摘要
目前，我国的区域电力市场已经进入模拟运行阶段，东北区域的日前市场初期将采用单一购买者的竞争方式，因此，对于发电商来说，电力无约束市场价格（UMCP）的预测将具有相当重要的意义。
本文首先采用有序样本聚类分析、日期类型分析、因素分析、动态聚类分析等方法对全年历史日价格样本进行逐级聚类，使相似的日价格样本被分到了一起，较好地解决了预测样本的最优选择问题。
然后在聚类分析结果的基础上，通过多种预测方法比较、模型优化等研究工作，找到每一小类的UMCP最优预测模型。
在完成上述研究历史数据得到日UMCP的最优分类方法和预测模型之后，采用判别分析法确定待预测日应属于哪一小类，同时也就确定了该日的最佳预测模型。
研究当中，还对遇到的最优聚类，不同因素分析方法得到不同分析结果的分析和正确处理，聚类分析中样本距离的不同度量方法造成不同聚类结果的分析 和正确处理，以及预测方法优化等重要问题展开详细的讨论。
算例分析证明：本文的所提出的方法实用，预测效果较好，有利于发电企业通过UMCP的预测构造竞价策略，提高经济效益。
Recently, the regional power market of our country has get into the stage of simulation, the early time of the day ahead power market of the northeast china will take the competition mode of single buyer , thereby, the prediction of Unconstrained Market Clear Price(UMCP) is of great importance for the generators.
At first, ordinal clustering analysis, day type analysis, factor analysis, dynamic clustering analysis are used in the paper to classify the sample of day of a whole year step by step, so the similar sample are clustered into a genus. This part solve the problem of the classification of price mode and the selection of sample.
Then, on the basis of the result of above clustering analysis, by the compare of some forecast methods and the optimization of forecast models, a better forecast method for UMCP is brought forward.
After the above study of optimal clustering and optimal forecast models with historical data, the discriminant analysis is used to solve the problem of the confirmation of the un-forecasted day, and simultaneously, the best forecast model and sample for the model are found.
In the study, a lot of important problems are studied detailedly: the problem of optimal clustering, the analysis and disposal of different result that come from different methods of factor analysis, the analysis and disposal of the different clustering result which come from the clustering analysis when different method for calculating distance between sample, the optimization of forecast methods, etc.
The example confirm that the the methods the paper bring forward are practical and good, they are good for generators to form bidding strategies and improve benefit by forecasting daily UMCP.
引文
szkuta B R, Sanabria L A, Dillion T S. Electricity price short-term forecasting using artificial neural networks. IEEE Trans on Power Systems, 1999,14(3):851 – 857.
杨莉，邱家驹，江道灼。基于BP网络的下一交易日无约束市场清算价格预测模型。电力系统自动化，2001，25（19）：11 – 14。
黄日新，康重庆，夏清。电力市场中边际电价预测。电力系统自动化，2000，24（22）：9 – 22。
刘正国，付祥明等。基于神经网络的浙江发电市场清算电价预测方法。电力系统自动化，2002，第10期。
火力发电厂竞价上网辅助决策系统的研究。杨正冬。
Wang .A Ramsay. B.Prediction of system marginal price in the UK power pool using neural networks.. Neural Networks,1997., International Conference on.
Feng Gao, Xiaohong Guan. Forecasting power market clearing price and quantity using a neural network. Power Engineering Society Summer Meeting, 2000. IEEE , Volume: 4 , 16-20 July 2000 Page(s): 2183 -2188 vol. 4
利用数据挖掘进行短期电价预测。袁贵川，程利，王建全。电力系统及其自动化学报 2003年02期
多元统计分析及计算程序。林少宫，袁蒲佳，申鼎煊
多元统计分析方法。唐守正。
多元统计分析引论。张尧庭，方开泰。科学出版社
刘庆生。有序岩石遥感信息的最优分割。国土资源遥感。1999年第二期。
袁瑾英。最优分割法在海岸带调查测站优化中的应用。交通环保，1998年第二期。
何晓群。现代统计分析方法与应用。中国人民大学出版社。
任若思，王惠文。多元统计数据分析——理论、方法、实例。国防工业出版社
多元统计分析。孙文爽，陈兰祥。
解决多重共线性问题的线性回归方法。江苏统计.应用研究。2000.11。
预测和评价 p309
电力负荷预测技术及应用 p121
时间序列分析预测与控制 p213
丛爽。面向MATLAB工具箱的神经网络理论与应用。中国科学技术出版社
张国华。基于神经网络的短期负荷预测。华北电力大学。
王科俊，王克成。神经网络建模、预报与控制。哈尔滨工业大学出版社
何晓群。现代统计分析方法与应用。中国人民大学出版社。
一种应用时间序列技术的短期电力负荷预测模型。上海大学学报（自然科学版），2002年第2期
人工神经网络进行电力系统短期负荷预报的几个问题的探讨。河海大学学报。第26卷第4期
组合预测方法在电力负荷预测中的应用。中国电力，1998年第6期。
负荷预测的交叉式自适应优选组合预测模型。华北电力大学学报，第27卷第4期。
回归分析方法。中国科学院数学研究所数理统计组编。科学出版社。