在电力市场环境下，电力行业逐渐由垄断转变为竞争，电力作为一种商品，其价格是整个市场的核心，是电力市场中供求关系的集中反映，电价是市场监管和电能交易的决策依据，电价的波动影响到各种资源在电力市场中的流动和分配。电价预测对于市场中的各个参与者都具有重要意义，所以电力市场迫切需要准确的电价预测方法。 本文首先对电价的变化特点和电价的影响因素进行了分析研究，在此基础上确定了历史电价和负荷率等与电价相关性较高的因素作为电价预测过程中的输入。随后本文对不同神经网络结构的预测结果进行了对比分析。验证了在电价预测中输入因素的选择比神经网络结构的选择更重要的结论。 针对电价预测过程中尖峰时刻的预测精度普遍不高的问题，我们在神经网络预测模型中引入小波分析技术，利用小波分析技术把历史电价分解为不同的模态分别预测，最后再综合。基于这种思想我们构建了三种小波神经网络预测模型，并对三种模型的预测结果进行了比较研究。对电价预测结果仅仅进行点对点的评价是不够的，我们提出利用预测的误差概率分布来评判预测模型的整体预测精度。 在实际的电价预测过程中，随着输入样本对训练样本时间相关性的下降，网络的预测性能也逐渐下降。如何对网络输出结果可信度进行评估，以及如何判断网络的时间适用性就显得非常重要。我们在给出具体的预测误差的同时，计算出了预测结果的置信区间，建立了一个对预测模型适用性进行判断的指标。 本文的主要工作如下： 1．基于美国加州电力市场的实际运行数据，建立了BP、RBF、CMAC神经网络模型进行电价预测。对采用不同输入因素和网络结构的预测结果进行了比较。以负荷率代替负荷可以提高预测精度，这是由于负荷率与电价的相关系数比负荷与电价的相关系数更高。仅输入电价时预测精度很好，与输入为电价和负荷率时的精度相当，因此可以认为当影响电价的因素不是很明确或者该因素自身预测误差较大时，仅用历史电价作为输入可以得到更好的电价预测精度。采用不同神经网络对预测的精度影响较小，电价预测中输入因素的选择比神经网络的选择更重要。 2．以历史电价和负荷率作为输入因素，利用小波分解技术和神经网络的电价预测方法，把历史电价序列进行小波分解，各个不同的子序列选用不同的神经网络模型进行预测。根据重构方式和预测时间性的不同确定了3种不同的小波神经网络电价预测模型。以美国加州电力市场的实际运行数据对三种预测模型进行了比较研究，实际的预测结果表明以小波分解和神经网络为预测工具并结合了滚动预测概念的模型Ⅲ具有良好的预测效果。 3．给出了三种预测模型的预测误差概率分布计算公式，并根据实际预测数据给出了误差概率分布图，通过比较表明以小波分解和神经网络为预测工具并结合了滚动预测概念的模型Ⅲ不仅在各个点的预测精度比较高，而且其总体的误差概率分布也要优于另外两个预测模型。 4．实际的应用中，在预测精度不能保证的情况下，如果能够给出预测值的置信区问是非常有意义的，对小波分解后的基频、中频、高频电价所对应的BP神经网络进行分别计算，不仅得出具体的预测误差，还得到了预测值的置信区间。分析了不同频段置信区间的变化情况，同时根据置信区间的变化对训练模型的适用性进行了评判。