布的隨機數。因此，GARCH模型是一種使用過去電價變化和過去方差來預測未來變化的時間序列建模方法。文獻[2]考慮了電價序列的異方差性這一因素，建立了基于時間序列條件異方差（GARCH）的電價預測模型，取得了平均誤差5.76%的預測效果。

傳統的ARMA模型和GARCH模型僅從電價時間序列本身所包含的信息來預測電價，并未充分考慮各種外部因素對電價的影響，存在一定的局限性，預測精度也不盡如人意，這一不足可通過引入外生變量來改進。研究表明，考慮外生變量的時間序列法預測精度能取得較理想的預測結果。時間序列法的優點在于計算速度快，所需歷史數據少，其難點在于如何選擇恰當的模型，模型選擇得準確才能保證預測的結果較為理想。影響電價的因素的多樣性使得時間序列法在某些情況下受到限制，預測的精度較低。

2人工神經網絡法

時間序列方法僅從電價序列自身的發展規律來預測未來電價，且即使在引入了外生變量后，時間序列法考慮的因素仍然有限，無法處理很好的處理多變量問題，存在一定的局限性。而人工神經網絡（ArtificialNeuralNetworks，ANN）具有處理多變量和非線性的能力，在電力系統負荷預測、電能質量分析、低頻振蕩分析等領域都得到了廣泛的應用。一般的神經網絡認為是由大量的神經元所組成，每個神經元的輸入輸出關系可表示為：式中，xj為神經元的輸入；wij為從神經元i到神經元j的連接權值；θi為神經元i的閾值；（fg）為傳遞函數，它決定了某一神經元i受到激勵信號x1，x2，…，xn的共同刺激到達閾值后以什么方式輸出，yi為神經元的輸出。

ANN具有自適應、自學習、容錯能力強和并行分布信息處理的特點，國內外學者開始嘗試用ANN解決短期電價預測問題，目前采用的較多的有前饋型神經網絡(BP網絡)、徑向基函數(RBF)神經網絡和小腦模型關節控制器（CMAC）神經網絡等。使用ANN進行電價預測時，模型的網絡結構大多憑經驗選取，因此ANN存在難以確定最優網絡模型的問題，使得其預測精度的進一步提高存在一定的限制。

3組合預測方法

由于電價的影響較多且各因素間關系復雜，而單一的預測方法由于其方法本身存在的缺陷而無法理想的預測短期電價。因此，國內外學者對組合預測方法進行了積極的探索。組合預測的主要思路是將兩種或多種預測方法相組合，發揮每種預測方法的優點，從而建立具有更加準確預測效果的組合預測模型。時間序列法具有所需數據少，計算速度快，模型物理意義明確的優點，但是對序列的非平穩特點無能為力，單純使用時間序列法精度不高。而小波變換在時域和頻域良好的分辨能力能將電價各個層次的特點分解出來，可根據分解結果分別建立不同的模型，達到提高預測的精度的目的。文獻[8]利用小波變換對電價進行分解，得到各電價分量序列，再分別利用ARIMA模型進行短期電價預測，最后重構各分量序列得到最終的預測電價，但該文獻沒有考慮電價時間序列的異方差性，預測精度不甚理想。文獻[利用小波變換將歷史電價序列分解成概貌電價和細節電價，將歷史負荷序列分解成概貌負荷和細節負荷，通過歷史概貌電價和歷史概貌負荷預測未來概貌電價、歷史細節電價和歷史細節負荷預測未來細節負荷，取得了較好的預測效果。

基于ANN的組合模型則是組合預測中研究的熱點。神經網絡傳統的人工神經網絡具有較好的非線性和自學習能力，但容易出現收斂速度慢，陷入局部最優值、隱含層神經元個數難以確定等缺點。學者嘗試用其他數學方法與ANN相結合，來彌補ANN固有的不足，以取得更好的預測結果。其他數學方法與ANN相結合有兩種形式，一種是輔助式結合，即采用其他數學方法對數據進行預處理，充分利用數據的有效信息，然后再用ANN對短期電價進行預測。一種是嵌套式結合，即用其他數學變換函數形成神經元，將其他數學方法與神經網絡直接融合。目前采用得較多的方法有小波分析、模糊分類、遺傳算法、粒子群優化算法等。研究表明，由于組合預測方法具有揚長避短的優勢，基于ANN組合預測模型的預測結果要明顯好于傳統單一的ANN模型。

結論與展望

本文對目前短期電價預測方法做了綜合的歸納。時間序列法可以較為容易地建立預測模型，物理意義明確，對電價波動率低的市場電價預測結果較為理想，但不能考慮各種不確定因素對電價的影響，對波動率較高市場預測結果不盡如人意。ANN作為一種廣泛應用的人工智能算法，其網絡結構的選擇帶有經驗因素，且網絡的很多參數都需要估計，容易出現過擬合問題。未來短期電價預測的發展趨勢主要包括以下幾點：①組合預測方法可以充分發揮各種模型的優點，博采眾長，將是未來短期電價預測發展的主要趨勢，但是需要指出的是并非任意兩種模型結合在一起就可以取得更好的預測結果。②除上述介紹的數學方法外，混沌理論、數據挖掘技術、盲數理論等先進理論和技術也開始引入到短期電價的預測中，研究兼顧準確性、實時性和簡潔性的預測方法也是未來的研究方向。③不同時段電價的影響因素有所不同，對各時段電價分別進行建模預測，這也是提高電價預測精度的有效方法。

作者：楊旭欽單位：廣東電網公司潮州供電局