浅谈分时段短期电价预测方法

席丹

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時间序列法，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，能够将预测的精度大大的提升上来，这是因为电价的有关系数比负荷率较电价和负荷的有关系数要高。

（3）当对气温因素进行考虑的时候，RBP网络和BP网络的预测精度就会被降低，这时就会发现，相应的提升了GRNN网络的预测精度。电价的相关系数同气温因素的联系较小，所以，在预测电价的时候，可以认为在负荷中已经将气温因素融入到了其中，在考虑的时候，就不用单独的进行。

（4）在只将电价输入进去，会有非常理想的预测精度，同负荷率和电价时的精度上会保持一致，所以，当对电价带来影响的因素本身预测误差较大或者不是非常明确的时候，在输入的时候，使用历史电价，这样能够将更好的电价预测精度获取出来。

（5）对不同的神经网络进行使用，对预测精度的影响上不会太大，在预测电价的时候，所选择的输入因素，比选择神经网络更为关键。

4 结语

综上所诉，在对电价进行预测的过程中，有着一定的复杂性。所以，在工作的过程中，需要对合理的方式上进行选择和应用，因为分时段电价序列变化的时候会比较单一，顺序电价序列变化有着较多的特点。对此，文章利用神经网络和小波分解工具，来预测分时段的电价。这样能够大大的提升电价预测的精度，使工作更加的简易。通过文章的描述，为此项工作顺利进展提供相应的帮助。

参考文献

[1] 张显，王锡凡，陈芳华，等.分时段短期电价预测[J].中国电机工程学报，2005（6）：1-6.

[2] 杨洪明，段献忠.电价的混沌特性分析及其预测模型研究[J].电网技术，2008（3）：59-64.

[3] 邰能灵，侯志俭.小波模糊神经网络在电力系统短期负荷预测中的应用[J].中国电机工程学报，2004（1）：24-29.