一种电力竞价交易价格影响因素分析和预测的方法及系统

1.本发明涉及电力系统技术领域，具体的是一种电力竞价交易价格影响因素分析和预测的 方法及系统。


背景技术：

2.随着我国电力市场建设的不断发展，为了有序推进发电企业与电力用户、售电公司的直 接交易，充分引入市场竞争，丰富交易手段，我国各地陆续出台了电力月度集中竞价交易规 则，月度集中竞价年度交易既是对年度交易的补充，同时也影响着偏差考核的结果，各市场 主体理性参与月度集中竞价交易，有利于提前锁定月度交易的需求电量，降低自身参与市场 的风险。
3.月度集中竞价的交易价格作为交易的一个关键因素直接影响着用户的收益情况，也对用 户的市场策略调整起到了重要参考作用，然而目前市场中的售电和购电主体往往根据自身交 易经验和历史购售电数据调整决策，且对交易价格的影响因素分析存在主观性与片面性的问 题，这种对交易价格采取人为估计的方式容易受到自身经验的影响，缺乏一定的科学依据。 因此，我们提出一种电力竞价交易价格影响因素分析和预测的方法及系统。


技术实现要素：

4.为解决上述背景技术中提到的不足，本发明的目的在于提供一种电力竞价交易价格影响 因素分析和预测的方法及系统，针对合理分析月度集中竞价交易价格影响因素和有效预测电 价问题，采用多元线性回归模型对供需比、温度、成交电量等定量变量和季节、年份此类定 性变量进行建模和影响因子计算，利用灰色预测模型和回归预测模型对成交信息进行合理预 测，有助于帮助不同市场交易主体调整交易策略，降低自身风险和提高自身收益，促进电力 月度集中竞价交易有序开展。
5.本发明的目的可以通过以下技术方案实现：一种电力竞价交易价格影响因素分析和预测 的方法，包括如下步骤：
6.s1：获取历史交易信息的外部环境参数数据，所述外部环境参数数据包括季节、气温、 年份、供需比；
7.s2：将步骤s1中的参数优化后输入构建的分析模型中计算影响因素的影响度因子；
8.s3：根据不同的定性与定量参数预测值生成多个电力月度集中竞价交易价格范围。
9.作为本发明进一步的方案，所述s1包括如下步骤：
10.s11：从电力交易中心的数据信息库获取原始的电力月度集中竞价交易历史关键数据
11.所述历史交易信息数据包括：
12.电量成交价格发电企业总申报电量售电公司总申报电量和电力 用户总申报电量
13.s12：获取气温、电煤价格等外部环境参数数据、交易年份y
m
、交易季节信息、电煤价 格和日均最高气温
14.s13：对步骤s11和s12获取的数据进行数据筛选和预处理，得到历史交易信息及季节、 气温、年份、供需比等外部环境参数数据。
15.作为本发明进一步的方案，所述步骤s2包括如下步骤：
16.步骤s21：从输入参数中筛选用于进行回归分析的样本数据，确定定性变量和定量变量；
17.步骤s22：对输入参数进行标准化处理去除量纲影响；
18.步骤s23：构建基于回归分析法的影响因素标准化分析模型，将去除量纲的标准化参数 代入回归模型，训练得到回归分析系数和其他参数。
19.作为本发明进一步的方案，所述步骤s3包括如下步骤：
20.步骤s31：以历史的申报数据、成交结果及外部环境参数作为灰色预测模型的输入数据， 计算得到申报和成交数据、外部环境参数的预测值；
21.首先从历史申报数据和成交结果数据中选取用于训练灰色预测模型的训练组和试验组数 据，当数据期数大于7期时可以选最后3期数据为试验组，前n
‑
3组数据为训练组，进行预 测模型的训练；
22.引入新信息gm(1，1)模型和新陈代谢离散灰色预测模型mdgm(1，1)计算得到申 报和成交数据的预测值，对三个结果计算求得平均值作为最终的预测结果；
23.步骤s32：将基于灰色预测模型得到的预测值作去量纲处理后输入训练好的回归模型， 计算得到月度集中竞价交易电价的预测值。
24.一种电力竞价交易价格影响因素分析和预测的系统，包括
25.交易数据与外部环境参数输入模块，用于获取历史交易信息以及季节、气温、年份与供 需比等外部环境参数数据；
26.影响因子输出模块，用于将经过标准化处理的交易数据与外部环境参数输入多元线性回 归模型进行影响度因子计算，得到回归系数；
27.预测电价输出模块，用于将历史交易数据与外部环境参数作为输入数据，通过传统gm (1，1)，新信息gm(1，1)和mdgm(1，1)三种模型计算得到各参数的平均预测值， 并作为训练好的多元线性回归模型输入数据，计算得到预测的交易电价，用以执行上述的方 法；
28.一种存储介质，所述存储介质上储存有计算机程序，所述计算机程序被处理执行时实现 上述的方法。
29.一种设备，包括处理单元(16)，系统存储器(28)和总线18，所述总线(18)包括工 业标准体系结构总线、微通道体系结构总线、增强型isa总线、视频电子标准协会局域总线 以及外围组件互连总线；所述系统存储器(28)包括随机存取存储器(30)和高速缓存存储 器(32)；所述系统存储器(28)中储存有执行所述方法的程序，所述处理单元(16)通过 运行存储在系统存储器(28)中的程序，从而执行各种功能应用以及数据处理。
30.本发明的有益效果：本发明与现有技术相比，本发明考虑了季节、气温、年份与供
需比 等外部环境参数对电力月度集中竞价交易的影响，通过在多元线性回归模型中引入虚拟变量， 弥补了未考虑定量与定性因素对电价影响分析的不足，采用基于灰色预测模型的方法能够削 弱原始数据的波动性，同时采用传统gm(1，1)，新信息gm(1，1)和mdgm(1，1) 三种模型计算预测值，能够提高预测效果的稳健性，避免了交易主体对交易价格影响因素分 析的主观性与片面性，从而帮助不同市场主体制定科学交易策略，为电力交易中心和相关价 格监管部门提供参考依据，促进市场交易的有序开展。
附图说明
31.下面结合附图对本发明作进一步的说明。
32.图1是本发明的一个实施例的流程示意图；
33.图2是本发明具体的算法流程示意图；
34.图3是本发明实施例提供的一种的示意图；
35.图4是本发明实施例提供的设备的示意图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例， 都属于本发明保护的范围。
37.实施例一
38.如图1所示，一种电力竞价交易价格影响因素分析和预测的方法，所述方法包括如下步 骤：
39.s1：获取历史交易信息及季节、气温、年份、供需比等外部环境参数数据；
40.s2：根据输入参数和算法模型计算影响因素的影响度因子；
41.s3：根据不同的定性与定量参数预测值生成多个电力月度集中竞价交易价格范围。
42.s1具体包括如下方法，
43.s11；从电力交易中心的数据信息库获取原始的电力月度集中竞价交易历史关键数据
44.所述历史交易信息数据包括：
45.m年份第i月的月度集中竞价交易电量
46.m年份第i月的月度集中竞价交易成交价格
47.m年份第i月参与月度集中竞价交易的发电企业总申报电量
48.m年份第i月参与月度集中竞价交易的售电公司总申报电量
49.m年份第i月参与月度集中竞价交易的电力用户总申报电量
50.s12：获取气温、电煤价格等外部环境参数数据
51.所述外部环境参数数据包括：
52.电力月度集中竞价交易年份y
m
；
53.电力月度集中竞价交易季节信息；
54.m年份第i月的电煤价格
55.该地区m年份第i月的日均最高气温
56.s13:对所述原始数据进行数据筛选和预处理，汇总整理得到历史交易信息及季节、气温、 年份、供需比等外部环境参数数据
57.进一步，m年第i月的月度电力集中竞价交易供需比按照如下公式进行计算：
[0058][0059]
式中：为供需比；分别为m年份第i月参与月度集中竞价交易 的发电企业总申报电量、售电公司总申报电量和电力用户总申报电量。
[0060]
步骤s2具体包括：
[0061]
步骤s21：从输入参数中筛选用于进行回归分析的样本数据，确定定性变量和定量变量 步骤s22：对输入参数进行标准化处理去除量纲影响
[0062]
对于步骤s21所述的样本数据，可按照如下公式进行标准化处理：
[0063][0064][0065]
式中：x'
ki
为样本i中标准化处理后的第k个数据，x
ki
为标准化前的原始数据，为样本i数据的平均值，σ为样本i中x
i
的标准差，n为样本i中自变量x
i
的个数。
[0066]
步骤s23：构建基于回归分析法的影响因素标准化分析模型
[0067]
多元线性回归模型可表示为：
[0068]
y
i
＝α+β0x
0i
+β1x
1i
+β2x
2i
+β3x
3i
+
…
+β
k
x
ki
+μ
i
[0069]
式中y
i
为因变量，x
0i
,x
1i
,x
2i
,x
3i
…
x
ki
为自变量，自变量x
ki
每增加1个单位，相应的 因变量y
i
平均变化β
k
个单位。
[0070]
因此可采用多元线性回归模型对上述影响因素进行建模，其模型为：
[0071][0072]
式中：α为回归方程中的常数项，μ为扰动变量，和分别表示标准化 后m年份第i月的月度集中竞价交易电量、日均最高气温、市场供需比和电煤价格指数，为 一组定量变量。β0,β1,β2和β3为回归系数，δ
n
和λ
n
为控制变量。season
n
是季节的虚拟变量， 共有春季、夏季、秋季和冬季4个季节，可设置其中某一季节为对照组，其余的3个季节为 虚拟变量，因此n＝1,2,3。比如选取冬季为对照组，若某样本中交易数据为夏季的交易数据， 则δ2＝1，其余的δ
i
(i≠k)全部取0，若样本中的交易数据来自冬季，则所有的season
n
全取为0。 year
n
是季节的虚拟变量，同理可设定某一年份数据为对照组，比如选取2020年为对照组， 若某样本中的交易数据为第k年的交易数据，则λ
k
＝1，其余的λ
i
(i≠k)全部取0，
若样本中的 交易数据为2020年的数据，则所有的year
n
均为0。
[0073]
将去除量纲的标准化参数代入回归模型，训练得到回归分析系数和其他参数，记为α'， β0'，β1'，β2'和β3'。
[0074]
步骤s3具体包括：
[0075]
步骤s31：根据灰色预测模型和历史申报数据、成交结果及外部环境参数计算申报和成 交数据、外部环境参数的预测值
[0076]
首先从历史申报数据和成交结果数据中选取用于训练灰色预测模型的训练组和试验组数 据，当数据期数大于7期时可以选最后3期数据为试验组，前n
‑
3组数据为训练组。
[0077]
可采用一阶一元灰色预测模型gm(1，1)公式进行计算：
[0078]
设原始数据列为x
(0)
＝(x
(0)
(1),x
(0)
(2),x
(0)
(3),
…
x
(0)
(n))，进行一次累加后得到新的生成数列 (x
(0)
的1
‑
ago序列)x
(1)
＝(x
(1)
(1),x
(1)
(2),x
(1)
(3),
…
x
(1)
(n))，其中:
[0079][0080]
由序列x
(1)
计算得到紧邻均值生成数列z
(1)
＝(z
(1)
(1),z
(1)
(2),z
(1)
(3),
…
z
(1)
(n))，其中：
[0081]
z
(1)
(m)＝δx
(1)
(m)+(1
‑
δ)x
(1)
(m
‑
1),m＝2,3,
…
,n且δ＝0.5
[0082]
以此构造得到基本形式的gm(1，1)模型方程：
[0083]
x
(0)
(k)+az
(1)
(k)＝b
[0084]
式中b为灰作用量，
‑
a为发展系数。
[0085]
令
[0086]
则gm(1，1)基本方程可以表示为：
[0087]
y＝bu
[0088]
因此可以用最小二乘法得到灰色模型中的参数a、b的估计值：
[0089][0090]
以上是传统的全数据灰色预测模型gm(1，1)，为保证预测结果的稳健性，可以同时 利用新信息gm(1，1)模型和新陈代谢离散灰色预测模型mdgm(1，1)计算得到申报和 成交数据的预测值，对三个结果计算求得平均值作为最终的预测结果。
[0091]
设最新信息数据为x
(0)
(n+1)，将x
(0)
(n+1)插入数据列x
(0)
＝(x
(0)
(1),x
(0)
(2),x
(0)
(3),
…
x
(0)
(n)) 中得到新数据列x
(0)
＝(x
(0)
(1),x
(0)
(2),x
(0)
(3),
…
x
(0)
(n)，x
(0)
(n+1))，进行一次累加得到的模型为 新信息gm(1，1)。
[0092]
若将新信息数据x
(0)
(n+1)插入数据列后去掉旧信息数据x
(0)
(1)得到新数据列 x
(0)
＝(x
(0)
(2),x
(0)
(3),
…
x
(0)
(n)，x
(0)
(n+1))，进行一次累加建立的模型为mdgm(1，1)。
[0093]
对建立的gm(1，1)方程进行变形可得白化的近似微分方程：
[0094][0095]
在取初值为的条件下可以求得方程解为：
[0096][0097]
由此可得
[0098]
设由传统gm(1，1)得到的预测值为由新信息gm(1，1)得到的预测值为由mdgm(1，1)得到的预测值为将历史申报数据、成交结果和外部环境参数的试 验组数据分别代入传统gm(1，1)，新信息gm(1，1)和mdgm(1，1)计算，得到各 自变量的预测值如下式所示：
[0099][0100]
步骤s32：将基于灰色预测模型得到的预测值作去量纲处理后输入训练好的回归模型， 计算得到月度集中竞价交易电价的预测值
[0101]
训练好的多元线性回归模型如下式所示：
[0102][0103]
式中和分别表示标准化后m年份第i月的月度集中竞价交易电量、日 均最高气温、市场供需比和电煤价格指数预测值，为由步骤3
‑
1计算所得的预测值。
[0104]
采用的历史交易数据与外部环境参数如表1所示：
[0105]
表1
[0106][0107]
*由于2020年3月和7月供应量远大于需求量，故在模型中设置为远大于1的值
[0108]
表2
[0109]
进行残差分析并剔除异常数据后利用所述多元线性回归模型得到的回归结果如表2所 示，同时，检验回归模型的三个统计量:相关系数，r2＝0.9962，f＝358.12，与f对应的概率 p＝0.0000，回归系数的置信区间仅少数包含零点，说明模型回归比较理想。
[0110][0111]
利用灰色预测模型得到的下一期影响因素预测值，以及代入训练好的多元线性回归模型 得到的月竞交易价格预测值如表3所示：
[0112]
表3
[0113][0114]
以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因 此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
[0115]
实施例二
[0116]
如图3所示，一种电力竞价交易价格影响因素分析和预测的系统可采用软件和/或硬件的 方式实现，且该系统可以配置于终端设备中，所述系统包括：
[0117]
交易数据与外部环境参数输入模块，用于获取历史交易信息以及季节、气温、年份与供 需比等外部环境参数数据；
[0118]
影响因子输出模块，用于将经过标准化处理的交易数据与外部环境参数输入多元线性回 归模型进行影响度因子计算，得到回归系数；
[0119]
预测电价输出模块，用于将历史交易数据与外部环境参数作为输入数据，通过传统gm (1，1)，新信息gm(1，1)和mdgm(1，1)三种模型计算得到各参数的平均预测值， 并作为训练好的多元线性回归模型输入数据，计算得到预测的交易电价。
[0120]
上述系统中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上 述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相 互区分，并不用于限制本发明的保护范围。
[0121]
实施例三
[0122]
如图4所示，一种电力竞价交易价格影响因素分析和预测的系统包括设备12，所述设备 12包括如下设备组件：
[0123]
一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件的总线18。
[0124]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总 线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说， 这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线， 增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0125]
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问 的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0126]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器 (ram)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易 失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、 非易失性磁介质(通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非 易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd
‑
rom, dvd
‑
rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个 或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品 具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0127]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中， 这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序 数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本 发明所描述的实施例中的功能和/或方法。
[0128]
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信， 还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与
一 个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信 可以通过输入/输出(i/o)接口22进行。并且，设备12还可以通过网络适配器20与一个或 者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如 图4所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示 出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、 冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0129]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据 处理，例如实现本发明实施例所提供的一种电力竞价交易价格影响因素分析和预测的方法及 系统。
[0130]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应 该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原 理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进 都落入要求保护的本发明范围内。