电力工业放松管制,建立市场竞争机制,是整个电力行业的发展趋势。在电力市场环境下,准确的短期电价预测已成为市场参与者共同关注的问题。发电商需要根据预测电价来优化投标策略,以追求利润最大化；用户需要依据预测电价来优化购电组合,以追求成本最小化；市场监管者也要通过预测电价对市场进行监管,以促进市场健康、稳定和有序的发展。然而,由于受众多因素的影响,电价时间序列往往呈现出多周期性、波动性、季节性和随机性等特点,这又使得准确的电价预测成为电力市场中的一个研究难点。为此,本文在分析国内外短期电价预测研究现状、电价影响因素、电价特征和影响电价预测精度因素的基础上,提出了针对不同电力市场的短期电价混合预测模型,以期提高短期电价预测精度。本文主要对以下几个方面进行了研究：(1)输入变量的选择。尽管电价受众多因素的影响,但过多的或不重要的因素可能会降低电价预测精度。为此,将相关性分析技术应用于电价预测模型的输入变量选取中,选取相关系数较大的几个因素作为输入变量。(2)输入数据的处理。由于电价时间序列往往呈现出多周期性、波动性等特点,这使得直接应用原始数据往往效果不好。所以,本文通过小波变换对原始数据进行处理,使得电价的这些特点能够有序地分解出来,从而达到分而治之的目的。(3)样本长度的选择。为了检验预测模型的精确性,通常将历史数据分为训练样本和测试样本两部分。训练样本的长度过长或过短都会影响预测精度。为此,本文针对不同的电力市场,采用灵敏度分析法来确定最终的训练样本长度。(4)预测模型的选择。实践证明单一的模型已很难提高短期电价的预测精度。为此,部分学者提出组合预测模型,但该模型存在难以确定不同模型的权系数问题。基于此,本文提出短期电价的混合预测模型,其可以分为以下三种：基于时间序列模型的混合预测模型。时间序列模型简单易懂、解释能力强、对新数据需要量要求较低,该混合预测模型适用于电价波动较平稳的目前电力市场。本文利用基于小波变换、多变量自回归移动平均模型、季节自回归整合移动平均模型、自回归整合移动平均模型和广义自回归条件异方差模型的混合模型来预测美国加州和加拿大安大略省目前电力市场的短期电价。实证结果表明该混合模型具有较高的预测精度。基于时间序列模型和人工智能模型的混合预测模型。时间序列模型虽然能够较容易地建立,但它不能将电价与其输入变量间的非线性关系反映出来,且不具备自适应学习能力,因此需要采用人工智能模型,人工智能模型具有较强的非线性逼近和自学习能力。但直接利用人工智能模型来预测电价,其效果往往并不理想,这是因为电价时间序列中不仅包含非线性分量,还包含着线性分量。因此,需要混合时间序列模型和人工智能模型,该混合模型非常适用于电价波动较大的实时电力市场。本文利用基于小波变换、粒子群优化的最小二乘支持向量机模型和自回归整合移动平均模型的混合模型来预测澳大利亚新南威尔士和昆士兰实时电力市场的短期电价。算例证明该混合模型能够有效地提高预测精度。基于时间序列模型、人工智能模型和混沌理论的混合预测模型。近年来,已有学者发现电价时间序列存在着混沌特性,这表明电价的变化呈现的是一种非线性、动态的演变过程,传统的模型很难准确地描述这种复杂的特性。因此,须将时间序列模型、人工智能模型和混沌理论相结合,才能有效地提高电价的预测精度。该混合预测模型适用于电价时间序列具有混沌特性的电力市场。本文利用基于小波变换、径向基函数网络、最小二乘支持向量机、指数广义自回归条件异方差模型和混沌理论的混合模型来预测西班牙和美国宾夕法尼亚-新泽西-马里兰电力市场的短期电价。仿真结果表明该混合模型具有较高的预测精度。