電力市場短期電價預測方法

電力市場短期電價預測方法是指電力市場環境下周電價預測、日前電價預測和小時前電價預測。短期電價預測是電價預測研究中的重要組成部分，也是目前研究的重點和熱點。目前，短期電價預測主要有五種方法。單一的預測模型不能精確地對電價進行預測，組合預測模型能集結儘可能多的有用信息，充分利用了不同數學方法的各白優點，將是未來電價預測方法發展的趨勢。但是我們也應該意識到並非任意兩個或者多個數學方法的組合就一定能取得更好的預測結果，這需要實踐檢驗其預測效果，才能評價某種新的數學方法的套用。

基本介紹

• 中文名：電力市場短期電價預測方法
• 外文名：Electricity market short-term price forecast method
• 類型：電價預測
• 釋義：周、日前和小時前電價預測
• 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，電力行業逐漸由壟斷經營走向競爭，作為電力市場的核心因素—電價也發生了相應的變化。雖然現在存在和正在發展的電力市場的模式各不相同，電價的形成機制也不盡相同，但是作為一個總的趨勢，電價應該是時變的，和經濟、氣象、電力系統的運行情況以及用戶的情況相關的，電價隨需求變化，電價變化影響需求量，電價的調節機製作用將更加顯著。作為電力市場的參與者，其利益最終是通過電能的交易實現的，在電力交易和競標中，預先知道電價的信息，提前安排生產計畫和競標策略就可以獲得更大的利益，因此，電價預測就成了電力市場中函待研究和解決的課題之一。

電價預測的分類及特點

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、找點邊際電價預測。常情況不我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，日前國內外在這方面的研究還比較少。

電價預測根據其預測時間長短可分為中長期電價預測和短期電價預測。中長期電價預測指月度和年度電價預測，由於中長期電價預測包含太多不確定影響因素，預測的可信度較低，這方面的研究也相對很少。短期電價預測則包含周電價預測、日前電價預測和小時前電價預測。

中長期電價預測能夠為市場參與者的中長期交易(如雙邊契約價格的談判、契約的最優契約電量等)提供決策依據，同時也為電力監管部門提供市場監管的客觀依據。短期電價預測可為市場參與者的短期競價策略提供指導，參與者可根據預測電價來制定相應的競價參數和競價策略。準確的短期電價預測能減少參與者的競價風險，為市場參與者帶來穩定的收益。但是，由於影響長期電價的因素很多，所以日前這方面的研究較少，並且準確性不高。

時間序列法

時間序列模型分為白回歸(AR)模型、動平均(MA)模型、ARMA模型、累積式白回歸一滑動平均(ARMA)模型。而這幾種模型套用的前提都是以時間序列為平穩隨機序列為依據。電價具有非平穩隨機時間序列特性，現有的這些方法不能很好地滿足短期電價預測的要求。故現有電價預測方法的基礎上，常規電價預測模型中融合誤差預測來提高精度的疊代預測方法:先初步建立一個簡捷合理的預測模型，然後針對形成的誤差序列進行分析，建立誤差的預測模型，且對這個序列建立預測模型的複雜程度較原始預測模型要低，但預測精度更容易提高。該文獻所提的方法具有一般性，能推少到小時電價預測和負荷預測及其他的預測領域。但是由於電價的隨機波動性比較強，一般很難有效地取出電價時間序列的非平穩過程，從而在很大程度上影響了預測的效果，使時間序列方法在電價預測領域沒有多少優勢。當然，如果能使序列較好地平穩化，時間序列方法也能取得較好的效果。

一種基於時間序列的白回歸積分滑動平均模型(ARIMA)和白回歸條件異方差(ARCH)模型以及神經網路的組合模型來預測美國PJM電力市場未來24小時的日前電價。ARIMA模型反映了電價趨勢性、季節性，ARCH模型反映了電價的異方差性，因此模型能夠很好地反映電價的特點，相對於單獨採取時間序列方法或是神經網路模型來說，克服了單一方法所存在的局限性，取得了很好的效果。採用ARIMA模型對PJM電力市場2006年8到11月的歷史電價數據進行模型分析，接著採用ARCH模型對這段電價建模進行分析，最後將這兩個模型的預測結果作為BP神經網路的輸人進行訓練，網路的輸出作為最後的預測結果。該方法的不足之處在於，由於影響電價的因素很多，僅考慮了歷史數據，而且所取數據有限，因此預測結果存在一定的誤差，但對日後的競價策略能起到一定的指導作用，能夠滿足電力系統的電價預測要求。

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，即使參數枯計再準確，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。

人工神經網路預測法

人工神經網路套用於電價預測的主要思想是利用神經網路從歷史電價數據中找出隱含的趨勢性和規律性，從而達到比較好的預測效果。人工神經網路被少泛套用於預測方面，主要有以下幾個方面的原因:人工神經網路需要大量的歷史數據，而電力系統可以提供;電價預測是一個非線性且需要多種關聯輸人的問題，不利於建立數學模型，而人工神經網路具有較強的泛化能力，不需要建立數學模型，只需要將已有的數據交給網路，網路會通過訓練來選擇白己的模型，一般都能較好地解決問題;在電價數據中往往伴有大量的噪聲，而人工神經網路相對其他方法更能容忍噪聲干擾。

BP神經網路法

BP神經網路是日前套用最少泛也是最成熟的一種神經網路。它是多層非線性應身網路，採用最小均方差學習方式，在使其評價函式最小化過程中完成輸人信號到輸出模式的映射。它能實現複雜的高度非線性映射，可用作複雜類型的模式識別。而電力系統電價預測模型正是要反映出電價與各影響因素之間的非線性映射關係。所以，BP神經網路適宜於求解電價預測問題。對原始數據進行分析得出，UMCP(下一交易日無約束市場清算價格)的變化具有星期性變化趨勢、季節性變化趨勢、增長趨勢等變化趨勢。通過數據處理，去除了季節性變化趨勢和增長趨勢，增加了數據的可利用性。在輸人量中加人星期指數，相當於輸人向量帶有一個時間標籤，體現了數據的星期性變化趨勢。通過相關性分析技術粗略確定輸人變數，使輸人變數的選擇有了量化的標準;加人權值重新設計擬合誤差的代價函式體現了預測中“重近輕遠”的原則。最終數據的仿真結果令人滿意。但是，該文獻所提出的方法也有一些需要改進的地方，即沒有考慮下一交易日中各時段之間的相關性，而且採用BP神經算法雖然在預測負荷等變化較緩慢的日標時具有較高的預測精度，但在預測變化較劇烈的電價時，BP網路常會出現輸出結果不穩定、計算速度慢等缺陷。

RBF神經網路法

採用徑向基函式神經網路(RBF)建立短期邊際電價預測模型，由於RBF網路結構是關於隱層節點數、中心向量和連線權的最小化問題，而隱層節點數是不連續和不可微的，因此採用傳統的最佳化方法可能陷人局部極小。用遞階遺傳算法(HGA)同時訓練RBF網路結構和參數，實現網路參數和隱節點數的最佳化。此種方法的不足之處在於在負荷變動較大，在出現電價峰值的時段預測值的偏差較大。

RBF網路是針對BP網路存在的局部最小值和熟練速度慢這兩個固有缺陷而提出的一種多層前向網路。RBF網路雖然結構簡單，在逼近能力、分類能力和學習速度等方面均優於BP網路，但還存在一些需要解決的問題一如何確定網路激活函式的數據中心。日前許多方法都從聚類出發，但是聚類面臨有一個度量問題如何定義這種度量才能恰當地找到RBF網路的數據中心，如何尋找合適的徑向基函式。對於一組給定的學習數據，往往反映了很複雜的非線性關係，而且數據相關性較大，如果基函式選擇不當，那無論怎么改進RBF網路的學習方法都難以達到學習精度或根本不能完成學習任務。

CMAC神經網路法

CMAC網路模型是一種模擬小腦功能的神經網路模型。CMAC是一種聯想網路，對每一輸人只有小部分神經元與之相關，它的聯想具有局部泛化能力;它和感知器比較相近，雖然從每個神經元看其關係是一種線性關係，但從結果總體看它適合一種非線性的映射，因而CMAC是一種表達複雜非線性函式的表格查詢型白適應神經網路，已成功套用於機器人控制、模糊控制、非線性時間序列分析等領域。

CMAC已被公認為是聯想記憶神經網路的重要組成部分，它能夠學習任意多維非線性映射，相對於其他神經網路具有更好的非線性，更適合於複雜動態環境下的非線性實時控制，但是它的缺點在於所需的記憶體開銷比較大。

小波理論

小波分析是現代調和分析的基礎上發展起來的一種新興的信號處理方法，它具有伸縮、平移和放大的功能，可以對信進行多尺度分析，有效地從信號中提取所需的信息，實現時域

和頻域的高分辨局部定位，特別適合於分析突發與短時的信息，常被譽為“數學顯微鏡”。

提出的基於多因素小波分析的神經網路短期現貨電價預測方法將歷史電價序列和負荷序列分別進行小波分解，分解成概貌電價和細節電價、概貌負荷和細節負荷。然後將概貌電價和與之對應的概貌負荷輸人神經網路預測未來的概貌電價;同理，將細節電價和與之對應的細節負荷輸人神經網路預測未來的細節電價。最後將預測得到的概貌電價和細節電價求和，得到最終的預測電價。採用小波分析技術可使電價的變化規律和層次特徵更加清晰，同時也使分解後的負荷更能體現分解後的電價的波動;所構建的基於多因素小波分析的神經網路短期現貨電價預測模型能夠顯著降低預測誤差，提高預測精度。

灰色模型法

灰色模型的主要特點是不需要任何原始序列的機率分布，可實現少數據建模。

在GM(1, 1)模型的基礎上做了一些改進。採用微分方程初值作為初始條件，減少了預測誤差並運用加權平滑法對原始數據平滑處理。GM(1, 1)模型的基礎上，設計了預測時刻前一小時的電價對當前電價的影響，得出了GM(1, 2)模型。在GM(1, 1)模型的基礎上提高了預測精度。但是，這種模型僅適用於歷史數據少、電價序列波動較平緩的市場的電價預測。

組合模型法

在對複雜系統進行預測時，從不同角度建立各種不同的預測模型，而後基於這些各具特點的預測模型建立一個不同於這些模型的協調模型，以達到博採眾長的效果，這就是組合預測的思想。將多個預測模型綜合起來建立一個協調模型的方法稱為組合方法，建立起來的協調模型稱為組合預測模型。利用組合預測模型可以將各個模型有機地組合在一起，綜合各個模型的優點，在一定條件下能夠有效地改善模型的擬合能力和提高預測精度。

日前，國內外提出的組合預測方法主要有以下幾種:一是固定權重的組合預測方法;一是變權重的組合預測方法。這兩種組合預測方法的主要思想是將各種方法的預測結果進行組合，最終得到一個最佳的預測結果，其關鍵是最優權重的求取。這兩種方法在電力負荷預測中套用得比較多，但在電價預測方面的套用卻比較少一方面是電價巨大的波動性導致最優權重的

求取難度很大，另一方面是由於當前各種方法所得到的電價預測精度都不高，將這些預測結果進行再次組合極有可能出現最終電價預測的精度反而降低的情況。

因此日前電價預測模型中主要的組合預測方法為:( 1)根據所研究對象的歷史數據特徵，選取適宜的模型方法對數據的不同成分進行分離，然後分別進行預測，將各個預測結果進行組合得到最終的預測結果;( 2)考慮到各種方法都有其優缺點，採取互補的方法將兩種或者多種方法組合成一種新的方法進行預測。

展望

通過上述分析可以知道，單一的預測模型不能精確地對電價進行預測，組合預測模型能集結儘可能多的有用信息，充分利用了不同數學方法的各白優點，將是未來電價預測方法發展的趨勢。但是我們也應該意識到並非任意兩個或者多個數學方法的組合就一定能取得更好的預測結果，這需要實踐檢驗其預測效果，才能評價某種新的數學方法的套用。