電力市場電價推測方式論述范文

本站小編為你精心準(zhǔn)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(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

電價預(yù)測的分類

按預(yù)測點(diǎn)的類型分，電價預(yù)測可分為市場統(tǒng)一出清電價預(yù)測、節(jié)點(diǎn)邊際電價預(yù)測和區(qū)域邊際電價預(yù)測。一般情況下所說的電價預(yù)測均指市場統(tǒng)一出清電價的預(yù)測。

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

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

短期電價預(yù)測方法

目前較為成熟的預(yù)測方法主要有時間序列法，以神經(jīng)網(wǎng)絡(luò)為代表的智能算法以及組合預(yù)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(guān)性，通過已有的數(shù)據(jù)樣本建立電價的時間模型序列進(jìn)行短期電價預(yù)測，其優(yōu)點(diǎn)在于模型的各分量均有明確的物理意義，解釋性強(qiáng)，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(yù)測中運(yùn)用較多的是ARMA模型和ARIMA模型。ARMA是AR模型和MA模型的結(jié)合，預(yù)測思想為序列當(dāng)前值yt是現(xiàn)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(shù)學(xué)表達(dá)式為：ARMA模型是建立在電價序列為平穩(wěn)的隨機(jī)序列的基礎(chǔ)上，而實(shí)際的市場電價序列往往具有非平穩(wěn)的特性，因此需對電價序列進(jìn)行預(yù)處理，即先采用差分方法將電價序列平穩(wěn)化，然后將預(yù)處理后的平穩(wěn)序列通過ARMA模型建模，這就構(gòu)成了ARIMA模型。文獻(xiàn)[1]首次引入ARIMA模型預(yù)測電價，取得了較好的效果，但該文獻(xiàn)并無考慮負(fù)荷等其他因素的影響，使得預(yù)測精度收到限制。

上述模型均假設(shè)電價序列的方差為常數(shù)，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(fù)時間異方差（GARCH）模型來描述。GARCH模型認(rèn)為電價的方差與歷史電價及歷史電價的方差均有關(guān)系，不再是滿足正態(tài)分布的隨機(jī)數(shù)。因此，GARCH模型是一種使用過去電價變化和過去方差來預(yù)測未來變化的時間序列建模方法。文獻(xiàn)[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(yù)測模型，取得了平均誤差5.76%的預(yù)測效果。

傳統(tǒng)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(yù)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(yù)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(jìn)。研究表明，考慮外生變量的時間序列法預(yù)測精度能取得較理想的預(yù)測結(jié)果。時間序列法的優(yōu)點(diǎn)在于計算速度快，所需歷史數(shù)據(jù)少，其難點(diǎn)在于如何選擇恰當(dāng)?shù)哪Ｐ停Ｐ瓦x擇得準(zhǔn)確才能保證預(yù)測的結(jié)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(yù)測的精度較低。

2人工神經(jīng)網(wǎng)絡(luò)法

時間序列方法僅從電價序列自身的發(fā)展規(guī)律來預(yù)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(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANN）具有處理多變量和非線性的能力，在電力系統(tǒng)負(fù)荷預(yù)測、電能質(zhì)量分析、低頻振蕩分析等領(lǐng)域都得到了廣泛的應(yīng)用。一般的神經(jīng)網(wǎng)絡(luò)認(rèn)為是由大量的神經(jīng)元所組成，每個神經(jīng)元的輸入輸出關(guān)系可表示為：式中，xj為神經(jīng)元的輸入；wij為從神經(jīng)元i到神經(jīng)元j的連接權(quán)值；θi為神經(jīng)元i的閾值；（fg）為傳遞函數(shù)，它決定了某一神經(jīng)元i受到激勵信號x1，x2，…，xn的共同刺激到達(dá)閾值后以什么方式輸出，yi為神經(jīng)元的輸出。

ANN具有自適應(yīng)、自學(xué)習(xí)、容錯能力強(qiáng)和并行分布信息處理的特點(diǎn)，國內(nèi)外學(xué)者開始嘗試用ANN解決短期電價預(yù)測問題，目前采用的較多的有前饋型神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))、徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)和小腦模型關(guān)節(jié)控制器（CMAC）神經(jīng)網(wǎng)絡(luò)等。使用ANN進(jìn)行電價預(yù)測時，模型的網(wǎng)絡(luò)結(jié)構(gòu)大多憑經(jīng)驗(yàn)選取，因此ANN存在難以確定最優(yōu)網(wǎng)絡(luò)模型的問題，使得其預(yù)測精度的進(jìn)一步提高存在一定的限制。

3組合預(yù)測方法

由于電價的影響較多且各因素間關(guān)系復(fù)雜，而單一的預(yù)測方法由于其方法本身存在的缺陷而無法理想的預(yù)測短期電價。因此，國內(nèi)外學(xué)者對組合預(yù)測方法進(jìn)行了積極的探索。組合預(yù)測的主要思路是將兩種或多種預(yù)測方法相組合，發(fā)揮每種預(yù)測方法的優(yōu)點(diǎn)，從而建立具有更加準(zhǔn)確預(yù)測效果的組合預(yù)測模型。時間序列法具有所需數(shù)據(jù)少，計算速度快，模型物理意義明確的優(yōu)點(diǎn)，但是對序列的非平穩(wěn)特點(diǎn)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(diǎn)分解出來，可根據(jù)分解結(jié)果分別建立不同的模型，達(dá)到提高預(yù)測的精度的目的。文獻(xiàn)[8]利用小波變換對電價進(jìn)行分解，得到各電價分量序列，再分別利用ARIMA模型進(jìn)行短期電價預(yù)測，最后重構(gòu)各分量序列得到最終的預(yù)測電價，但該文獻(xiàn)沒有考慮電價時間序列的異方差性，預(yù)測精度不甚理想。文獻(xiàn)[利用小波變換將歷史電價序列分解成概貌電價和細(xì)節(jié)電價，將歷史負(fù)荷序列分解成概貌負(fù)荷和細(xì)節(jié)負(fù)荷，通過歷史概貌電價和歷史概貌負(fù)荷預(yù)測未來概貌電價、歷史細(xì)節(jié)電價和歷史細(xì)節(jié)負(fù)荷預(yù)測未來細(xì)節(jié)負(fù)荷，取得了較好的預(yù)測效果。

基于ANN的組合模型則是組合預(yù)測中研究的熱點(diǎn)。神經(jīng)網(wǎng)絡(luò)傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)具有較好的非線性和自學(xué)習(xí)能力，但容易出現(xiàn)收斂速度慢，陷入局部最優(yōu)值、隱含層神經(jīng)元個數(shù)難以確定等缺點(diǎn)。學(xué)者嘗試用其他數(shù)學(xué)方法與ANN相結(jié)合，來彌補(bǔ)ANN固有的不足，以取得更好的預(yù)測結(jié)果。其他數(shù)學(xué)方法與ANN相結(jié)合有兩種形式，一種是輔助式結(jié)合，即采用其他數(shù)學(xué)方法對數(shù)據(jù)進(jìn)行預(yù)處理，充分利用數(shù)據(jù)的有效信息，然后再用ANN對短期電價進(jìn)行預(yù)測。一種是嵌套式結(jié)合，即用其他數(shù)學(xué)變換函數(shù)形成神經(jīng)元，將其他數(shù)學(xué)方法與神經(jīng)網(wǎng)絡(luò)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(yōu)化算法等。研究表明，由于組合預(yù)測方法具有揚(yáng)長避短的優(yōu)勢，基于ANN組合預(yù)測模型的預(yù)測結(jié)果要明顯好于傳統(tǒng)單一的ANN模型。

結(jié)論與展望

本文對目前短期電價預(yù)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(yù)測模型，物理意義明確，對電價波動率低的市場電價預(yù)測結(jié)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(yù)測結(jié)果不盡如人意。ANN作為一種廣泛應(yīng)用的人工智能算法，其網(wǎng)絡(luò)結(jié)構(gòu)的選擇帶有經(jīng)驗(yàn)因素，且網(wǎng)絡(luò)的很多參數(shù)都需要估計，容易出現(xiàn)過擬合問題。未來短期電價預(yù)測的發(fā)展趨勢主要包括以下幾點(diǎn)：①組合預(yù)測方法可以充分發(fā)揮各種模型的優(yōu)點(diǎn)，博采眾長，將是未來短期電價預(yù)測發(fā)展的主要趨勢，但是需要指出的是并非任意兩種模型結(jié)合在一起就可以取得更好的預(yù)測結(jié)果。②除上述介紹的數(shù)學(xué)方法外，混沌理論、數(shù)據(jù)挖掘技術(shù)、盲數(shù)理論等先進(jìn)理論和技術(shù)也開始引入到短期電價的預(yù)測中，研究兼顧準(zhǔn)確性、實(shí)時性和簡潔性的預(yù)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(jìn)行建模預(yù)測，這也是提高電價預(yù)測精度的有效方法。

作者：楊旭欽單位：廣東電網(wǎng)公司潮州供電局