论文部分内容阅读
电价是电力市场的支点,电价的波动性,不确定性为电力市场注入了活力,同时也增加了电价预测难度。伴随着国内电力市场化的稳步推进,电价预测对电力企业和电力需求客户显得尤为重要。准确地预测电价有利于市场交易双方实现双赢,电力需求客户可以依据预测电价制定合理的用电计划,降低用电成本,有效避免高峰期用电,同时供电企业可以降低供电成本。近年来各国政府大力推行电力市场化建设,吸引了越来越多的学者参与到电价预测研究之中,使得电价的预测精度得到了一定程度的提高。但电价本身特征决定了其受多重因素的影响,预测难度较大,当前电价预测精度远未达到电力企业和电力需求客户的要求,因此对电价预测研究显得十分必要。电价数据预处理能够显著提高数据的挖掘质量。本文通过对PJM电力市场电价进行分析,发现电价具有周期性,波动性等特征,可以提高日前电价的预测精度。但是电价存在干扰数据会严重影响电价预测准确度,于是本文提出基于经验模态分解和小波阈值去噪的电价数据预处理方法。此方法可以在去噪的同时,较好地保留电价的原有特征。电价具有两个特征:(1)非线性与波动性(2)周期性与均值回复性。针对特征,分别提出模型。电价具有非线性与波动性的特征,神经网络算法具有较强逼近非线性函数的能力,于是本文提出GDBA-LSTM电价预测模型。蝙蝠算法其准确性和有效性都要远远好于传统优化算法,但是蝙蝠算法具有后期收敛速度慢,极易陷入局部极值的缺点。本文加入梯度下降寻优作为噪声项来增加蝙蝠算法跳出极值的概率,混合蝙蝠算法可以加快收敛速度,提高预测精度。电价具有周期性与均值回复性的特征,是典型的时间序列,于是本文提出基于GBE-ARIMA电价预测模型。采用ARIMA模型预测电价线性部分数据,改进蝙蝠算法优化Elman神经网络预测电价非线性残差。通过仿真验证了上述模型预测精度高于采用单一ARIMA模型预测精度。单一预测模型总会存在着某些缺点,此外,采用单一模型对数据的适应范围较窄,在实际应用中会极大地增加预测风险,因此本文提出了采用综合误差指标修正权重的组合预测模型。此模型将GDBA-LSTM和GBE-ARIMA模型组合以后,预测精度得到了显著提高,同时增加了预测模型的可靠性。本文提出的预测模型比较准确,除了偶然因素造成剧烈波动外,其它电价均能较好地预测。其较为准确的预测电价可以协助电力市场参与者在充满竞争性,不确定性环境中做出更加合理的决策。本模型同样适用其他具有类似特征的行业,比如快递包裹数量预测等。