简介

随着全球电力市场化的不断发展，电力行业逐渐由垄断经营走向竞争，作为电力市场的核心因素—电价也发生了相应的变化。虽然现在存在和正在发展的电力市场的模式各不相同，电价的形成机制也不尽相同，但是作为一个总的趋势，电价应该是时变的，和经济、气象、电力系统的运行情况以及用户的情况相关的，电价随需求变化，电价变化影响需求量，电价的调节机制作用将更加显著。作为电力市场的参与者，其利益最终是通过电能的交易实现的，在电力交易和竞标中，预先知道电价的信息，提前安排生产计划和竞标策略就可以获得更大的利益，因此，电价预测就成了电力市场中函待研究和解决的课题之一。

电价预测的分类及特点

根据预测点的类型，将电价预测分为系统边际电价或者市场统一出清电价预测、区域边际电价预测、找点边际电价预测。常情况不我们所说的电价预测都是对系统的统一出清电价的预测。在系统不发生阻塞的情况下，各个地区的区域出清电价和系统统一出清电价是相同的。

根据预测内容的不同，可以分为确定性预测和电价空间分布预测，前者是当前讨论比较多的热点，主要针对短期电价预测，预测的结果就是给出一个确定的电价预测数值;后者主要基于概率论与数理统计知识，确定预测结果的可能波动范围及其一段时期内的电价均值，主要是针对中长期电价预测，日前国内外在这方面的研究还比较少。

电价预测根据其预测时间长短可分为中长期电价预测和短期电价预测。中长期电价预测指月度和年度电价预测，由于中长期电价预测包含太多不确定影响因素，预测的可信度较低，这方面的研究也相对很少。短期电价预测则包含周电价预测、日前电价预测和小时前电价预测。

中长期电价预测能够为市场参与者的中长期交易(如双边合同价格的谈判、合同的最优合同电量等)提供决策依据，同时也为电力监管部门提供市场监管的客观依据。短期电价预测可为市场参与者的短期竞价策略提供指导，参与者可根据预测电价来制定相应的竞价参数和竞价策略。准确的短期电价预测能减少参与者的竞价风险，为市场参与者带来稳定的收益。但是，由于影响长期电价的因素很多，所以日前这方面的研究较少，并且准确性不高。

时间序列法

时间序列模型分为白回归(AR)模型、动平均(MA)模型、ARMA模型、累积式白回归一滑动平均(ARMA)模型。而这几种模型应用的前提都是以时间序列为平稳随机序列为依据。电价具有非平稳随机时间序列特性，现有的这些方法不能很好地满足短期电价预测的要求。故现有电价预测方法的基础上，常规电价预测模型中融合误差预测来提高精度的迭代预测方法:先初步建立一个简捷合理的预测模型，然后针对形成的误差序列进行分析，建立误差的预测模型，且对这个序列建立预测模型的复杂程度较原始预测模型要低，但预测精度更容易提高。该文献所提的方法具有一般性，能推少到小时电价预测和负荷预测及其他的预测领域。但是由于电价的随机波动性比较强，一般很难有效地取出电价时间序列的非平稳过程，从而在很大程度上影响了预测的效果，使时间序列方法在电价预测领域没有多少优势。当然，如果能使序列较好地平稳化，时间序列方法也能取得较好的效果。

一种基于时间序列的白回归积分滑动平均模型(ARIMA)和白回归条件异方差(ARCH)模型以及神经网络的组合模型来预测美国PJM电力市场未来24小时的日前电价。ARIMA模型反映了电价趋势性、季节性，ARCH模型反映了电价的异方差性，因此模型能够很好地反映电价的特点，相对于单独采取时间序列方法或是神经网络模型来说，克服了单一方法所存在的局限性，取得了很好的效果。采用ARIMA模型对PJM电力市场2006年8到11月的历史电价数据进行模型分析，接着采用ARCH模型对这段电价建模进行分析，最后将这两个模型的预测结果作为BP神经网络的输人进行训练，网络的输出作为最后的预测结果。该方法的不足之处在于，由于影响电价的因素很多，仅考虑了历史数据，而且所取数据有限，因此预测结果存在一定的误差，但对日后的竞价策略能起到一定的指导作用，能够满足电力系统的电价预测要求。

时间序列方法的主要难点在于如何选择恰当的模型，如果模型选择不准确，即使参数枯计再准确，预测的效果也不会好。考虑到在时间序列分析中，选用何种因子和何种表达式有时只是一种推测，影响电价的因子的多样性和某些因子的不可测，使得时间序列分析在某些情况下受到限制，预测的精度较低。

人工神经网络预测法

人工神经网络应用于电价预测的主要思想是利用神经网络从历史电价数据中找出隐含的趋势性和规律性，从而达到比较好的预测效果。人工神经网络被少泛应用于预测方面，主要有以下几个方面的原因:人工神经网络需要大量的历史数据，而电力系统可以提供;电价预测是一个非线性且需要多种关联输人的问题，不利于建立数学模型，而人工神经网络具有较强的泛化能力，不需要建立数学模型，只需要将已有的数据交给网络，网络会通过训练来选择白己的模型，一般都能较好地解决问题;在电价数据中往往伴有大量的噪声，而人工神经网络相对其他方法更能容忍噪声干扰。

BP神经网络法

BP神经网络是日前应用最少泛也是最成熟的一种神经网络。它是多层非线性应身网络，采用最小均方差学习方式，在使其评价函数最小化过程中完成输人信号到输出模式的映射。它能实现复杂的高度非线性映射，可用作复杂类型的模式识别。而电力系统电价预测模型正是要反映出电价与各影响因素之间的非线性映射关系。所以，BP神经网络适宜于求解电价预测问题。对原始数据进行分析得出，UMCP(下一交易日无约束市场清算价格)的变化具有星期性变化趋势、季节性变化趋势、增长趋势等变化趋势。通过数据处理，去除了季节性变化趋势和增长趋势，增加了数据的可利用性。在输人量中加人星期指数，相当于输人向量带有一个时间标签，体现了数据的星期性变化趋势。通过相关性分析技术粗略确定输人变量，使输人变量的选择有了量化的标准;加人权值重新设计拟合误差的代价函数体现了预测中“重近轻远”的原则。最终数据的仿真结果令人满意。但是，该文献所提出的方法也有一些需要改进的地方，即没有考虑下一交易日中各时段之间的相关性，而且采用BP神经算法虽然在预测负荷等变化较缓慢的日标时具有较高的预测精度，但在预测变化较剧烈的电价时，BP网络常会出现输出结果不稳定、计算速度慢等缺陷。

RBF神经网络法

采用径向基函数神经网络(RBF)建立短期边际电价预测模型，由于RBF网络结构是关于隐层节点数、中心向量和连接权的最小化问题，而隐层节点数是不连续和不可微的，因此采用传统的优化方法可能陷人局部极小。用递阶遗传算法(HGA)同时训练RBF网络结构和参数，实现网络参数和隐节点数的优化。此种方法的不足之处在于在负荷变动较大，在出现电价峰值的时段预测值的偏差较大。

RBF网络是针对BP网络存在的局部最小值和熟练速度慢这两个固有缺陷而提出的一种多层前向网络。RBF网络虽然结构简单，在逼近能力、分类能力和学习速度等方面均优于BP网络，但还存在一些需要解决的问题一如何确定网络激活函数的数据中心。日前许多方法都从聚类出发，但是聚类面临有一个度量问题如何定义这种度量才能恰当地找到RBF网络的数据中心，如何寻找合适的径向基函数。对于一组给定的学习数据，往往反映了很复杂的非线性关系，而且数据相关性较大，如果基函数选择不当，那无论怎么改进RBF网络的学习方法都难以达到学习精度或根本不能完成学习任务。

CMAC神经网络法