基于大数据的负荷边际电价联合预测方法

准确的电力负荷边际电价联合预测有助于电力系统调度,同时也是电力系统运行和维护中最重要的任务之一。现有的独立预测方法割裂了负荷与边际电价之间的关系,影响预测精度,为此提出一种基于大数据的负荷边际电价联合预测方法。首先以门限循环单元(gated recurrent unit,GRU)为基础,建立人工智能模型分别对负荷边际电价进行预测;然后分别以历史温度与实时温度间的差值ΔT、历史负荷与实时负荷间的差值ΔP为基础,通过建立以多层感知器(multilayer perceptron,MLP)为基础的预测误差补偿模型,分别对负荷边际电价的预测结果进行修正;最后将GRU的输出与MLP的输出叠加计算得到负荷边际电价联合预测结果。算例验证表明:与传统方法相比,所提方法减少了13.4%的负荷预测误差,减少了71%的边际电价预测误差。

模糊神经网络在电力系统边际电价预测中的应用

文章针对短期电力系统边际电价预测研究和应用中存在的用多元回归等传统方法建模困难、用ANN方法学习速度慢和易陷入局部极小点等问题,利用模糊神经网络具有接受和处理模糊数据、自适应地以任意精度逼近映射函数、不要求明确的数学描述等优点,建立了基于模糊神经网络的系统边际电价预测模型。通过具体实例测算及现场运用,证明了该方法为提高电力市场中边际电价预测精度、制定和实施科学合理的发电企业报价策略提供了可靠的支持。

混合式短期边际电价预测模型

提出以动态聚类和 BP神经网络来预测短期边际电价 ,以样本数据与聚类中心的距离最小为标准 ,通过动态聚类方法将所有样本数据划分到多个类别中 ,对不同类别的样本数据分别建立具有相同拓扑结构、不同神经元连接权值和阈值的 BP神经网络模型 ,通过 BP神经网络的反向传播过程不断修正模型中的神经元连接权值和阈值 ,实现对短期边际电价的合理预测 ,以 America PJM(美国宾夕法尼亚州、新泽西州和马里兰州 )公布的 1 999年数据进行模型训练和测试 。

边际成本理论在电价设计中的应用

由于供电成本的核算方法以及在用户中分摊的方法不同，因而出现了会计成本定价法和边际成本定价法两种不同的电价设计方法。西方国家的电价制度中较多地采用了边际成本理论，而国内相关文献中对边际成本电价则很少涉及。本文对边际成本电价的特点作了简要分析，并提出了应用边际成本定价法设计电价的基本程序，以期对我国电价制度的改革有所裨益。

电力现货市场前瞻优化的周期选择

前瞻优化对于适应可再生能源的发展需求,确保电力现货市场良好运作,发挥着重要作用。而合理的前瞻周期选择能够有效地提高电力系统全局优化的可靠性与经济性。因此,迫切需要对前瞻周期的选择问题进行研究。为此,文中首先通过建立电力现货市场前瞻优化模型,推导了优化模型下的节点边际电价公式,分析了跨时段约束对节点边际电价的影响。然后,构建了前瞻周期的偏差量模型,设计了电力现货市场前瞻周期的选择流程。最后,通过不同的算例,揭示了不同前瞻周期下跨时段约束对节点边际电价的影响,验证了流程所选最佳前瞻周期的有效性。