（电力电子与电力传动专业论文）电力市场环境下的电价预测研究.pdf

江南大学硕士学位论文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i l i 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i i i 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间是非常有意义的，对小波分解后的基频、中频、高频电价所对应的b p 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。关键词：电力市场电价预测神经网络小波分析概率分布置信区间论文类型：应用研究 b s n 乙研a b s t r a c tt h e m e ：t h es t u d yo ff o r e c a s t i n ge l e c t r i c i t yp r i c ei nt h ep o w e rm a r k e ta u t h o r ：q i nl e is u p e r v i s o r ：z o ub i ns p e c i a l t y ：e l e c t r i ce l e c t r o n i c sa n de l e c t r i cd r i v ew i t hf u r t h e rd e v e l o p m e n to fo u re l e c t r i c i t yi n d u s t r i a lr e s t r u c t u r i n ga n dt h ee s t a b l i s h m e n to ft h ee l e c t r i c i t ym a r k e t t h ee l e c t r i c i t yn e t w o r k sa r eb e i n gs e p a r a t e df r o mt h eg e n e r a t o r sa n dt h ep o w e rs e l l so ft h eg e n e r a t o r sa sw e l la so t h e re l e c t r i c i t ys e r v i c e sw o u l db et r a d e dt h r o u g ht h em a r k e tw i t hc o m p e t i t i o n i nt h ee l e c t r i c i t ym a r k e t ，t h ep r i c ei st h ec o r e i tr e f l e c t st h es u p p l ya n dd e m a n dr e l a t i o n s h i po ft h ew h o l em a r k e t i ta l s oi st h eb a s i so ft h em a r k e tm a n a g i n ga n dt h ee l e c t r i c i t yt r a d i n g i ti sv e r yi m p o r t a n tf o re a c hp a r t i c i p a n tt of o r e c a s te l e c t r i c i t yp r i c e sa c c u r a t e l y s oa na c c u r a t ee l e c t r i c i t y p r i c ef o r e c a s t i n gm e t h o di su r g e n t l yn e e d e d f i r s t l y , t h i sa r t i c l ea n a l y s e st h ec h a n g i n gd i s c i p l i n a r i a no ft h ee l e c t r i c i t yp r i c ea n dt h ef a c t o r sw h i c ha r ei n f l u e n t i a lt oe l e c t r i c i t yp r i c e b a s e do nt h e s ea n a l y s i s ，t h eh i s t o r yp r i c ea n dl o a dr a t ea r ec o n f i r m e da st h ei n p u tf a c t o rf o rf o r e c a s t i n gm o d e l t h e nt h ep e r f o r m a n c eo fd i f f e r e n tn e u r a ln e t w o r kf o r e c a s t i n gm o d e l sa r ec o m p a r e d w ev a l i d a t e dt h ec o n c l u s i o nt h a tt h es e l e c t i n go fi n p u tf a c t o r si sm o r ei m p o r t a n tt h a nt h es e l e c t i n go fn e u r a ln e t w o r kf o r e c a s t i n gm o d e l s a c c o r d i n gt ot h ep r o b l e mt h a tt h ef o r e c a s t i n gp r e c i s i o ni sa l w a y sv e r yl o w , w ei m p o r tw a v e l e ta n a l y s i si n t ot h en e u r a ln e t w o r kf o r e c a s t i n gm o d e l t h eh i s t o r yp r i c e sa r ed i v i d e di n t ot h r e em o d e sb yu s i n gw a v e l e ta n a l y s i s ，t h e nf o r e c a s tt h ep r i c es e p a r a t e l y t h ef o r e c a s t i n gr e s u l t so ft h r e em o d e sa r es y n t h e t i z e di nt h ee n d t h r e et h o r t - t e r mf o r e c a s t i n gm o d e l sb a s e do nw a v e l e ta n a l y s i sa n dn e u r a ln e t w o r ka r es t u d i e d t h em e t h o d so fo n es t e pa h e a df o r e c a s t i n ga n dns t e p sa h e a df o r e c a t i n ga r ec o m p a r e da n dt h e ya r ea l s oa n a l y z e du s i n ge r r o r s p r o b a b i l i t yd i s t r i b u t i o n a l o n gw i t ht h ef o r e c a s t i n gs t e pi sg o i n gl a r g e r , t h ec o r r e l a t i o nb e t w e e nt h ei n p u tf a c t o r sw i t ht h et r a i n i n gf a c t o r si sg o i n gs m a l l e r , t h ef o r e c a s t i n gp r e c i s i o ni sg o i n gl o w e r s oh o wt oe v a l u a t et h em o d e l sa p p l i c a b i l i t yi sai m p o r t a n tp r o b l e m w en o to n l yg i v et h ef o r e c a s t i n gr e s u l t s ，b u ta l s og i v et h ec o n f i d e n c ei n t e r v a lo ft h er e s u l t s t h ec h a r a c t e r i s t i c sa n dd i s s e r t a t i o n so ft h i sp a p e ri n c l u d i n g ：1 b a s e do nt h ea c t u a ld a t a so ft h ec a l i f o m i ae l e c t r i c i t ym a r k e t ，w ec o n s t r u c t e di l l江南大学硕士学位论文b p 、r b fa n dc m a cn e u r a ln e t w o r km o d e l s t h ef o r e c a s t i n gr e s u l t su s i n gd i f f e r e n tf o r e c a s t i n gm o d e l sa n dd i f f e r e n ti n p u tf a c t o r sa r ec o m p a r e d u s i n gl o a dr a t ei n s t e a do fl o a dc a ni n c r e a s et h ef o r e c a s t i n gp r e c i s i o nb e c a u s et h ec o r r e l a t i o nb e t w e e np r i c ea n dl o a dr a t ei sl a r g e rt h a nl o a d t h ef o r e c a s t i n gp r e c i s i o ni se q u i v a l e n tw h e nt h ei n p u tf a c t o r si sh i s t o r yp r i c e sa n dp r i c e sa n dl o a d t h er e s u l t so fd i f f e r e n tn e u r a ln e t w o r km o d e l si sn o tc h a n g i n gv e r ym u c h s ot h es e l e c t i n go fi n p u tf a c t o r si sm o r ei m p o r t a n tt h a nt h es e l e c t i n go fn e u r a ln e t w o r kf o r e c a s t i n gm o d e l s 2 u s i n gh i s t o r yp r i c e sa n dl o a dr a t ea si n p u tf a c t o r s w ec o n s t r u c t e dt h r e ew a v e l e t - n e u r a ln e t w o r kf o r e c a s t i n gm o d e l s ，t oc o m p a r et h er e s u l t s ，f o r e c a s t i n go n em o n t hc o n t i n u o u s l yu s i n gt h r e em o d e l sb a s e do nt h eh i s t o r i c a lh o u r l ye l e c t r i c i t yp r i c e so ft h ec a l i f o r n i ae l e c t r i c i t ym a r k e t t h er e s u l t ss h o wt h a tt h ef o r e c a s t i n gm o d e li i ii sg o o dt oi m p r o v et h ea c c u r a c yo fp r e d i c t i o n 3 t h i sp a p e rp r e s e n t st h ec a l c u l a t ef o r m u l ao ff o r e c a s t i n ge r r o rp r o b a b i l i t ya n dt h ea c t u a le r r o rp r o b a b i l i t yd i s t r i b u t i o no ft h r e ef o r e c a s t i n gm o d e l s t h er e s u l t ss h o wt h a tt h ef o r e c a s t i n gm o d e l1 1 1w h i c hc o m b i n e sw a v e l e t n e u r a ln e t w o r ka n do n es t e pa h e a df o r e c a s t i n gi sn o to n l yc a ni m p r o v et h ea c c u r a c yo fp r e d i c t i o nb u ta l s oh a sag o o dc o n f i d e n c ed e g r e e 4 i ti sv e r ys i g n i f i c a t i v et of o r e c a s t i n gt h ei n t e r v a lc o n f i d e n c eo fp r i c ei na c t u a lf o r e c a s t i n gp r o c e s s t h ep r i c em o d e sa r eo b t a i n e db yd i v i d i n gh i s t o r yp r i c e su s i n gw a v e l e ta n a l y s i s t h eb pn e u r a ln e t w o r kf o r e c a s t i n gm o d e l sa c c o r d i n gt od i f f e r e n tp r i c em o d e sa r es t u d i e d w ep r e s e n tt h ei n t e r v a lc o n f i d e n c eo ft h ef o r e c a s t i n gr e s u l t s ，a l s oe v a l u a t et h ea p p l i c a b i l i t yo ft h ef o r e c a s t i n gm o d e l s k e yw o r d s ：e l e c t r i c i t ym a r k e t ；e l e c t r i c i t yp r i c ef o r e c a s t i n g ；n e u r a ln e t w o r k ；w a v e l e ta n a l y s i s ；p r o b a b i l i t yd i s t r i b u t i o n ；c o n f i d e n c ei n t e r v a lt y p eo ft h e s i s ：a p p l i e dr e s e a r c hi v独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含本人为获得江南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。签名：籀日期：矽p 7 年多月，日关于论文使用授权的说明本学位论文作者完全了解江南大学有关保留、使用学位论文的规定：江南大学有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅，可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文，并且本人电子文档的内容和纸质论文的内容相一致。保密的学位论文在解密后也遵守此规定。签名：盛盈k导师签名：日期：锕1 1研究意义与价值第一章绪论随着全球电力市场改革的逐渐开展，电力行业逐渐由垄断转变为竞争，在电力市场环境下，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。具体来说，电价预测分为短期预测和中长期预测。中长期电价预测有助于市场监管者制定政策，也有助于发电商和用户进行长期的投资规划，而准确的短期电价预测则是发电商进行“竞价上网”最有力的“武器”。本课题主要研究短期电价预测的具体方法及其评价方法：在电力市场中，电能交易的效益最终是通过电价体现的，对市场参与者来说，提前知道电价信息有着非常重要的作用：对于发电商而言，如果能够较准确地预测次日的市场清算价格，将有助于其提前安排生产计划、构造最优投标策略，在电力市场交易和竞价中获取更大的经济利益；用户可以根据电价信息确定合理的购电量和购电时段，降低生产成本；政府可以根据电网未来一段时间的电价及其波动情况的预测进行宏观预测、监控电力市场的运营、及时发现和解决市场存在的问题；规划者可以根据长期电价预测决定输电量能否增加、做出调度计划、以及区域间的电力交换；电厂投资者可以正确选择厂址并评估盈利前景；市场运营者还可以根据电价预测进行风险管理。把电价预测的方法软件化更能在具体应用上帮助发电商进行预测及报价，加快电力工业信息化的进程。因此电价预测已经成为电力市场中的一项非常重要的工作。1 2研究问题与现状现在由于电力市场正处于改革期，市场不成熟。现存的和正在发展的电力市场的模式各不相同，电价的形成机制也不尽相同，因此电价常常出现异常现象。这也使得电价预测成为公认的难题。本文现在就电价预测的特点和分类以及电价预测的研究现状进行综述。电价预测除了具有与负荷预测一样的周期性特点外，还具有自身的特殊性：它不具备总体上的上升趋势，而是处于不断的波动变化之中l 卜m ，一般来说，电价的波动除受燃料价格，输电阻塞等电力系统特有约束的影响外，还受到电力市场体制机江南大学硕士学位论文构、社会经济形势、发电商实施市场力等主客观因素的影响。因此，电价预测相对于负荷预测难度要大，一些用于电力负荷预测的方法也就无法用来进行有效的电价预测，如点对点倍比法、一元线性回归进行电价预测的结果往往都是不准确的i ”。根据预测点的类型，将电价预测分为系统边际电价或者市场统一出清电价预测、区域边际电价预测、节点边际电价预测。通常情况下，我们所说的电价预测都是对系统的统一出清电价的预测，在系统不发生阻塞的情况下，各个地区的区域出清电价和系统出清电价是相同的。现在很多电力市场施行的是节点电价的定价机制，如美国p j m 市场，所以对节点电价的预测也是一个值得探讨的研究方向。根据预测内容的不同，可以分为确定性预测和电价空间分布预测，前者是当前讨论比较多的热点，主要针对短期电价预测，预测的结果就是给出一个确定的电价预测数值，后者主要基于概率论与数理统计知识，确定预测结果的可能波动范围及其一段时期内的电价均值，主要针对中长期电价预测，目前国内外在这方面的研究还比较少。根据预测机理的不同，将电价预测分为短期预测和中长期预测【4 1 。由于电价波动大的特点，具体分为小时预测、日预测、月度、季度预测。针对周末边际电价的特殊性，文献【4 】还将周末边际电价进行单独预测。我的研究工作主要针对电价的短期预测研究。电价预测是电力市场化以后新出现的研究方向，研究尚不够充分，目前还没有一种通用的预测方法能够较好地适合于所有的电力市场，因此有必要充分地利用各个电力市场本身的特点进一步展开研究，从而提高预测精度。目前短期电价的预测方法主要有：时间序列法【粥】和基于神经网络的人工智能预测方法。时间序列法主要考虑通过历史电价建立模型，以电价过去的变动规律来预测未来电价的变化。但是由于电价序列变化很随机，要想完全准确地用一定的模型来概括它是很困难的。而且时间序列法建模对样本有很强的依赖性，剧烈波动的电价序列中包含许多偶然的不确定性因素。这样时间序列法就不能达到很好的预测效果。神经网络可以有效处理多变量和非线性问题，因此多数的研究都是选择神经网络来进行电价预测。下面就这两个主要预测方法做一下介绍：( 一) 时间序列预测方法时间序列模型分为自回归( a r ) 模型、动平均( m a ) 模型、a r m a 模型、累积式自回归一动平均( a r m a ) 模型，已被广泛应用于短期负荷预测中，考虑到各个时段系统边际电价本身就构成一个等间距的随机时间序列，因此有不少学者尝试将时间序列模型应用于短期电价预测，当前常用的主要是a r m a 模型和a r m a 模型。a r m a 模型是一种典型的时间序列预测模型。它是a r 模型和m a 模型的结合，即序列当前值只是现在和过去的误差( q ，q + q 一。) 以及先前的序列值以，只。m 一。)2的线性组合，其数学表达式为：只_ q 只一1 + y l 一2 + + + 盯p 只一p + a t q q 4 一一巴q 1( 1 1 )其中p ，q 分别表示自回归与滑动平均的阶数，q ，吼，盯，和b ，0 2 9o 0 0 9 巳分别称为自回归和滑动平均系数。传统a r m a 模型预测方法仅仅从序列自身来探索电价发展规律，未充分考虑市场因素对电价的影响，因此存在一定的局限性，预测效果往往不理性，可以考虑引入外生回归变量，以改进传统时间序列方法的不足。a r m a 模型、a r 模型、m a 模型应用的前提都是以时间序列为平稳随机序列为依据。有学者1 8 】认为电价时间序列的变化常常是一个非平稳的随机过程，相应提出了基于a rm a 的电价预测模型，即对一个非平稳电价时间序列，先用差分方法将非平稳过程平稳化，然后采用a r ，m a 或a r m a 对处理后的平稳序列进行建模和预报。由于电价的随机波动性比较强，一般很难有效地去除电价时间序列地非平稳过程，从而在很大程度上影响了预测的效果，使得时间序列方法在电价预测领域没有多少优势。当然，如果能使序列较好的平稳化，时间序列方法也能取得比较好的效果。时间序列方法的主要难点在于如何选择恰当的模型，如果模型选择的不正确，则即使参数估计再准确，预测的模型也不会好。考虑到时间序列分析中，选用何种因子和用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，预测的精度比较低。( 二) 基于神经网络的人工智能预测方法由于时间序列方法仅依靠分析电价自身发展规律进行预测，无法处理多变量问题，为此可采用多变量模型，从而提高时间序列法的预测精度。神经网络对大量非结构性，非精确性规律具有自适应功能，能够有效处理多变量和非线性问题，从而成为目前国内外专家学者研究的比较多的一种电价预测方法。神经网络可以模拟一般非线性函数，用其进行准确的电价预测的关键是合理选择其输入量。因为只有选择与电价相关性较高的元素来作为输入因素，我们才能更好地利用神经网络工具来预测电价。影响电价的因素有很多，如历史电价、负荷、发电商报价策略、系统容量、网络约束、气象等。由于各市场的电价均有很高的自相关性，因此前期的电价必然会影响后期的电价，历史电价是电价预测的基本因素。系统负荷也是影响电价的重要因素。但也有学者从市场供求方面来考虑，用系统负荷率【9 l 和必须运行率【1 1 l 来代替负荷作为神经网络的输入控制因素。总体而言，输入因素主要为历史电价、系统负荷、天气和系统备用等因素。在时间序列法模型中，样本的时间性是顺序的，通过对顺序时间数据的动态规律的把握来预测未来时间对应的电价。而在神经网络的预测方法中数据的时间性是由输入序列的排列来体现的。顺序时间序列和分时段时间序列是两种主要的处理方江南大学硕士学位论文法。文献 i o d p 作者用预测时段和前一两个时段的电价，负荷，备用信息作为输入序列。即：输入序列x ( f ) 表示为：x ( t ) = s p d ( t - 2 ) ，s p d ( t - 1 ) s p d ( o ，s p r ( t - 2 ) ，s p r ( t - 1 ) ，s p r ( t ) ，s m p ( f - 2 ) ，s m p ( f - 1 ) ，s m p ( t ) ( 1 2 )式1 中s p d 、s p r 、s m p 分别代表系统负荷、系统备用和系统出清电价。t 代表时段。这种输入序列是顺序时间序列，顺序时间序列的排列方法体现了电价和负荷等控制因素的时段相关性。后续研究中许多学者发现由于每天同一时段系统负荷较接近，就提出了分时段预测的方法，如文献【9 】将电价序列按照不同的时间点排列为2 4个电价序列，采用前面若干天同一时段的电价，负荷等信息作为输入序列。即：x ( f ) = p ( d - 1 , 0 ，p ( e 一2 , 0 ( 1 3 )文献 1 1 】中采用同一时段的前一天，前两天，前一个星期日和前两个星期日的信息作为输入序列。即：x ( f ) = p 一1 j f ) ，p ( t 一2 ) ，p ( t - 7 ) ，p ( t 1 4 ) )( 1 4 )上面式1 2 和式1 3 这两种序列都体现了分时段的思想，分时段时间序列这种方法考虑了电价的日相关性。从当前大多数研究来看，更多的人倾向于选用分时段时间序列。因为这种方法体现了不同时段不同的电价特点，而且有利于进行分析建模。但无论是采用顺序时间序列还是采用分时段时间序列，都不能很好地解决在电价突变点和尖峰点的预测精度不高的问题。许多学者以不同的出发点提出了利用各种各样的方法、工具和理论来解决以上问题。如文献【9 】中作者为了使电价序列更能反映其整个的变化趋势，用小波分析经过三层分解提取电价序列的近似分量，从而剔除每一层电价序列中的高频分量，并以最后得到近似分量代替原电价序列作为神经网络的输入。这种方法尽量剔除序列中的高频分量。一方面使得电价序列趋于平稳，有利于神经网络的学习。但是另一方面，因为电价本身就含有许多的随机因素，如果单单为了提高神经网络训练精度而把所有的高频分量全部剔除，那么突变电价的预测就会受到影响。相应地在文献 1 2 】中也研究了利用小波分析的工具进行样本数据序列的处理。其中利用小波的分频特性把整个序列分为不同的尺度子序列，不同的子序列又分别进行建模预测，最后再通过序列重构实现了整个序列的预测。比较文献【9 】和【1 2 】可以看出文献1 1 2 1 中把整个序列进行分解分别进行预测的方法要比文献1 9 6 p 直接剔除高频分量的做法更合理。一些研究【1 4 l 把整个输入序列看作一个分态稳定的序列，单个稳定的子序列称为一个域。采用均值聚类法对输入序列进行处理。将输入空间”软”分割成若干区域，由模块网络中的局部专家负责提取特定域的特征，局部专家对应其不同的权值，再由继承单元的竞争混合机制输出结果。这样分区域进行网络学习和预测。这种方法和上面我们提到的文献【9 】中的小波分析法都是利用一定的数学工具和方法识别出整个序列的不同范围的子序列，再由不同的子序列作为网络训练的输入序列进行学习训练。文献 1 5 1 0 0 同样用f u z z y c - m e a n ( 模糊c 均值聚类算法1 ，它处理的对象是负荷4第一章绪论序列，把每天的负荷序列分别划分出负荷的高峰，低谷和中间时段。同时把工作日和周末分开处理。不同的负荷时段其电价特性也不相同，所以在不同的负荷时段下，把影响电价因素的数据重新组合成神经网络的输入序列分别进行预测。得到不同负荷程度下的预测电价。再重构得到的预测电价，就得到了整个预测电价。现在的许多文献中也把对神经网络的改进作为电价预测的一个方向，文献f 1 0 1 ，【1 1 】采用三层b p 神经网络而文献【1 4 】采用模块网络与b p 神经网络模型相结合的方法。文献【9 】中采用广义回归g r n n 模型代替b p 网络作为预测工具，文献【1 6 】中运用对神经元输出函数进行修正的方法来改进网络工具等。从这一些研究来看，在正常电价状态，其精度都比较高，但在电价飞升时刻误差都比较大。同样地，为了从大量看似随机波动的数据序列中提取出能够反映其基本变化特性的有效因素，一部分研究指出貌似随机的电价序列演变过程中展现出一种混沌特性，文献【7 】通过在原始数据相空间中提取分形维数和l y a p u n o v 指数，对美国新英格兰( n e ) 电力市场和p j m 市场实际运行数据进行了检验，并通过替代数据检验法进一步验证了电价的这种混沌特性。随后由单一的原始电价变量重构出一个未改变吸引子拓扑结构的相空间。其实也就是提取出原始序列中的一些特殊点来代替原来的整个序列，而且这些特殊点又能基本上反映原始序列的一些变化特性。最后利用重构的相空间作为递归神经网络的输入进行了电价的短期预测。文献 1 3 1 中同样利用混沌理论对原始序列进行相空间重构构造新的序列进行预测，不同之处在于文献【4 】中选取的电价序列是顺序时间序列。文献f 1 3 月j j 把分时段的概念应用到混沌理论相空间重构中。综上所述，在当前的电价预测研究中，神经网络预测方法是主流而且已经达成共识，而神经网络预测电价的关键问题和研究热点为：1 神经网络输入因素的选择，即对电价影响因素的选择。2 神经网络输入因素的预处理。小波分析方法是研究热点。3 电价预测中时间性的体现和处理。4 预测评估标准的定义和选择。5 电价预测中对电价形成机理的分析。1 3本文的主要研究工作本论文在分析电价特性和变化规律的基础上主要研究了神经网络的电价预测方法，首先比较了不同神经网络结构下电价预测的精度，研究小波分析技术在数据预处理方面的作用，最终构建了基于小波分析的神经网络电价预测模型，同时还比较了预测精度，提出一种新的电价预测评估方法，从概率统计的角度评估了模型的适用性。具体安排如下：5江南大学硕士学位论文第一章第二章第三章第四章第五章第六章电价理论及电价特点分析。电价预测中的关键问题分析。神经网络电价预测模型比较分析。基于小波分析和神经网络的电价滚动预测模型。电价预测的概率性分析。结论与展望。6第二章电价理论及电价特点分析电价是影响电力工业发展的一个重要因素，电力部门通过出售其唯一的产品( 电能) 来回收已投入的资金和筹集相当一部分扩展资金。电价的高低直接关系到电力部门的利润，从而影响到电力工业扩大再生产的能力及吸引外部投资的能力。电价理论是电力市场的核心理论之一。在电力市场中，电价是一个理论体系，从功能上划分包括电能电价、备用电价、各类辅助服务的电价、输电电价等；从时间上划分有远期合同电价、中长期合同电价、目前市场的定价及实时电价等；从制定的过程划分有事先定价和事后定价、一部制电价和两部制电价等。实时电价是走向电力市场化的基础，本论文的电价预测研究就是针对实时电价。2 1边际成本定价在很长一段时期内电价主要基于财务核算而确定。一般是在历史成本( 或平均成本1 上增加一定的附加量，附加量的大小通常取决于政府，这种定价方法称为综合成本定价法。边际成本的概念是着眼于未来，其定义是在系统优化规划及优化运行的基础上，增加单位电能供应，而使系统增加的成本【1 9 】。从定义可见，以边际成本为基础的电价，其本质就是解决发展问题，为系统扩建筹集资金。同时，电价给用户一个选择，用户根据增加电能消费得到的收益与增加的电费支出，决定是否增加电能消费，从而实现了负荷管理的功能。2 1 1长期边际成本电价( l r m c )电力工业回收资金的能力主要取决于较长时期内的电价水平。长远地看，电力工业为满足不断增长的负荷需要而付出的真正成本为长期边际成本。长期边际成本计算借助各种投资决策模型，求出不同负荷水平下的最优投资方案及相应的总费用，然后用总费用增量与负荷增量的比值作为长期边际成本的近似。长期边际成本可分为边际容量成本、边际电能成本和边际用户成本3 个组成部分。如图2 - 1 所示，曲线d 代表研究期间内最大负荷的增长趋势，发电容量长期边际成本计算就是解决如下问题：假设最大负荷增加，变为曲线d + d ，则系统发电容量应新增多少，如果新增容量成本为c ，则发电容量长期边际成本等于c d 。以上过程中原有容量方案与新增容量方案都是在电源最优规划的基础上进行确定7江南大学硕士学位论文的。发电容量长期边际成本计算还有一种不严格的方法，不需要进行最优规划，而是指定某台或某类机组作为边际机组，以它的成本近似代替系统的边际成本【2 叭。长期边际成本定价适用于负荷需求不断增加，正处于成长期的电力系统的电价制定。结合电网的发展规划，可以得到较长时期内电价变化的预测。其优点是易于实施，对电网软、硬件要求不高。电价在一段时期内呈现出稳定的变化趋势，这对于一些用户是期望的。不足之处也是明显的，由于考察的是系统长期的变化趋势，电价对短期内的负荷管理功能有所不足。最大负荷容量m wm w o原规划时间a图2 - 1 发电容量长期边际成本f i 9 2 1 1 0 n g t e r mm a r g i n a lc o s to fg e n e r a t i n gc a p a b i l i t y2 1 2 短期边际成本电价( s r m c )短期边际成本定价是在不考虑系统新增固定投资的前提下，依据现有资源运行优化后所产生的边际成本而制定的电价，实时电价就是短期边际成本电价的代表。实时电价( r e a l t i m e m a r k e t p r i c i n go f e l e c t r i c i t y ) 系统短期边际成本确定，即：以( f ) 。面【当前到未来供给所有用户电能的总费用】( 2 1 )式中n ( f ) 一一第k 个用户在第t 小时的实时电价【元( k w h ) 】；畋( f ) 一一第k 个用户在第t 小时的电量需求( k w h ) 。上式是在系统优化运行的基础上求导的，同时满足以下约束：1 电能平衡，即总发电量等于总负荷加上损耗；2 发电限制，即第t 小时的总需求不能超过该小时所有发电厂的可用容量之8第二章电价理论及电价特点分析和：3 基尔霍夫定律，即电力潮流及损耗应满足电路定律；4 线路潮流极限，即任何线路潮流不得超过其功率输送极限。近年来，在实时电价理论基础上实时电价体系被不断完善与扩充。实时电价进行系统频率控制的可能性、收取无功电费、可靠性指标与电价的关系、支付系统备用的费用等问题都做了理论上的探讨【2 。由于电力市场的形成，许多由传统的电力公司统一提供的电能生产与服务被分解，以便于交易和竞争，如频率联络线控制、无功电压控制、电能传输、电能质量、可靠性服务等。进一步有了诸如转运电价、辅助服务电价的概念。国际上目前对以上概念还没有统一的定义，我们可以暂且这样认为，除了有功电能生产，为了使用户得到合格电能的其它所有生产与服务统称为辅助性服务，其收取的费用称为辅助性服务价格。辅助性服务电价也包含在实时电价中。可以通过形成一个随机最优控制模型，系统地将频率联络线控制约束、安全可靠性、检修与备用、谐波控制、环境保护等诸多因素计入实时电价，计算步骤归纳为：1 将电价的计算看作是社会效益最优化问题的求解，建立社会效益目标函数及各项技术、经济约束函数；2 列出优化问题的l a g r a n g i a n 函数，当目标函数或约束条件中含有微分项时，则使用h a m i l t o n i a n 函数；3 l a g r a n g i a n 函数对控制变量求一阶导数，并令其都等于零；4 令实时有功( 无功) 电价等于用户效益函数对其有功( 无功) 的偏导，通过对第3步中的等式进行变换，最终得到实时有功( 无功) 电价的表达式。得到的实时电价具有良好结构形式，为各项生产的边际成本与约束费用的总和。另有一类应用线性规划的对偶解，即内生的影子价格作为边际成本的实时电价计算方法【2 2 1 。影子价格的概念更接近于经济学中的机会成本。采用l a g r a n 西a n 函数计算的实时电价分量一般都与实际发生的成本相联系，而机会成本可能并未实际发生。两种算法比较而言，采用l a g r a n g i a l l 函数得到的实时电价财务平衡功能优于线性规划得到的实时电价，而后者的经济信号功能则优于前者。电价计算的另一个值得注意的问题是负荷对电价的响应。到目前为止，电价计算的前提是有确定的负荷预测。实际上因为电价对负荷存在控制作用，负荷将随着电价变化而变化。市场中有各种各样的负荷，不同负荷对电价有不同响应，不但当前电价的高低对负荷大小有影响，以前和将来的电价水平也影响到当前负荷。这就使得难以建立准确的负荷模型，因此不但电价计算采用迭代方法，电价实施过程也是一个循环过程，即发布初始电价一考查负荷反应一再修正电价。理论上实时电价是随着系统运行状况的变化而不断更新的，电价更新的周期越9江南大学硕士学位论文短，越有利于电价各项控制功能的实现，也就越有利于系统经济效益的取得。然而，实时电价的实现对系统的软、硬件都有很高的要求，信息的采集、传输和处理的费用随电价更新周期的缩短而迅速增加，实时电价更新周期一般为3 0 m i n 。以实时电价为代表的边际成本电价具有良好的经济信号作用，反映了电力生产的真实成本，有利于电力系统经济效益的取得。2 2系统边际电价2 2 1系统边际电价的概念及数学描述系统边际电价( s y s t e mm a r g i n a lp r i c e ，缩写为s m p ) 是电力市场中反映电力商品短期供求关系的统一价格。s m p 的定义是满足负荷的最后一台机组的出力对应的申报价格；其另一种描述是：系统运行机组中实际出力对应的最高电价。其数学描述为：= m a x f , p g ，f ) 】)( 2 2 )其中为s m p 体系中时段t 的边际电价；i = 1 ，n ；n 为机组总数；t = l ，t ；t 为总的时段数；允是机组i 在时段t 的申报电价曲线函数；p ( i ，t )是机组i 在t 时段t 的实际出力。需要强调的是，在这样的s m p 体系中，s m p 的确定与机组出力紧密相联，也正因为如此，机组电价申报曲线的特性会对市场交易产生很大的影响。在电力市场中，市场价格呈现“需求越大，价格越高”的现象。电厂采用的申报电价曲线通常应分为“单调上升”、“单调下降”、“v 型”以及“倒v 型”。但从根本上说，以上4 种类型的电价曲线形状只不过是“单调上升”和“单调下降”型曲线的组合。2 2 2s m p 曲线分析根据微观经济学原理，产品的供给量( q u a n t i t ys u p p l i e d )q s 表示，主要取决于下列因素：本产品自身的价格 、相关产品的价格 r 、本产品的预期价格 e 、本产品的生产成本c 等。产品的供给量q s 与上述各因素之间的关系，可以表示为下列供给函数( s u p p l yf u n c t i o n ) ：q s - - 中( ， r ， e ，c ，)( 2 3 )其中最重要的是供给价格函数( p r i c ef u n c t i o no fs u p p l y ) 。在某一时刻，假定其他条件不变，专门研究一种产品的价格变动对其供给量的影响，因此可表示为：q s = f ( ”( 2 4 )供给价格函数在电力市场中体现为电厂的报价曲线，不同点是报价曲线中一般描述不同供给量q s 所期望价格 。如果市场中有n 个厂商，则市场总供给方程为：q ，一芝妒( a )( 2 5 )用同样的方法可以描述需求负荷价格曲线。但是在目前只开放发电市场的环境下，负荷需求被看做是刚性的，因此需求负荷价格曲线是一条平行于价格轴的直线，这条直线只是对应某一特定时刻，不同时刻的直线位置不同。供给与需求相互作用，使市场达到均衡，从而决定产品的数量和价格。图2 2 表示市场需求和供给的均衡情况。对于不同的时刻t = l ，2 ，4 8 ，则xe ( t ) 形成了一天的s m p 曲线。o tq 市场平衡点图2 - 2 双边交易模式f i g 2 2b i l a t e r a lm a r k e ta r c h i t e c t u r e图2 3 从各厂商的角度分析了某时刻s m p 与各厂商报价曲线之间的关系，示意性地画出了边际内厂商( 图中厂商a ) 、边际厂商( 图中厂商b ) 和边际外厂商( 图中厂商c 1 。显然，边际外厂商该时刻的出力为0 。当然，这只是简单针对s m p 的经济本质进行的分析，没有考虑系统各种约束情况。a s m p0。0。q 。( a ) 厂商a( b ) 厂商b( c ) 厂商c图2 3 多边交易模式f i g 2 - 3m u l t i l a t e r a lm a r k e ta r c h i t e c t u r e在联营体外是双边合同市场和期货市场，在联营体内是小时市场、日前市场和1 1江南大学硕士学位论文平衡市场。其中p x 负责联营体市场的运营，提供一个电能供求双方交易的场所，它的最简单的形式可能是用信息板的形式使电能的供求方签订双边合同。i s o 则负责双边交易的协调，确定