电力市场化是当前电力体制不断发展的产物,电能是其中最重要的部分之一,它的价格是电力市场的重要因素,保证市场的稳定运行,对电价的预测也逐渐成为各国学者的关注焦点。从发电侧角度分析,发电公司可以通过预测电价来制订准确的投标计划,从而取得更大的利润;从购电方角度分析,用户可以通过预测的电价调整用电量,有效地控制购电成本;从市场监管者角度分析,电价预测可为市场的稳定发展提供科学依据。所以,电价预测在电力市场中具有重要意义。通过对各国电力市场的历史数据分析发现电价具有一定的周期性和波动性,而且电价的影响因素很多,除了历史电价、历史负荷这些可量化的因素之外,还包括气候、市场需求等时变因素,不能量化的因素,这些都大大增加了电价预测工作的难度。同时预测样本的选择同样影响电价预测的精度,如何选择和处理输入数据是本文需要考虑的一个重点。本文的研究课题为预测短期电价。鉴于电价的随机性特点,在分析不同模型预测电价的优缺点后,本文采用BP神经网络算法,因为神经网络具有很好的泛化能力,能处理各种非线性问题。但同时,BP神经网络存在收敛速度慢,反向传播过程中会仅仅收敛到局部最小值的缺点,造成训练时间长。针对BP神经网络存在的问题,首先建立基于遗传算法优化的BP神经网络,通过GA算法的选择,交叉,变异优化BP神经网络的权值,并使用美国加州电力市场某时段电力数据进行实验,比较BP算法和GABP算法预测精度。随着电力市场化的发展,电价数据的规模变得越来庞大,仅在单机模式下使用预测模型处理电价数据,会使得模型预测速度缓慢,甚至不能预测出准确结果,基于海量电价数据的预测,本文最后提出了基于云计算的BP神经网络对短期电价进行预测,提高BP神经网络收敛和生成阈值速度,并使用国外某电力市场的电价数据进行实验,计算预测精度,进行误差比较和速度对比,证明其有效性。