[摘要]  在電力市場中運(yùn)作中，電廠的報(bào)價(jià)反映了電廠的運(yùn)作成本和市場供求信息，準(zhǔn)確的預(yù)測邊際電價(jià)信息，對電力供應(yīng)商的競價(jià)決策有重要意義。應(yīng)用基于模糊聚類(FCM)和關(guān)節(jié)控制器神經(jīng)網(wǎng)絡(luò)(CMAC)的電力市場競價(jià)策略，可以精確預(yù)測邊際電價(jià)和電廠競價(jià)電價(jià)，以使發(fā)電廠商獲得更多的中標(biāo)機(jī)會(huì)。通過澳大利亞昆士蘭州電力市場的數(shù)據(jù)作為計(jì)算實(shí)例進(jìn)行預(yù)測，預(yù)測結(jié)果表明：輸出穩(wěn)定性好、計(jì)算速度快、預(yù)測精度較高。

[關(guān)鍵詞]  模糊聚類 關(guān)節(jié)控制器神經(jīng)網(wǎng)絡(luò) 電力市場 競價(jià)策略

電力市場的實(shí)質(zhì)是通過建立一個(gè)充滿競爭和選擇的電力系統(tǒng)運(yùn)營環(huán)境，提高電力行業(yè)的效率。競價(jià)問題主要針對電力聯(lián)營體市場，在該市場中，電力供應(yīng)商向電力交易中心提交下一交易時(shí)段所能提供的電力以及要求的價(jià)格。電力交易中心根據(jù)預(yù)測的負(fù)荷和競價(jià)曲線進(jìn)行發(fā)電機(jī)調(diào)度計(jì)算，選擇發(fā)電單元并制定計(jì)劃，在這個(gè)過程中決定電力供應(yīng)商能否中標(biāo)的關(guān)鍵一是競價(jià)曲線的制定;二是所有電力供應(yīng)商的報(bào)價(jià)，文獻(xiàn)1～4對電力供應(yīng)商的競價(jià)決策做了深入研究，而邊際電價(jià)對競價(jià)曲線的制定起到十分關(guān)鍵的作用。

關(guān)于邊際電價(jià)預(yù)測的研究方法有許多種，文獻(xiàn)5～10對各種電價(jià)預(yù)測方法做了詳盡的闡述，但由于在不同的交易時(shí)段，負(fù)荷特性會(huì)發(fā)生變化，所以各方法的預(yù)測結(jié)果往往出現(xiàn)不穩(wěn)定的問題，尤其是對峰、谷時(shí)段的電價(jià)預(yù)測結(jié)果最明顯。本文采用模糊聚類(FCM)和小腦模型關(guān)節(jié)控制器 (CMAC)神經(jīng)網(wǎng)絡(luò)方法，通過 FCM算法將交易時(shí)段分為3個(gè)負(fù)荷水平：峰負(fù)荷、腰負(fù)荷和谷負(fù)荷，然后根據(jù)不同類型的交易時(shí)段分別對小腦模型關(guān)節(jié)控制器 (CMAC)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，構(gòu)建不同時(shí)段的短期市場邊際電價(jià)預(yù)測和競價(jià)模型，并使用澳大利亞昆士蘭州電力市場實(shí)際數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，結(jié)果顯示，該方法預(yù)測速度快、精度較高且預(yù)測結(jié)果穩(wěn)定。

一、CMAC神經(jīng)網(wǎng)絡(luò)原理

CMAC模型由J.S.Albus于1975年提出。它是一種典型的局部逼近神經(jīng)網(wǎng)絡(luò)，具有線性結(jié)構(gòu)、算法簡單等特點(diǎn)，有一定泛化能力。 CMAC網(wǎng)絡(luò)由1個(gè)固定的非線性輸入層和1個(gè)可調(diào)的線性輸出層組成，通過多種映射實(shí)現(xiàn)聯(lián)想記憶。其一般結(jié)構(gòu)如圖1所示。CMAC能實(shí)現(xiàn)無教師學(xué)習(xí)，并且學(xué)習(xí)速度快，可以處理不確定性知識。

圖1中，X為 n維輸入矢量空間;A為聯(lián)想記憶空間;P為輸出響應(yīng)矢量。設(shè)X為 CMAC網(wǎng)絡(luò)輸入空間，Xn為對應(yīng)的離散輸入空間。CMAC 網(wǎng)絡(luò)的實(shí)現(xiàn)過程可簡述為：Xn中的每一輸入點(diǎn)xi激活記憶空間 A中的單元為 A*，A*空間對應(yīng)的連接權(quán)的代數(shù)和即為對應(yīng)的輸出。A*的模(即泛化參數(shù))表示了空間A*的長度。

CMAC網(wǎng)絡(luò)的訓(xùn)練過程是一個(gè)不斷修正誤差的迭代過程。設(shè)Yi’為對應(yīng)于某個(gè)輸入xi狀態(tài)的期望輸出，Yi為相應(yīng)的CMAC網(wǎng)絡(luò)響應(yīng)

二、模糊聚類(FCM)算法

FCM是模糊聚類方法的一種。在很多實(shí)際問題中，經(jīng)常遇到一些用數(shù)字不能準(zhǔn)確描述的模糊信息，模糊聚類分析法能夠較好的處理關(guān)于模糊信息的聚類問題。Bezdek定義FCM算法的目標(biāo)函數(shù)

三、基于模糊聚類和關(guān)節(jié)控制器神經(jīng)網(wǎng)絡(luò)的電力市場競價(jià)策略

采用 FCM算法將對交易時(shí)段進(jìn)行分類，然后根據(jù)不同類型的交易時(shí)段分別對CMAC神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的輸出為預(yù)測邊際電價(jià)和競價(jià)結(jié)果。

1.基于 FCM 的交易時(shí)段分類

通常電力市場中，市場運(yùn)作按交易日進(jìn)行，澳大利亞昆士蘭州電力市場每天分成24個(gè)時(shí)段。公開數(shù)據(jù)包括市場歷史數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)和預(yù)測負(fù)荷。由于在不同的交易時(shí)段，負(fù)荷特性會(huì)發(fā)生變化，因而可以采用 FCM算法將交易時(shí)段分為3個(gè)負(fù)荷水平：峰負(fù)荷、腰負(fù)荷和谷負(fù)荷。

設(shè)Xi(1，…，N，N=24)是第i個(gè)交易時(shí)段的負(fù)荷向量。Xi的維數(shù)為D，D是所計(jì)入的天數(shù),在這里聚類數(shù)C取3，或者說，就是要將24負(fù)荷向量分為3類。這樣就可以減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。

2.基于 FCM 的發(fā)電廠商競價(jià)分類

在同一個(gè)電力市場中有很多發(fā)電廠商參與競價(jià)，將所有的發(fā)電廠商根據(jù)上述分類交易時(shí)段進(jìn)行分類，同時(shí)采用FCM將各分類交易時(shí)段發(fā)電廠商分為3類：強(qiáng)競爭性、弱競爭性、無競爭性。發(fā)電廠商的節(jié)點(diǎn)報(bào)價(jià)將作為分類的依據(jù)，聚類數(shù)C等3，Xi由第i個(gè)廠商的節(jié)點(diǎn)報(bào)價(jià)構(gòu)成，其維數(shù)由歷史數(shù)據(jù)的數(shù)量決定。一旦算法收斂，發(fā)電廠商被分為3個(gè)集合。與節(jié)點(diǎn)報(bào)價(jià)同處于一個(gè)集合的發(fā)電廠商為具有強(qiáng)競爭性的廠商。其余兩個(gè)集合中與節(jié)點(diǎn)報(bào)價(jià)所在集合距離近的集合中的發(fā)電廠商為弱競爭性的廠商，另一個(gè)集合中的發(fā)電廠商為無競爭性的廠商。

3.CMAC神經(jīng)網(wǎng)絡(luò)預(yù)測模型

為提高電價(jià)預(yù)測的準(zhǔn)確性，對電價(jià)及影響其變化的因素進(jìn)行相關(guān)性分析，發(fā)現(xiàn)以下因素對電價(jià)的影響較大，故將它們作為電價(jià)預(yù)測模型中應(yīng)考慮的因素(其中：d表示日期;t表示時(shí)段)：

(1)歷史電價(jià)。預(yù)測時(shí)段當(dāng)天1h前的時(shí)段電價(jià)P(d，t-1);預(yù)測時(shí)段當(dāng)天2h前的時(shí)段電價(jià)P(d,t-2);預(yù)測時(shí)段當(dāng)天3h前的時(shí)段電價(jià)P(d，t-3);預(yù)測時(shí)段當(dāng)天前1天1h前的時(shí)段電價(jià)P( d-1，t-1)，預(yù)測時(shí)段當(dāng)天前1天同一時(shí)段的時(shí)段電價(jià)P( d-1，f);預(yù)測時(shí)段當(dāng)天前1天1h后的時(shí)段電價(jià)P(d-1，t+1)。

(2)系統(tǒng)負(fù)荷。預(yù)測時(shí)段的系統(tǒng)預(yù)測負(fù)荷L(d，f)(可通過短期負(fù)荷預(yù)測獲得，或?qū)κ袌龉嫉念A(yù)測負(fù)荷修正后得到);預(yù)測時(shí)段1 h前的系統(tǒng)負(fù)荷L(d，t-1);預(yù)測時(shí)段2h前的系統(tǒng)負(fù)荷L(d，t-2)。

4.產(chǎn)生報(bào)價(jià)策略的步驟

上述方法可以概括為如下步驟:

第一步:輸入D天的系統(tǒng)24點(diǎn)負(fù)荷數(shù)據(jù)，采用 FCM算法將24個(gè)交易時(shí)段按負(fù)荷水平分為3類;

第二步:訓(xùn)練CMAC神經(jīng)網(wǎng)絡(luò)，預(yù)測邊際電價(jià)。

第三步:輸入各發(fā)電廠商G×D×24個(gè)節(jié)點(diǎn)競價(jià)電價(jià)，其中G是總的發(fā)電廠商數(shù)，并根據(jù)第1步分類交易時(shí)段進(jìn)行分類。

第四步:根據(jù)預(yù)測邊際電價(jià)和競價(jià)策略，擬定競價(jià)價(jià)格，用 FCM算法將各分類交易時(shí)段發(fā)電廠商分為3個(gè)集合

第五步:競價(jià)電價(jià)輸出預(yù)測邊際價(jià)及該廠商競價(jià)是否成功。當(dāng)報(bào)價(jià)是否成功的標(biāo)志位為Y時(shí)，表明該廠商可以按輸出的競價(jià)電價(jià)進(jìn)行報(bào)價(jià);如果標(biāo)志位為N，則表明報(bào)價(jià)者要按小于輸出的競價(jià)電價(jià)進(jìn)行報(bào)價(jià)?！∷?、預(yù)測實(shí)例結(jié)果

由于廠商報(bào)價(jià)實(shí)際歷史數(shù)據(jù)不全，競價(jià)電價(jià)進(jìn)行了仿真預(yù)測，而邊際電價(jià)選取澳大利亞昆士蘭州電力市場1998年9月(4周)的實(shí)際運(yùn)行數(shù)據(jù)作為訓(xùn)練樣本。在衡量預(yù)測效果時(shí)采用了均方根相對誤差δRMAPE 、平均絕對誤差δMAE、平均相對誤差δMAPE 和均方根絕對誤差δRMSE 4個(gè)統(tǒng)計(jì)學(xué)誤差指標(biāo)：

表中定量給出了邊際電價(jià)預(yù)測誤差，其中計(jì)算時(shí)間為28s。圖2給出了澳大利亞昆士蘭州電力市場1998年10月10日至10月16日的邊際電價(jià)預(yù)測值及實(shí)際值。

從圖2可以看出，從總體上來看預(yù)測結(jié)果與實(shí)際電價(jià)比較吻合，即使在電價(jià)出現(xiàn)尖峰時(shí)的局部區(qū)域內(nèi)預(yù)測效果都較精確，預(yù)測時(shí)間較其他方法短，計(jì)算速度快。

五、結(jié)論

通過對采用基于 FCM和CMAC的預(yù)測模型進(jìn)行短期邊際電價(jià)和競價(jià)電價(jià)預(yù)測結(jié)果可以發(fā)現(xiàn)，該模型具有輸出穩(wěn)定性好、計(jì)算速度快和預(yù)測精度高等優(yōu)點(diǎn)。

電廠報(bào)價(jià)本身就是電力市場環(huán)境下很敏感的一個(gè)經(jīng)濟(jì)信號，電廠競價(jià)電價(jià)預(yù)測的研究對電力市場的各個(gè)成員具有重要意義。隨著電力市場環(huán)境的不斷完善，電力系統(tǒng)運(yùn)行歷史數(shù)據(jù)的不斷增多，因此可以更好的進(jìn)行電廠競價(jià)預(yù)測，以使發(fā)電廠商獲得更多的中標(biāo)機(jī)會(huì)。

參考文獻(xiàn)：

[1]Competitive Electric Market[J].IEE Proceedings Part C—— Genemti0n.Transmission& Distribufion，2001，148(2)：159-164.

Skantze Petter, Ilic Marija Stochastic Modeling of Electric Power Prices in a Multi-market Environment In: Power Engineering Society Winter Meeting Singapore: 2000. 1109-1114

黃日星康重慶夏青:電力市場中的邊際電價(jià)預(yù)測.電力系統(tǒng)自動(dòng)化，2000，24(22)：9-12

曾次玲張步涵:淺析發(fā)電公司的競價(jià)策略[J].電網(wǎng)技術(shù),2002，26 (5):49～54

Szkuta BR，Sanabria LA，Dillon TS.Electricity Price Shoa—term Forecasting Using Artificial Neural Network[J].IEEE Trans.on Power System。1999.14(3):851-857

Hong YY，Tsai SW，Weng MT.Bidding Strategy Based On Artificial Intelligence For A

陳建華周浩:基于小腦模型關(guān)節(jié)控制器神經(jīng)網(wǎng)絡(luò)的短期電價(jià)預(yù)測[J],湖南電力，2004.02

A.Wang·B.Ramsay.Prediction of system marginal price in the UK power pool using neural network.Proceedings of IEEE International Conference on Neural Networks 1997，V.4、pp：2l16～2120

B.R.Szkuta.L.A.Sanabria.T.S.Dillon.Electric price short— term forecasting using artificial neural networks [J].IEEE Trans.on PW S.1999

[10]張春輝閔勇丁仁杰于慶廣魏少巖:級聯(lián)相關(guān)的神經(jīng)網(wǎng)絡(luò)模型在邊際電價(jià)預(yù)測總的應(yīng)用 電力系統(tǒng)自動(dòng)化，2003