随着市场化被引入电力工业,在放松管制的电力市场,电力价格预测变成了所有市场参与者最有价值的利用工具。一方面,准确的短期价格预测帮助电力供应商建立他们的投标策略以实现最大的效益;另一方面,有价值的价格预测信息可以让生产者规避价格波动带来的风险从而优化他们的生产计划。长期的电价预测对电力传输扩展的决策,分布规划和区域能源贸易都能产生积极的影响,中期预测的目的在于成功的将双边合同的谈判提供给供应商和消费者,而短期电力预测则在现货市场帮助企业实现利润的最大化。因此拥有一个有效和健全的价格预测方法对电力市场交易的企业就显得尤为重要。由于复杂的投标策略以及多种因素的影响,电力价格呈现出特殊的特征,如高频率,非平稳行为,多季节性,日历效应,高波动性,高百分比的异常价格,硬非线性行为以及给市场参与者有限的信息,让准确的电力价格预测变成了一项具有挑战性的任务。为了探寻有效和精准的模型来进一步提高电价预测的精度,本文在研究了全球电力市场结构和市场化进程,以及各国电力价格定价模式的基础上,分析了放松管制下国内外对电价预测的方法及分类,影响电价的因素和电价的特点,电价预测的流程以及电价预测的数据预处理方法。通过对几种人工神经网络电价预测方法的探索,提出了不同的基于人工智能神经网络的电价预测模型。首先本文研究了几种常用的人工智能电价预测方法,通过实验发现单个模型的预测误差较大,但是经过人工智能算法如遗传算法和人工鱼群算法优化的神经网络可以有效的改善电价预测的精度。其次为了更好的捕捉电价隐藏的信息,本文提出了一种基于数据预处理的小波分解和极限学习机的混合电价预测模型。原始电价信号经过小波分解后减少了数据的波动,而极限学习机又可以有效避免一些基于梯度算法神经网络过多参数迭代,过度拟合,局部最小值,收敛速度慢的缺陷。通过预测澳大利亚新南士威尔、PJM以及加利福利亚电力市场的电价,发现该模型可以有效的降低误差,进一步提高预测精度。由于电价复杂的特点,单个模型不一定能把小波分解后的电价信息完全捕捉到,为了得到更加精确的预测,本文在此基础上提出了基于ARMA、核极限学习机和可适应粒子群优化的混合电价预测模型。通过对小波分解后的电价序列进行平稳性分析,我们用擅长平稳序列建模的ARMA模型来预测分解后的平稳序列。由于核极限学习机用核函数来代替隐含层的映射函数,减少了普通极限学习机的随机性,可适应粒子群智能优化算法又让核极限学习机拥有更加稳定的泛化能力,所以一种可适应粒子群优化的核极限学习机被用来预测小波分解后的非平稳序列。PJM电力市场、澳大利亚新南士威尔、维多利亚电力市场和西班牙电力市场的电价数据用来评估该模型的预测性能。大量的实验证明了该模型的线性与非线性预测特性可以提供有效、合理和精准的电价预测。本论文的主要成果和贡献在于详尽的分析放松管制市场下的电价体制、特点以及电价预测的流程,将几种人工神经网络技术、极限学习机、核极限学习机、人工智能优化算法技术、小波分解技术、ARMA模型结合提出了不同的电价预测模型。通过大量的实验数据验证模型的有效性,并成功的将模型应用到世界主要电力市场的电价预测。