时间序列模型分为白回归(AR)模型、动平均(MA)模型、ARMA模型、累积式白回归一滑动平均(ARMA)模型。而这几种模型应用的前提都是以时间序列为平稳随机序列为依据。电价具有非平稳随机时间序列特性，现有的这些方法不能很好地满足短期电价预测的要求。故现有电价预测方法的基础上，常规电价预测模型中融合误差预测来提高精度的迭代预测方法:先初步建立一个简捷合理的预测模型，然后针对形成的误差序列进行分析，建立误差的预测模型，且对这个序列建立预测模型的复杂程度较原始预测模型要低，但预测精度更容易提高。该文献所提的方法具有一般性，能推少到小时电价预测和负荷预测及其他的预测领域。但是由于电价的随机波动性比较强，一般很难有效地取出电价时间序列的非平稳过程，从而在很大程度上影响了预测的效果，使时间序列方法在电价预测领域没有多少优势。当然，如果能使序列较好地平稳化，时间序列方法也能取得较好的效果 。

一种基于时间序列的白回归积分滑动平均模型(ARIMA)和白回归条件异方差(ARCH)模型以及神经网络的组合模型来预测美国PJM电力市场未来24小时的日前电价。ARIMA模型反映了电价趋势性、季节性，ARCH模型反映了电价的异方差性，因此模型能够很好地反映电价的特点，相对于单独采取时间序列方法或是神经网络模型来说，克服了单一方法所存在的局限性，取得了很好的效果。采用ARIMA模型对PJM电力市场2006年8到11月的历史电价数据进行模型分析，接着采用ARCH模型对这段电价建模进行分析，最后将这两个模型的预测结果作为BP神经网络的输人进行训练，网络的输出作为最后的预测结果。该方法的不足之处在于，由于影响电价的因素很多，仅考虑了历史数据，而且所取数据有限，因此预测结果存在一定的误差，但对日后的竞价策略能起到一定的指导作用，能够满足电力系统的电价预测要求。

时间序列方法的主要难点在于如何选择恰当的模型，如果模型选择不准确，即使参数枯计再准确，预测的效果也不会好。考虑到在时间序列分析中，选用何种因子和何种表达式有时只是一种推测，影响电价的因子的多样性和某些因子的不可测，使得时间序列分析在某些情况下受到限制，预测的精度较低。