電力市場中電價預(yù)測模型方法及應(yīng)用研究.pdf

1、在電力市場中，電價不僅和市場參與者的利益息息相關(guān)，也影響著社會和經(jīng)濟的眾多方面，因此是各方關(guān)注的焦點。準(zhǔn)確的電價預(yù)測，無論對于政府監(jiān)管機構(gòu)、電力企業(yè)還是公眾都具有深遠的意義。電力市場中的電價波動大，不同市場中的電價特性差異也很大，很難采用同一方法建模預(yù)測。 本文在對電力市場中電價影響因素分析的基礎(chǔ)上，選擇合適的模型進行建模。在建模之前，首先對電價的最重要的影響因素-負荷進行了預(yù)測：采用遺傳算法(Genetic Algorithm

2、，GA)優(yōu)化的支持向量機(Support Vector Machine，SVM)對短期負荷進行預(yù)測；采用綜合考慮季節(jié)影響和節(jié)假日影響的灰色優(yōu)化模型對中長期負荷進行預(yù)測，為短期電價預(yù)測和中長期電價預(yù)測做好準(zhǔn)備。 針對平穩(wěn)日前市場中的電價，采用考慮外生變量的廣義自回歸條件異方差(General Autoregressive Conditional Heteroskedasticity，GARCH)進行預(yù)測。GARCH模型很好地考慮了

3、電價的群集性波動，而外生變量則增強了模型對外界因素的響應(yīng)。同時考慮到電價波動劇烈，在GARCH建模之前，先對原始的電價序列先采用小波(Wavelet)進行預(yù)處理，將電價分為概貌序列和細節(jié)序列，對概貌序列采用GARCH建模，并將預(yù)測結(jié)果直接作為電價預(yù)測值。算例研究表明，該模型預(yù)測效果要好于普通的時間序列建模效果。 對波動較大的日前市場電價(尤其是夏季高峰電價)，采用神經(jīng)網(wǎng)絡(luò)和SVM等智能算法進行預(yù)測。針對神經(jīng)網(wǎng)絡(luò)對輸入變量較為敏感

4、的特點，在采用神經(jīng)網(wǎng)絡(luò)建模之前先采用主成分分析(Principle Component Analysis，PCA)對輸入信息進行篩選，剔除其中的冗余信息。采用自組織映射(Self-Organizing Mapping，SOM)對電價進行分類，對相似的電價采用同一SVM模型進行預(yù)測，避免了夏季高峰電價預(yù)測建模時訓(xùn)練樣本不足的缺陷，有效地提高了模型預(yù)測精度。 對于波動更大的實時電價，綜合智能算法和時間序列建模的優(yōu)點建立SVM-GA-

5、GARCH模型，對電價進行預(yù)測。利用SVM強大的非線型映射能力擬合電價和相關(guān)影響因素之間的關(guān)系；利用GARCH充分挖掘時間序列信息，對SVM建模的預(yù)測誤差進行進一步處理，剝離前者不能解釋的誤差影響，提高預(yù)測精度。 中長期電價既受用電需求等周期性因素的影響，還受到眾多不確定性的因素影響，變化規(guī)律不明顯，預(yù)測難度大。采用經(jīng)驗?zāi)Ｊ椒纸?Empirical Mode Decomposition，EMD)將中長期電價序列分解成多個反映電價