電力市場改革初期，月度競價由于可供研究的數據少、環境變化大、市場參與者行為不確定等特點難以分析預測。
本文將監督式機械學習算法與當前電力市場規則和競價者行為特征相結合，提出了一種具有自適應能力的競價預測方法，引入遺忘機制和慣性機制來模擬真實市場參與者競價行為，設計了自我驗證機制修正不合理的預測結果，改進了正則化參數，有效避免了過擬合的發生。本文實驗算例采用廣東月度競價的實驗市場數據，驗證了所提方法的有效性。
隨著我國生產結構的轉型，電力需求增速減緩。為了進一步優化產能結構，我國自2015年開始正式起動新一輪電力市場改革（電改“9號文”）[1-3]。本輪改革中，國家陸續出臺了一系列指導規章和準則，建立了大范圍的電力綜合改革試點和售電市場試點。根據世界其他開展電力市場改革區域的經驗[4-6]，電力市場從時間上主要劃分為中長期市場和現貨市場。
目前，中國電力市場發展尚處于初始階段，市場的參與者都期待采用優化的競價策略來最大化利潤，并避免因錯誤競價策略而導致損失。然而，當前月度競價存在以下特點：①市場規則存在變數；②準入供需比不斷調整；③用戶不理性報價。這些特點使用戶難以預測和把握市場走向，進而無法找到最優的競價策略。
因此，如何幫助售電公司和發電集團找到優化的競價策略成為熱門話題[7-10]。文獻[7]通過用隨機規劃方法來考慮電價的不確定性，研究了有自發電設備的電力大用戶在聯營混合型市場和雙邊交易市場下的購電策略。
文獻[8]從售電公司購售兩側來研究售電公司參與市場的最優化策略，通過條件風險價值（CVAR）方法對風險進行處理，并使用混合整數隨機規劃方法求解出最優購電和售電價格。
基于時間序列模型理論，文獻[9]主要是建立自回歸積分滑動平均模型（ARIMA）對電價序列進行表示，并利用最小均方誤差為準則對其預測。
為了減少原始數據中可能存在不良數據對預測結果造成不利影響，文獻[10]在對序列進行ARIMA預測之前先通過小波變換過濾掉不良數據，再通過逆小波變換得到時間連續的電價預測值。
本文將機器學習方法與廣東電力市場規則、用戶行為特征相結合以及市場初期月度競價表現出的特點，即數據少、用戶行為差異大、競價存在學習過程，提出了一套基于時間序列的自適應競價預測監督式學習算法策略。
本策略全面考慮了用戶不成熟的市場行為和用戶競價延后性的實際問題，僅需要根據少量市場的數據，就可以學習用戶行為并適應市場變化，通過自我修正機制，給出有價值的競價決策建議。今后隨著市場逐漸成熟，可將該算法推廣應用于其他省份的月度電力市場競價以及現貨市場中。
圖2 反饋修正流程圖
結論
本文提出一套基于監督式學習的自適應競價預測模型。該策略下，采用改進的時間序列加監督式學習算法。為了模擬逐漸成熟的市場行為，引入了遺忘機制，通過加入遺忘機制，削減歷史擬合誤差的權重來起到“遺忘”的作用。
針對用戶的延后反應，本文將獨立生成一組現有參數非線性組合產生的新參數最為額外的輸入，在保持優化模型線性特征的情況下，實現更準確地預測。
針對數據量少而出現的過擬合問題，除了提出具有多重共線性特征的輸入來避免過擬合外，還加入了正則化參數。同時進行輔助反饋變量更新，使監督預測模型價格向優于前時間節點方向移動從而進行反饋修正。
經算例驗證可知，可將該策略有效應用于廣東電力交易市場中。這對售電公司及大用戶在今后電力現貨市場中的競價具有一定的借鑒意義。
手機掃描二維碼
