基于ARMAX模型的短期出清电价预测方法.pdfVIP

事晓羽，王海峰+谢聱亚，言麓骚：基-yARMAX模耋豹短瓣出游电嚣预测方法 基于ARMAX模型的短期出清电价预测方法 华东电力培训中心李晓刚 王海峰上海大学自动化系谢贤亚 言茂松 在电力市场环境下，电力作为一种商品，其价格是整个市场的关键。电价的变亿影响到各种资潦 在电力市物参与各方之间流动和分配。所以，电价预测对于市场中的各个参与者都具有重要的意义。 具体来说，长期电价预测右助学枣场蓝管者制定宏观调控致策，也有助于发电商和用户进行长期躺投 资规划以及制定期货交易计划；而准确的短期电价预测则是发电厂商制定“竞价上网”策略的重要依 据．对于发电厂商而亩，如果能够较准确的预测次日的市场电价，将檄有助其构造最优投标策略以获 取最大利瓣。嚣雨，出清电价预测是电力市场研究锬域的热点之一，近期匡内外有不步文羝对这一羔 作进行了报道。 由于日前现货市场的电价波动频繁，公开的历史数据少，影响电价的嗣素复杂等诸多原因，要准确的 进行电价攒测是搬当嚣难的。文献[1]分析了电价预测和电力负荷瑗测之闻的关系，指出电价的变化趱 律没有负荷变化规律明显，因而精确的电价预测比负荷预测更困难。由于出清电价和影响它的因素之间 的关系相当复杂，较难用数学表达式描述糟者之问的关系，因而可以逼近任意非线性函数的神经网络技 进行了预测。文献[3]用改进的BP神经嘲络对美圆加州电力市场的出清电价进行了预测。文献[4]在神 经网络的辅人量中引人了市场供求指数；类似的，文献Is]提出了竞价空间的概念，并将其作为BP神经网 络的输人豢，对浙扛发电撼电力市场的出清电价进行了蔼测。文献[6]栗孺辗联襻经弼络进行出清电价 预测．文献[7]采用动态聚类和BP神经网络相结食的算法对美国PJM电力市场的出清电价进行预测， 文献[8]采用模糊聚类算法对输入空间进行软分块后用神经网络进行电价预测。时间序列方法也是一种 常用的预测手袭，文献[9】指出粥时舞痒列方法避嚣电骱蓊鲻趸一种较为实用的方法。文献[垂]中采用时 间序列ARIMA模型对戎国某省发电市场的出清电价进行了预测。文献E10]采用时间序列方法中的自 回归模型和传递函数模型分别对西班牙和美国加j}14电力市场的出清电价进行了预测。文献[11]采用 enous)输入量的自嘲归滑动平均(ARMAX)时间序列模型对燕国NewP001日前市场电价进行 England 预测。 圭颈测短期出港电价的ARMAX模型及其参数辩谖 1．1 预测短期出清电价的ARMAX模型 影响电价的因素有很多，如负菏、市场供求关系、对手报价、燃料价格、季节、气候类型等，这里面有些 燕公开信息，有些是私有信息。对发电厂商而言，殳能根据市场中的公升信息进符电价预测．虽然各个市 场的公开信息有所不同，但负荷和历史电价都会公布。因而，我们就根据负荷和历史电价来预测某一时 段豹电价。考虑到神鳋网络存谯训练时阗长，当误差精度设置较高对，网络参数可能不收敛等缺结，我们 采用ARMAX模型对电价进行辨识和预测。将出清电侨看成一个多辘^单输出系统，输入量是系统负荷 及历史负荷与电价数据，输出爨是某一时刻的电价。在选取输人量时，我们采用相荚性分析技术，选择与 菜一时段出清电价相关系数较大的量作为输人量。相关系数的计算公式为， pxvP：_曼蝉墨盟： (1)(1) 2一、／D-(X)D—(=Y) X，y之间线性关系紧密程度盼量。 当l附I较大时，X，y之间线性相关的程度较好．反之则较差。因此，可通过各因素与预测电价之间 的相美程度排序，以确定输人量。 设p(￡)和d(})分别为f时段的市场电债和负荷，通过分析NewEnglandPoot的历史电价和负荷，我 一107— 圭嚣幕毫孥委棠差篓2006年学术年会论文集(电力系统专娄会) 192)、d(￡一193)相关性较大，故构建如下的多输入多输出ARMAX模型。 17