一种电力现货市场电价预测模型建立方法与流程

1.本发明涉及电力技术领域，具体涉及一种电力现货市场电价预测模型建立方法。


背景技术：

2.在全国现货市场建设加速推进的背景下，市场主体需对新的市场架构及市场交易方式进行详细和深入的研究。电力现货市场的交易模式和规则与现行的基于物理交割的电力批发市场有很大差异。现行市场的交易周期分为年度、季度、月度、月内，电力现货市场的电能量市场细分为中长期、日前、实时市场，不同交易周期的交易方式有所不同。中长期交易的电量通过分解曲线分解至日前，不决定运行日的生产计划，现货市场在边际电能量成本的基础上引入了边际阻塞成本等等，这一系列变化增加了发电企业报价决策时需要考虑的因素和约束，加大了设计和实施交易策略的难度，降低了中标的可能性和盈利的空间。若不能正确判断市场供需关系、准确预测未来的电价，并依此制定报价策略，不仅企业的利润会被压缩，甚至可能出现发了电反而亏损的情况。
3.准确预测市场电价是非常困难的，因为电价预测需要对系统负荷需求、其他发电公司的报价行为、输电网络的拥挤状况、电力市场的运行状况等有全面的了解，需要有充分的历史数据。电力市场电价随机性、投机性大、变化起伏性大，电价规律不易掌握。但是，作为市场的参与者，对市场电价进行预测是十分必要的，电价预测的准确程度是影响竞价策略的一个非常关键的因素。目前预测电价的方法有很多种，例如时间序列预测法、灰色系统预测方法、人工神经元网络预测方法、组合预测方法、小波分析方法等。
4.如果只考虑历史电价数据自身内在变化规律和内在联系等特点，则可以使用时间序列法来预测未来电价，然而例如系统负荷、全省新能源出力等均是影响电价波动的重要因素，多变量引入到模型当中，时间序列法测试相关性效果一般；灰色预测模型的主要特点是不需要任何原始序列的概率分布，可实现少数据建模，但是，这种模型仅适用于历史数据少、电价序列波动较平缓的市场的电价预测。利用小波神经网络能够有效出力多变量的问题，短期电价预测整体的预测精准度较高，这是由于经过小波分解后的每个分量内部具有相似的频率特性并显示出较强的规律性，从而在很大程度上避免了由于训练样本不完备而导致的神经网络的预测精度波动。在应用小波神经网络进行电价预测过程中应处理好小波基和分解尺度的选择问题，还需要仔细分析预测成本和神经网络输入层数等，且网络结构选择大都是根据相关经验进行的，或者采用试凑法来进行，引入大量主观经验不确定性，并且操作复杂等问题。


技术实现要素：

5.针对现有技术的不足，本发明提供了一种电力现货市场电价预测模型建立方法，克服了现有技术的不足，可以客观反映供需关系，模型结构不复杂，算力要求低，准确高效对电价实现预测。
6.为实现以上目的，本发明通过以下技术方案予以实现：
7.一种电力现货市场电价预测模型建立方法，包括以下步骤：
8.步骤s1：按照现货市场交易出清规则逻辑，对公布的历史及未来三天市场信息数据分析，找出多变量与电价的关系；
9.步骤s2：基于crm区间自适应回归分析预测模型；
10.拟合的曲线为以天为周期的样本数据按照“区间法”确定因变量yi，自变量为区间变量xi(j＝1,
…
,p)的n个观测值；分别为区间变量中点和半径，分别为区间变量x
ij
的中心和半径；分别建立区间中点和半径的关系，如下式：
[0011][0012][0013]
式中分别为中点和半径误差，分别为两组关系的系数；
[0014]
通过最小化中点击半径误差的平方和求解，如下式所示：
[0015][0016]
对样本训练集不断回归训练，对参数寻优；在进行预测时，根据两组关系参数，判断每个时刻输入变量信息位于哪个区间内，进而生成逐一时刻的预测电价；
[0017]
步骤s3：采用增加临近数据样本和相似日样本作为数据训练样本，应对火电报价行为变化；
[0018]
步骤s4：分析新能源申报行为，提前对全省新能源预测数据进行处理，降低其对电价的影响，提升预测的准确率。
[0019]
优选地，所述步骤s1中各个变量与电机的逻辑关系为：
[0020]
火电竞价空间(热力值)＝省内负荷预测电力值+日前联络电力值-非市场化出力(边界出清条件)-省新能源出力。
[0021]
本发明提供了一种电力现货市场电价预测模型建立方法。具备以下有益效果：不受样本数据量多少限制，且可灵活采用多样本同时带入建模。本成果为提升电价预测的准确率，实现长周期数据样本、相似日数据样本和临近日数据样本三种类型的数据样本建模；并且通过分析各市场主体的报价行为，提前对市场数据信息进行处理，从而客观真实反映市场供需关系，预测准确率高，准确率高达93％以上；数据样本处理完成后，带入模型，不需耗费较大资源，时间短，数据运算与图片处理总耗时在半分钟以内。
附图说明
[0022]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
[0023]
图1本发明的结构示意图；
[0024]
图2本发明中电价与市场信息的散点关系图；
[0025]
图3本发明中火电竞价空间与电价关系图；
[0026]
图4本发明中不同月份火电竞价空间变化图；
[0027]
图5本发明中新能源申报变化图。
具体实施方式
[0028]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
[0029]
电力现货市场电价由市场供需关系决定，往往与市场经济、区域气象、电力系统的运行状况以及市场主体报价行为等因素密切相关，它随供需变化而变化，反过来，电价的变化也影响供需量。按照国家能源下发的《电力现货市场信息披露管理办法》要求，电力交易机构负责及时公开披露市场竞争所需信息，往往包含但不限于如：全省新能源预测、日前联络线电力值(外送)、省内负荷预测电力值、总加电力值、非市场机组出力、分时电价等信息。
[0030]
如图1-5所示，基于公开的市场信息，本发明公开了一种电力现货市场电价预测模型建立方法，包括以下步骤：
[0031]
步骤s1：按照现货市场交易出清规则逻辑，对公布的历史及未来三天市场信息数据分析，找出多变量与电价的关系；
[0032]
如图2所示，可以发现用电负荷与电价成正相关、全省新能源出力与电价成负相关，与市场供需逻辑一致，经对以上变量同时进行多维回归运算及单点分别建模与96点统一建模不断尝试，效果均一般。按照市场出清逻辑归纳整合出影响电价波动的最直接变量如图3所示，明显可以看出各区间电价的收敛性较好，逻辑变化为：
[0033]
火电竞价空间(热力值)＝省内负荷预测电力值+日前联络电力值-非市场化出力(边界出清条件)-省新能源出力。
[0034]
步骤s2：基于crm区间自适应回归分析预测模型；
[0035]
拟合的曲线为以天为周期的样本数据按照“区间法”确定因变量yi，自变量为区间变量xi(j＝1,
…
,p)的n个观测值；分别为区间变量中点和半径，分别为区间变量x
ij
的中心和半径；分别建立区间中点和半径的关系，如下式：
[0036][0037][0038]
式中分别为中点和半径误差，分别为两组关系的系数；
[0039]
通过最小化中点击半径误差的平方和求解，如下式所示：
[0040]
[0041]
对样本训练集不断回归训练，对参数寻优；在进行预测时，根据两组关系参数，判断每个时刻输入变量信息位于哪个区间内，进而生成逐一时刻的预测电价；
[0042]
步骤s3：采用增加临近数据样本和相似日样本作为数据训练样本，应对火电报价行为变化；
[0043]
电力现货市场出清电价受供需主体报价行为变化影响同样较大，由于当前现货市场建设处于初期阶段，各省交易中心对用电负荷侧采用电网的负荷预测结果参与出清，故用电侧报价行为短期不会对电价产生影响。发电侧主要分为火电和新能源报价行为。
[0044]
步骤s4：分析新能源申报行为，提前对全省新能源预测数据进行处理，降低其对电价的影响，提升预测的准确率。
[0045]
如图4所示，不难发现不同月份(不同颜色的深浅)在相同竞价区间出清电价变化很大，火电在不同月份外部环境变化，其报价行为会有明显的变化，直接影响电价预测的准确率，为有效解决该问题，本模型采用增加临近数据样本和相似日样本作为数据训练样本可以有效解决此问题。
[0046]
如图5所示，为全省新能源在每天申报d+1日电量事相对d+2功率预测有着明显的变化，往往其在预判电价较高时会主动下调其预测值来博取现货实时市场交易更多的电量，电价较低时会上调其功率预测值希望在现货日前市场中成交更多的电量，此行为同样会影响出清电价，本模型通过对全省d+2日的预测数据提前进行处理，降低其对电价影响。
[0047]
本发明不受样本数据量多少限制，且可灵活采用多样本同时带入建模。本成果为提升电价预测的准确率，实现长周期数据样本、相似日数据样本和临近日数据样本三种类型的数据样本建模；并且通过分析各市场主体的报价行为，提前对市场数据信息进行处理，从而客观真实反映市场供需关系，预测准确率高，准确率高达93％以上；数据样本处理完成后，带入模型，不需耗费较大资源，时间短，数据运算与图片处理总耗时在半分钟以内。
[0048]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。