電力市場(chǎng)中電價(jià)預(yù)測(cè)模型方法及應(yīng)用研究.pdf

1、在電力市場(chǎng)中，電價(jià)不僅和市場(chǎng)參與者的利益息息相關(guān)，也影響著社會(huì)和經(jīng)濟(jì)的眾多方面，因此是各方關(guān)注的焦點(diǎn)。準(zhǔn)確的電價(jià)預(yù)測(cè)，無論對(duì)于政府監(jiān)管機(jī)構(gòu)、電力企業(yè)還是公眾都具有深遠(yuǎn)的意義。電力市場(chǎng)中的電價(jià)波動(dòng)大，不同市場(chǎng)中的電價(jià)特性差異也很大，很難采用同一方法建模預(yù)測(cè)。 本文在對(duì)電力市場(chǎng)中電價(jià)影響因素分析的基礎(chǔ)上，選擇合適的模型進(jìn)行建模。在建模之前，首先對(duì)電價(jià)的最重要的影響因素-負(fù)荷進(jìn)行了預(yù)測(cè)：采用遺傳算法(Genetic Algorithm

2、，GA)優(yōu)化的支持向量機(jī)(Support Vector Machine，SVM)對(duì)短期負(fù)荷進(jìn)行預(yù)測(cè)；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(duì)中長(zhǎng)期負(fù)荷進(jìn)行預(yù)測(cè)，為短期電價(jià)預(yù)測(cè)和中長(zhǎng)期電價(jià)預(yù)測(cè)做好準(zhǔn)備。 針對(duì)平穩(wěn)日前市場(chǎng)中的電價(jià)，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(jìn)行預(yù)測(cè)。GARCH模型很好地考慮了

3、電價(jià)的群集性波動(dòng)，而外生變量則增強(qiáng)了模型對(duì)外界因素的響應(yīng)。同時(shí)考慮到電價(jià)波動(dòng)劇烈，在GARCH建模之前，先對(duì)原始的電價(jià)序列先采用小波(Wavelet)進(jìn)行預(yù)處理，將電價(jià)分為概貌序列和細(xì)節(jié)序列，對(duì)概貌序列采用GARCH建模，并將預(yù)測(cè)結(jié)果直接作為電價(jià)預(yù)測(cè)值。算例研究表明，該模型預(yù)測(cè)效果要好于普通的時(shí)間序列建模效果。 對(duì)波動(dòng)較大的日前市場(chǎng)電價(jià)(尤其是夏季高峰電價(jià))，采用神經(jīng)網(wǎng)絡(luò)和SVM等智能算法進(jìn)行預(yù)測(cè)。針對(duì)神經(jīng)網(wǎng)絡(luò)對(duì)輸入變量較為敏感

4、的特點(diǎn)，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(duì)輸入信息進(jìn)行篩選，剔除其中的冗余信息。采用自組織映射(Self-Organizing Mapping，SOM)對(duì)電價(jià)進(jìn)行分類，對(duì)相似的電價(jià)采用同一SVM模型進(jìn)行預(yù)測(cè)，避免了夏季高峰電價(jià)預(yù)測(cè)建模時(shí)訓(xùn)練樣本不足的缺陷，有效地提高了模型預(yù)測(cè)精度。 對(duì)于波動(dòng)更大的實(shí)時(shí)電價(jià)，綜合智能算法和時(shí)間序列建模的優(yōu)點(diǎn)建立SVM-GA-

5、GARCH模型，對(duì)電價(jià)進(jìn)行預(yù)測(cè)。利用SVM強(qiáng)大的非線型映射能力擬合電價(jià)和相關(guān)影響因素之間的關(guān)系；利用GARCH充分挖掘時(shí)間序列信息，對(duì)SVM建模的預(yù)測(cè)誤差進(jìn)行進(jìn)一步處理，剝離前者不能解釋的誤差影響，提高預(yù)測(cè)精度。 中長(zhǎng)期電價(jià)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(cè)難度大。采用經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical Mode Decomposition，EMD)將中長(zhǎng)期電價(jià)序列分解成多個(gè)反映電價(jià)