电力市场中电价预测模型方法及应用研究

论文摘要

在电力市场中,电价不仅和市场参与者的利益息息相关,也影响着社会和经济的众多方面,因此是各方关注的焦点。准确的电价预测,无论对于政府监管机构、电力企业还是公众都具有深远的意义。电力市场中的电价波动大,不同市场中的电价特性差异也很大,很难采用同一方法建模预测。本文在对电力市场中电价影响因素分析的基础上,选择合适的模型进行建模。在建模之前,首先对电价的最重要的影响因素-负荷进行了预测:采用遗传算法（Genetic Algorithm, GA）优化的支持向量机（Support Vector Machine, SVM）对短期负荷进行预测;采用综合考虑季节影响和节假日影响的灰色优化模型对中长期负荷进行预测,为短期电价预测和中长期电价预测做好准备。针对平稳日前市场中的电价,采用考虑外生变量的广义自回归条件异方差（General Autoregressive Conditional Heteroskedasticity,GARCH）进行预测。GARCH模型很好地考虑了电价的群集性波动,而外生变量则增强了模型对外界因素的响应。同时考虑到电价波动剧烈,在GARCH建模之前,先对原始的电价序列先采用小波（Wavelet）进行预处理,将电价分为概貌序列和细节序列,对概貌序列采用GARCH建模,并将预测结果直接作为电价预测值。算例研究表明,该模型预测效果要好于普通的时间序列建模效果。对波动较大的日前市场电价（尤其是夏季高峰电价）,采用神经网络和SVM等智能算法进行预测。针对神经网络对输入变量较为敏感的特点,在采用神经网络建模之前先采用主成分分析（Principle Component Analysis,PCA）对输入信息进行筛选,剔除其中的冗余信息。采用自组织映射（Self-Organizing Mapping,SOM）对电价进行分类,对相似的电价采用同一SVM模型进行预测,避免了夏季高峰电价预测建模时训练样本不足的缺陷,有效地提高了模型预测精度。对于波动更大的实时电价,综合智能算法和时间序列建模的优点建立SVM-GA-GARCH模型,对电价进行预测。利用SVM强大的非线型映射能力拟合电价和相关影响因素之间的关系;利用GARCH充分挖掘时间序列信息,对SVM建模的预测误差进行进一步处理,剥离前者不能解释的误差影响,提高预测精度。中长期电价既受用电需求等周期性因素的影响,还受到众多不确定性的因素影响,变化规律不明显,预测难度大。采用经验模式分解（Empirical Mode Decomposition, EMD）将中长期电价序列分解成多个反映电价不同变化规律和周期性的分量,并分别建模预测。实例研究表明该方法能够结合不同算法的优点,对变化规律性复杂的中长期电价预测效果较好。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 选题背景
• 1.2 选题意义
• 1.2.1 电力市场中电价预测的意义
• 1.2.2 电力市场中电价特性分析和电价预测研究的理论意义
• 1.3 国内外研究现状
• 1.3.1 电价影响因素分析
• 1.3.2 电价预测的类型分析（时间跨度）
• 1.3.3 电价预测的类型分析（市场类型）
• 1.3.4 电价预测的方法分析
• 1.4 本文要做的工作
• 第二章 电力市场中电价影响因素分析及预测
• 2.1 日前市场中的电价影响因素分析
• 2.1.1 电力市场结构对电价的影响
• 2.1.2 市场成熟度对电价的影响
• 2.1.3 辅助服务市场
• 2.1.4 输电约束
• 2.1.5 市场规则
• 2.1.6 负荷和市场总装机容量
• 2.1.7 气候条件、社会因素等对电价的影响
• 2.2 电价的主要影响因素―负荷预测
• 2.2.1 短期负荷预测：基于遗传优化的SVM 预测模型
• 2.2.2 中长期负荷预测：基于季节和节假日多因素影响的优化模型
• 第三章 稳定性市场的日前电价预测的时间序列建模
• 3.1 引言
• 3.2 电价序列分类及电价特性分析
• 3.3 建模数据预处理方法:傅立叶变换和小波分析
• 3.4 时间序列建模预测
• 3.4.1 ARMA 和ARIMA 模型
• 3.4.2 ARMAX 模型
• 3.4.3 GARCH 模型
• 3.5 电价的时间序列预测建模
• 3.5.1 数据预处理过程
• 3.5.2 模型识别和参数估计
• 3.5.3 滚动预测
• 3.6 算例分析
• 3.7 结论和讨论
• 第四章 智能算法在日前电价预测建模中的研究与应用
• 4.1 ANN 在日前电价预测建模
• 4.1.1 ANN 概述及常用电价预测的ANN 特点分析
• 4.1.2 神经网络电价预测建模预处理
• 4.1.3 神经网络电价建模预测
• 4.2 基于 SOM 的 SVM 夏季高峰电价预测
• 4.2.1 SOM-SVM-GA 建模预测
• 4.2.2 算例分析
• 4.2.3 结论
• 第五章 实时电价预测的优化建模
• 5.1 引言
• 5.2 SVM-GA -GARCH 混合预测模型
• 5.2.1 数据空间处理及输入变量选择
• 5.2.2 SVM-GA 建模进行初步电价预测
• 5.2.3 GARCH 建模进行误差预测
• 5.2.4 最终预测
• 5.3 算例分析
• 5.3.1 数据来源及模型参数选择
• 5.3.2 建模分析
• 5.4 结论
• 第六章 中长期电价的影响分析及建模预测
• 6.1 引言
• 6.2 建模原理和方法
• 6.2.1 建模思路和步骤
• 6.2.2 EMD 理论和算法
• 6.2.3 分解分量的规律分析
• 6.2.4 重构和建模
• 6.3 算例分析
• 6.3.1 数据来源及预处理
• 6.3.2 EMD 和模式特性分析
• 6.3.3 相关性分析和分量重构
• 6.3.4 建模和预测
• 6.3.5 误差测量和结果分析
• 6.4 结论
• 第七章 总结和展望
• 7.1 本文的部分结论
• 7.2 有待深入研究的问题
• 参考文献
• 致谢
• 附录
• 附录1：日前市场电价的影响因素相关性分析表
• 附录2：实时电价与相关输入因素之间相关性分析表
• 附录3：SVM-GA 建模训练和测试误差序列特性分析图
• 攻读博士学位期间发表的学术论文
• 攻读博士学位期间参加的科研工作