電力市場電價預測方法綜述

蔣藝枝

電力市場的運營情況，主要是通過電價來體現的。只有對電價預測準確了，才能做出相應的電力決策，提升市場競爭力。因此，需要根據電力市場電價預測問題的特點，使用不同的辦法，并在實踐中改進，提高其精準度。

電力市場;電價預測;方法

近年來，全球的電力市場都在飛速發展，所以對于電價預測的要求也隨之提高。精準的電價預測，可以為電力核定提供重要數據，從而跟上時代發展的步伐。這也就確定了電價的核心地位，本文將找出預測辦法的優缺點，提出一些完善的建議，提供參考。

（一）電價預測的概念

電價預測，是在電力市場下，根據成本、經濟形勢等情況，運用數學的方法，對相關歷史數據進行分析與計算。發現其中變化規律，在一定精準性與速度下，對市場中的電力價格做出合理預測。

（二）電價預測的特點

電價預測，雖然比較特殊，是一個比較波動的值，但是仍具有與負荷預測同樣的周期性。正常情況下，燃料成本、設備容量、電阻與不同需求等會對電價波動造成制約，使之不同于負荷。而且，電價預測還會受到發電商實操情況、市場結構與經濟發展的影響，所以準確度有待提升。介于電價預測比負荷的預測難度大，已經不能使用相同的辦法去處理了。可以結合實際情況，使用短期與中長期電價預測辦法，將精準度不斷提升。電價預測是電力行業發展和研究的新方向，對其研究有助于電力市場化的實施和發展 ，但當前對電價的預測還不夠充分。在實際預測中發現，沒有一種普遍使用的辦法，而是需要結合多種形勢的組合預測，才能滿足速度與精確度。

短期電價，通常采用的是時間序列法，還有神經網絡法、組合方法和小波理論等預測方法。其主要是對一定時間內的電價預測，例如，未來幾個小時或者幾天等。只有準確預測出短期電價，用此數據進行實時監測，使電力市場穩定運行。同時，也有能做出成本最低，利潤較高的電力策略，跟上經濟發展形勢，提升市場競爭力。

（一）神經網絡法

神經網絡法，能滿足電價非精準性的預測，最適合處理多變量的問題。但是在預測時，容易出現一些不精確的情況，沒有科學的辦法，只是通過以往經驗進行嘗試，也就是其最大的缺點。對于神經網絡法來說，通過神經元、信號與函數進行電價預測，但其結果與實際情況偏差較大。RBF神經網絡法，運用的是階梯形的算法，對其中每層要求的數據比較嚴格，對其中的參數進行優化。但是不能對峰值時行合理預測，無法確定其中的徑向函數，所以對最大與最少值不能更好的計算出來。

（二）時間序列法

通過電價使用時間排序，然后與歷史數據進行結合，建立出電價時間模型進行預測，即時間序列法。其對于時間模型的分量有明確的特性，非常便于理解。其模型是建立在隨機序列上的，但實際情況中并不是如此穩定的，所以預測結果會出現一些偏差。也就是因為不能考慮到外部的因素，所以模型不能合理選擇，導致了精確度不高，需要通過外生變量來彌補。時間序列法還有一個優點，就是可以通過較少的歷史數據進行計算，速度比較快。

（三）組合預測法

從以上兩種方法中可以看出來，單一的使用中缺點較多，對于預測的準確性來說比較差，產生一系列的影響。結合影響電價的多種情況，改進短期預測辦法，使缺點得以彌補，滿足市場需要。因而，研發出了組合預測法，根據實際的電力情況，適當的將兩種或多種辦法進行組合，建立起預測模型。這種組合，可以使兩種辦法之間進行互補，然后最大程度地發揮出各自的特點，使電力預測速度快，也很精確。例如，神經網絡方法的速度比較慢，對于細小的點不能更好地預測，這個時候，可以加入數學的方法來對其進行預測。將細碎的數據收集起來，進行全面的計算，彌補其不足，從而建立起了組合預測模型。同時要注意的在選擇兩種辦法的時候，要注意二者的優缺點，結合實際情況進行組合，才能保證電價預測的準確。

（四）基于小波理論的預測方法

在短期預測中，小波方法是基于傅里葉分析上對信號進行處理的方法。其能將混合在一起的眾多信息進行分解，然后形成不同的信號，這樣話，可以更加清晰地對不同信號進行觀察。將原始的電價分成多個序列，然后重組，建立時間序列模型，這種組合方法，使二者的優點都發揮出來，對于預測的精確性有所提高。還可將小波法也神經網絡結合在一起，進行電價預測。例如，用小波處理信號，然后用神經網絡進行優化，建立起一個電價預測模型。在各個時間與區域進行分辨，做到更全面的監控與管理，使電力市場穩定運行，促進了經濟的發展。但是，在參數選擇的時候，注意小波變換中的分界度，才能使預測整體效果提升。

除了短期預測之外，就是中長期電價預測了。中長期電價預測能為發電商與電力的使用和投資，提供大量的數據信息。對于電力市場情況進行監督，同時做好預測，有助于電網的穩定運行。電價的中長期預測的周期較長，所以對電價進行中長期預測的難度是非常大的，所以在進行電價預測的時候，往往過多使用的是短期預測。加上對于電價的影響因素太多，每一種都非常不穩定，所以隨機性較強。

中長期電價預測使用的是模糊方法。這種辦法是計算出預測數據的分布情況，然后通過神經網絡法的結合，找到不同變量的規律。對于預測精度沒有特別要求，從不同分布中預測出電價。在中長期電價預測的時候，要結合各種影響電價的因素，例如：電力的需求、社會的發展，經濟的形勢等等。還有電場的設備建設情況，對于中長期電價與整個電力系統的比例關系。從中看出電價變化的整體情況，及發展趨勢，才能更好地做出電力決策。

電力除了受制于系統內部之外，還有更多的外部因素。所以在預測的時候，沒有結合周圍實際的因素，對于數據的準確性來說是很不利的。在電力預測中加入一些主要的相關因素，并且注意選擇好合適的辦法，從面提高預測的精度。

對于特征的選擇，像人為因素，電力報價等，導致其在數學模型中不易確定。所以要注意在預測時加入這個情況，并非所有的市場模式下負荷與電價都強相關，因此，僅僅以預測負荷和歷史電價作為模型的輸入參數并非一定是合理的。因此，這個要根據市場需求進行選擇，比如競價空間、系統剩余百分比還有供求指數等。只有這樣，才可以全方位的考慮電價趨勢的影響，使預測結果符合真實需要。

對于重近輕遠的原則，其要求注意各時段時的差值，將短期規律進行擬合。但對于遠期的歷史數據來說，這種相關性不強，所以可以稍微降低擬合度。同時對于參數，可以給近期數據最大的權值，對于遠期可以稍小，從而更發好地實現重近輕遠的原則。在預測時，可以發現不同的區域的電價會因市場需求而產生很大的差值。如前一時段、前一天的電價、負荷、反映供求關系的數據等。所以，一定要結合實際電網系統的情況，靈活運用多種方法，找到不同的影響因素，從而建立起電價預測模型，將相關參數加入預測中，提高了精確度。

了解了電力市場中電價預測的方法，并且找到了其中規律，那么便可以根據實際情況，進行合理選擇。介于每種辦法在單一使用時容易出現數據籠等一些不足問題，那么可以組合預測，從多方數據中計算。對電力預測方法進行不斷地實踐與改進，有利于提升其精準度與時效，使之發揮出最大的作用。

[1]基于統計學習的電價預測模型[J].謝詩宇.通訊世界.2018（05）

[2]基于電力市場的短期電價預測分析[J].汪敏霞通訊世界.2015（11）

[3]趙慶波，周原冰，郭蓉，等.模糊神經網絡在電力系統邊際電價預測中的應用[J].電網技術，2018，28（7）：45.48