電價預測

電價預測就是指:在考慮市場供求關係，市場參與者的市場力，電力成本，以及電力市場體制結構、社會經濟形勢等重要因素影響的條件下，通過利用數學工具對歷史數據進行分析和研究，探索事物之間的內在聯繫和發展變化規律，在滿足一定精度和速度的情況下，對未來電力市場中的電力交易價格進行預測。電價是反映電力市場運營狀況，評價市場競爭效率的核心指標，是電力市場決策的基礎。闡述了電力市場電價預測問題的特點、內容和方法，分析和比較了短期預測和中長期預測的各種方法，指出了各種方法的優缺點。

基本介紹

• 中文名：電價預測
• 外文名：Electricity price forecasting
• 本質：電力市場關鍵技術
• 分類：短期、中長期
• 領域：能源
• 學科：電氣工程

簡介

隨著全球電力市場化的不斷發展，電價在電力市場中的核心地位受到人們越來越多的重視，近年來人們開始對電價進行了比較深入的研究，提出了不少電價預測方法。電價預測就是指:在考慮市場供求關係，市場參與者的市場力，電力成本，以及電力市場體制結構、社會經濟形勢等重要因素影響的條件下，通過利用數學工具對歷史數據進行分析和研究，探索事物之間的內在聯繫和發展變化規律，在滿足一定精度和速度的情況下，對未來電力市場中的電力交易價格進行預測。

電價預測的特點

電價預測除具有與負荷預測一樣的周期性特點外，還具有自身的特殊性:它不具備總體上的增長和上升趨勢，而是處於不斷的波動變化之中。一般來說，電價的波動除受燃料價格，競價機組可用容量，水力發電量，用電需求彈性，輸電阻塞等電力系統特有約束的影響外，還受到電力市場體制結構、社會經濟形勢，發電商實施市場力等主客觀因素影響。因此，電價預測相對負荷預測難度要大，一些用於電力負荷預測的方法也就無法用來進行有效的電價預測，如用點對點倍比法、一元線性回歸法進行電價預測的結果往往都是不準確的。

電價預測的分類

根據預測點的類型，將電價預測分為系統邊際電價或者市場統一出清電價預測、區域邊際電價預測、節點邊際電價預測。通常情況下，們所說的電價預測都是對系統的統一出清電價的預測，在系統不發生阻塞的情況下，各個地區的區域出清電價和系統統一出清電價是相同的。

根據預測內容的不同，可以分為確定性預測和電價空間分布預測，前者是當前討論比較多的熱點，主要針對短期電價預測，預測的結果就是給出一個確定的電價預測數值，後者主要基於機率論與數理統計知識，確定預測結果的可能波動範圍及其一段時期內的電價均值，主要是針對中長期電價預測，目前國內外在這方面研究得還比較少。

根據預測機理的不同，將電價預測分為短期預測和中長期預測。由於電價波動大的特點，具體分為小時預測舊預測、月度、季度預測。針對周末邊際電價的特殊性，還將周末邊際電價進行單獨預測。

電價預測是電力市場化以後新出現的研究方向。研究尚不夠充分，目前還沒有一種通用的預測方法能較好地適合於所有的電力市場，因此有必要充分地利用各個電力市場本身的特點進一步展開研究，從而提高預測精度。下文將根據電價預測機理的不同，分別針對短期電價預測和中長期電價預測進行深入的分析。

短期電價預測

短期電價預測是電價預測的重要組成部分，它主要用於預測未來幾小時、1天至幾天的電價。準確的短期電價預測將有助於發電商最優報價策略的選擇，從而最大化其利潤，使購電方的動態成本控制成為可能，同時也為監管部門的實時監管提供了重要的科學依據，保證電力市場的正常運行。目前，短期電價預測主要有四種方法:

1.時間序列法，

2.神經網路(ANI})預測法，

3.基於小波理論的預測方法，

4.組合預測方法等。

時間序列預測法

時間序列模型分為自回歸(AR)模型、動平均(MA膜型、ARMA模型、累積式自回歸一動平均(AR MA膜型，已被廣泛套用於短期負荷預測中，考慮到各時段系統邊際電價本身就構成一個等間距的隨機時間序列，因此有不少學者嘗試將時間序列模型套用於短期電價預測，當前比較常用的主要是ARMA模型!7.A]和AR MA模型!9‘。]。 時間序列方法的主要難點在於如何選擇恰當的模型，如果模型選擇不準確，則即使參數估計再準確，預測的效果也不會好。考慮到在時間序列分析中，選用何種因子和用何種表達式有時只是一種推測，影響電價的因子的多樣性和某些因子的不可測，使得時間序列分析在某些情況下受到限制，預測的精度較低。

神經網路方法

由於時間序列方法僅依靠分析電價自身發展規律進行預測，無法處理多變數問題，存在一定的片面J陛，為此可採用多變數模型，從而提高時間序列法的預測精度。神經網路對大量非結構性、非精確性規律具有自適應功能，能夠有效處理多變數和非線性問題，從而成為目前國內外專家學者研究得比較多的一種電價預測方法。

基於小波理論的預測方法

小波理論是在傅立葉分析基礎上發展起來的一種信號處理方法，小波變換能將各種織在一起的不同頻率混合信號分解成不同頻帶上的塊信號，然後在各個時頻區域分別進行觀察和處理，在時域和頻域都具有良好的分辨能力。

小波神經網路與BP神經網路相比，預測精度和收斂性方面都有明顯的提高。但是在用輔助式小波神經網路進行預測時，需注意小波基和分解尺度的選擇，同時處理好小波變換過程中的邊界問題，否則即使各個子序列預測得再準確，總體的預測效果也不會很好。而在用嵌套式小波神經網路進行預測時，需注意小波基的數量和網路初始參數的選擇，選擇不當會導致網路收斂速度緩慢甚至出現不收斂。

組合預測方法

由於電價的影響因素比較多而且關係錯綜複雜，有時候無論採用時間序列法、神經網路方法等都難以達到理想的預測效果。鑒於單一預測方法的一些弊端，有些學者開始對組合預測方法進行探索，當前的主要思路是直接從電價預測機理的角度將單一預測模型進行組合，即先對各種已有的單一預測方法優缺點進行分析，然後通過將兩種或者多種方法進行組合，揚長避短，從而建立最優的組合預測模型。

基於數據挖掘技術強大的數據處理能力，能從大量的數據中發現有用的規律、規則、聯繫、模式等知識，有學者!26]提出一種基於數據挖掘中的相似搜尋技術和加權回歸技術相組合的電價預測方法:即對臨近日和相似搜尋所得到的相似日的負荷—電價數據用加權回歸進行電價預測，這種方法比較適合於負荷與電價強相關性的電力市場如加州電力市場。

中長期電價預測

準確的中長期電價預測能夠為發電企業生產計畫的制定和電力投資商的長期投資提供很好的參考，為監管部門制定和實施有效的監管措施提供客觀依據，同時也有助於電網企業合理安排電網運行與發供電平衡。所以，對電力市場中長期電價預測的研究具有非常重要的意義。

由於影響電價水平的因素較多，而且這些因素本身存在極大的不確定性，加上中長期預測的周期較長，所以中長期電價預測的難度相當大。目前為止，國內外關於中長期預測}的研究遠遠少於短期預測。在中長期預測中，往往將電價看成隨機變數，一般研究它的分布函式，建立其分布區間的預測模型。

模糊方法對長周期不確定性處理的思想與神經網路理論有所不同，不是追求確定性預測的精度，而是尋求預測數據的最小分布;而回歸分析方法是通過對變數的觀測數據進行統計分析，確定變數之間的相關關係，從而實現預測的目的!G}，故常將模糊方法和回歸方法相結合套用於中長期電價預測。文

電價預測關鍵問題分析與探討

預測中輸入參數的選擇

電力系統的預測問題並不僅僅局限於電力系統內部，它實際上要受到許多外界因素的影響。因此如何在預測輸入參數中引入一些主要的相關因素來高預測精度，就成為一個非常值得深入研究的關鍵問題。

電價受到許多諸如發電方報價模式等人為因素的影響，但這些人為因素在數學模型中是難以確定的，由於歷史報價在一定程度上反映了發電方的報價模式，所以通常將其作為影響未來電價的一個主要因素!ao }。除此之外，人們普遍認為電價受電力需求的影響比較大，所以常將負荷作為模型的另一個主要輸入參數，但有學者!at]指出:並非所有的市場模式下負荷與電價都強相關，因此，僅僅以預測負荷和歷史電價作為模型的輸入參數並非一定是合理的。考慮到電價受電力市場供求狀況的影響比較大，因而近年來不少學者定義並選取了一些能較好反映市場供求狀況的指標作為模型輸入參數，如表1所示。文獻[38]通過引入衡量市場力的新指標一必須運行率(MRR }從而充分考慮了發電方實施市場力對電價走勢的影響。

為了更好地提高電價預測精度，預測模型的研究應基於對實際電力市場的細緻研究，與相關因素分析相配合，嘗試對歷史數據進行數據挖掘，從而找出影響預測精度的主要相關因素作為模型輸入參數。

預測中重近輕遠原則

預測中“重近輕遠”原則即:物理量未來的變化趨勢更多地取決於歷史時段中近期的發展規律，遠期的歷史數據與未來發展趨勢的相關性較弱。在考慮“重近輕遠”原則的情況下，其處理思路應該是:區別對待各時段的擬合殘差，近期的發展規律應該得到更好的擬合，遠期歷史數據的擬合程度可以稍低。

為實現“重近輕遠”原則，主要採用加權參數估計的方法，即對近期數據給予較大的權值，遠期數據給予較小的權值。在短期預測中，可以通過輸入參數的選擇來實現“重近輕遠”原則，即選擇與預測時段比較接近的時段信息構成主要的輸入參數，如前一時段、前一天的電價、負荷、反映供求關係的參數等，根據實際情況適當考慮電價的周期性，即前一周相同時段的電價作為輸入參數之一。

預測中對電價形成機理的分析

文獻[39]通過比較14個電力市場工作日和節假日的電價模式，發現不同電力市場的電價因市場模式的不同存在很大的差別，因此，在做電價預測時，應深入分析實際電網的運營情況，在找出影響電價變化的主要因素及進一步弄清電價發展變化內在規律的基礎之上，對實際電價形成機理進行深入分析研究，提出適合本地區實際情況的電價預測模型，最佳化模型參數，提高電價預測精度。如果直接套用已有的一些預測方法，則很難達到預期的效果。