浅谈分时段短期电价预测的方法.docVIP

浅谈分时段短期电价预测的方法 　　摘 要：电力市场中，供求关系是通过电价反映出来的，是电能交易与市场监管的重要依据。这样在电力市场中，电价成为了其中最主要的信息。因此，如何将电价预测的工作效率提升上来，是当前非常重要的工作，需要有关部门及工作人员重视起来。 　　关键词：分时段短期 电价 预测方法 　　中图分类号：TM74 文献标识码：A 文章编号：1674-098X（2015）02（c）-0241-01 　　随着社会经济发展与进步，为我国电力行业的发展带来了巨大的推动作用，为了促进我国电力行业更加合理的发展，文章通过下文对分时段短期电价预测方法上进行了阐述，为有关部门及工作人员提供一定的借鉴作用。 　　1 电价的特征及对电价带来影响的因素 　　市场化的电力运营，令电力同一般的商品相同，交易可以自由进行，会随机的波动电力价格，在各种机制的电力市场中，电力价格都展现出了同一般商品价格不一样的特征。第一，有着明显的均值回复性特征存在于电力价格中，电力的供求关系就会决定其走向；第二，因为不能有效的存储电力商品，而供求实时平衡的要求却存在于电力消费中，这样就会有强烈的波动性会存在于电力价格中；第三，因为系统的故障、有限的输电容量、市场力的作用和较低的价格弹性，这样就会导致尖峰和跳跃的情况出现在电力价格中。同时，气候和季节也会影响到电价，有着很强的周期性存在于其中，涵盖着年、季度、和每天的周期性。 　　针对有着多样性特点的这样一个顺序电价，不管是神经网络法，还是时间序列法，在预测的过程中都很难准确的进行，这也是当前电价有着较低准确度的原因所在。因为有很大的差异存在于各个时段的电力需求中，这样一来，有着很大的差异就会存在于不同时段电价变化中。就15点来讲，这个时段有较高的负荷，因此，就会有较高的电价，有较多的价格尖峰和跳跃，并且，电价波动的非常剧烈；相对24点，电价则相对平稳的进行变化。各异的电价变化特点可以通过不同时段电价展现出来。所以，在预测各个时段电价的时候，分时段的电价预测方法，不但有助于分析建模时间序列法，并且还能够将神经网络的训练效率有效的提升上来。 　　2 在小波分析基础上，预测神经网路工具 　　在有效的信号分析工具中，就包涵着小波分析，在图像分析、信号处理等很多方面都大量的进行了使用。电力市场供求关系是由电价所决定的，例如：设备故障、电商博弈等预测不到的因素等，将较多高频细节分量赋予给了电价，导致电价与正常值之间出现偏差，进而电价的真正变化规律没有被显示出来，这样在预测电价时必将会带来一定影响。对于电价序列的近似分量，文章通过小波分解技术进行提取，进而将高频分量在电价序列中剔除，并且对于原电价序列用近似分量予以取代，将其视为神经网络的输入。 　　在函数逼近理论的前提下，将径向基函数神经网络构建了起来，属于一种前向的网络，学习这类网的时候，同多为空间对训练数据的最理想拟合面进行收索是相同的，各个隐层神经元在径向基函数神经网络中，对函数进行传递的时候，都将拟合面的一个基函数构建了起来，局部逼近的网络是其主要的特征，对于每一个局部区域在输入空间中，在对网络的输出进行决定中，只存在少数的神经元。全局的逼近网络即为常用的BP网络。和BP网络进行比较，径向基网络有着很大的规模，但是，能够快速的令工作人员们去学习，这样还会有非常优越的函数逼近能力。径向基函数网络类似于广义回归网络，特殊线层是其输出层的特点，规则性的径向基函数网络是其主要特性。当存在着足够多的隐层神经元的时候，广义回归网络在向一个平滑函数逼近的时候，能够通过任意的精度给予完成。输出层和GRNN隐层的神经元数量，都等同于输入样本矢量的个数，当有较多的样本被输入进去之后，就会有非常庞大的GRNN网络。文章对分时段的电价预测方法进行了使用，一旦在对训练样本进行选择的时候，对近30天的进行了选择，这样样本矢量个数在各个时段中仅为30，这样就会有30个GRNN的神经元存在于，这样就会有较快的网络计算速度存在。因此，在对各个时段的电价进行预测的时候，文章对GRNN神经网络进行了使用。 　　电价的预测过程中对于神经网络的各个输入量，可以从历史数据中统计获取，并且训练神经网络，通过这个流程图来获取各个时段的预测价格，这样预测日的全天预测电价就会被获取出来。 　　3 神经网络和输入因素影响预测结果分析 　　在对电价进行预测的时候，电价的预测精度会受到不同输入因素的影响，顺序电价序列和分时段电价序列，不同神经元网络和输入量，在影响电价预测精度上会存在一定的差异，并且根据一些工作经验能够发现以下几个方面内容。 　　（1）在分时段电价序列预测方法的基础上，在每种神经网络下，和顺序电价序列的方式进行比较会更加的优异。 　　（2）对负荷用负荷率进行取代，能够将预测的精度