模糊神经网络在电力系统边际电价预测中的

模糊神经网络在电力系统边际电价预测中的应用

赵庆波¹，周原冰¹，郭蓉²，曾鸣²

(1． 山东电力研究院，山东省 济南市 250002；2．华北电力大学，北京 102206)

    摘 要：文章针对短期电力系统边际电价预测研究和应用中存在的用多元回归等传统方法建模困难、用ANN方法学习速度慢和易陷入局部极小点等问题，利用模糊神经网络具有接受和处理模糊数据、自适应地以任意精度逼近映射函数、不要求明确的数学描述等优点，建立了基于模糊神经网络的系统边际电价预测模型。通过具体实例测算及现场运用，证明了该方法为提高电力市场中边际电价预测精度、制定和实施科学合理的发电企业报价策略提供了可靠的支持。
    关键词：电力市场；边际电价；模糊神经网络

APPLICATION OF FUZZY NEURAL NETWORK IN POWER SYSTEM 
MARGINAL PRICE FORECASTING

ZHAO Qing-bo¹，ZHOU Yuan-bing¹，GUO Rong²，ZENG Ming² 

(1．Shandong Electric Power Research Institute，Jinan 250002，Shandong Province，China；2．Dept. of Electric Power Engineering，North Chian Electric Power University，Beijing 102206，China)

    ABSTRACT: To solve the problems occurred in the research and application of power system short-term marginal price, e.g., low learning speed while artificial neural network (ANN) is used, easy to fall into local minimum point and difficult to establish model by traditional methods such as the multiple regression and so on, a marginal price forecasting model based on fuzzy neural network is established because the fuzzy neural network possesses following advantages: it can accept and process fuzzy data, the mapping function can be approximated with arbitrary accuracy and does not need the determinate mathematical deSCRJPTion is not needed. The calculation results of practical examples and the experience of on-site application show that using this method the forecasting accuracy of marginal price in electricity market can be improved and reliable support to the reasonable bidding strategy can be provided for power generation companies.
    KEY WORDS: Electricity markets；System marginal price；Fussy neural networks

1 引言
    电力市场是从事电力商品交易的场所, 系统边际电价的本质体现了电力市场中电力商品——电能的一种供求平衡关系，这是电能的商品属性。但是电力不能储存，电力供应的系统性、随机性及高度可靠性是区别于其他商品的重要特点。在电力市场运行机制下，发电与输电分离，发电企业独立经营并为用户提供电能，输电则为发电和用户提供电能转送服务，这种开放式管理为电力市场注入了活力，但同时也增加了不确定性和风险性。因此，对于独立的发电企业来说，准确把握系统的边际电价，形成科学合理的发电企业报价策略，提高其在电力市场中的竞争力，具有非常重要的意义。

2 系统边际电价的影响因素分析
    电力市场中，电能作为买卖双方交易的商品，其商品的价值规律是由商品价值的货币表现形式——系统边际电价来体现的。电力市场中的各种要素包括电价、供给和竞争等因素，它们相互作用可自发调节生产资料，降低生产成本，维护有效的市场竞争。电力市场的参与者具有如下特点：由于受市场开放程度的影响，目前作为电能的具体需求方由原来的电网调度统一代理，因此需求价格曲线是无弹性的；电能的供给方则具有相对的灵活性，目前所谓的电力市场开放主要也是针对供给方——独立发电企业而言的，其价格供给曲线是有弹性的。在公平交易机制下，供给与需求相互作用，使市场达到动态均衡，从而决定商品的均衡数量和均衡价格。从上述分析可以看出影响系统边际电价的因素主要包括：
    (1)需求，即竞争负荷曲线。由于市场开放程度的限制，一些特殊机组不参与市场竞价，如热电联产机组。因此作为产生系统边际电价的需求负荷，必须从系统负荷中剔除非竞价机组容量，将剩余负荷作为竞争负荷。
    (2)竞争供给,即可用的发电容量。一般可用容量为市场中全部参与竞价的发电机组的最大机组容量之和减去检修容量。
    (3)市场的竞争水平。由于电力市场不是完全竞争市场而更接近于寡头垄断市场，因此恶性竞争或者过度投机的报价都将导致系统边际电价曲线偏离正常的市场供求关系。
    发电商的报价策略属于商业秘密，不可能事先知道，而分析和预测发电商的具体报价行为也相当困难。但是系统总体的报价水平在短期内是相对稳定的，它与过去的系统边际电价曲线是相关的。而且时间间隔越短的系统边际电价相关性越强，敏感程度越高。

3 预测方法的选择
    为了说明模糊神经网络在预测边际电价方面优于其它方法的优点，本文采用多种方法加以比较。
    (1)基于多元线性回归的预测模型
    多元回归是根据数理统计中的回归分析法，即通过多变量的观测数据进行统计分析，确定变量之间的相关关系，以达到预测的目的。假设预测第n天某一时刻的边际电价为λ_n ，以第n、n-1、n-2天的竞争负荷(l_n、l_n-1、l_n-2)、竞争发电量(p_n、p_n-1、p_n-2)和第n-1、n-2天的边际电价(λ_{n -1}、λ_{n -2})作为模型输入参数，建立如下的多元线形回归模型
  
    (2)基于ANN的BP神经网络预测方法
    多层BP神经网络是能实现映射变换的前馈型网络中最常使用的一类网络，也是人们研究最多、认知最清楚的一类网络。本文采用文献[5]的模型结构来说明ANN神经网络预测边际电价的方法。图1显示的是一个多输入、单输出的三层BP网络结构。

    其中，输入层A_k和输出层C_k中间有一层隐含层，V_hi、W_ij分别为神经网络的连接权值，激励函数采用Sigmoid函数，网络的输入变量与该节中(1)的相同。
    (3)基于模糊神经网络的预测方法
    模糊神经网络(Fuzzy Neural Networks，FNN)通常是由大量模糊的或非模糊的神经元相互连接构成的网络系统。FNN除具有一般神经网络的性质和特点外，还具有一些特殊性质。比如，由于采用了模糊数学中的计算方法，使一些处理单元的计算变得较为简便，从而使信息处理的速度加快；由于采用了模糊化的运行机制，使得系统的容错能力得到加强。但最主要的是FNN扩大了系统处理信息的范围，使系统可同时处理确定性和非确定性信息，极大地增强了系统处理信息的灵活性。
    本文建立了多输入单输出的前馈型模糊神经网络模型，该预测模型构建的网络由输入层、模糊化层、模糊推理层、去模糊化层和输出层构成。如图2所示。

    输入层对应的输入变量(x_i，i=1,2……8)是一个8维的特征向量，分别是系统发布的连续三天的负荷L_(t-2)、L_(t-1)、L_(t)，连续三天的全网机组发电可用容量q_(t-2)、q_(t-1)、q_(t)以及连续两天的历史结算电价λ_(t-2)、λ_(t-1)。输入变量经过标准化处理后进入模糊化层的运算。
    模糊化层由模糊化神经元组成，主要功能是完成观测值和输入值由精确量到模糊量的转化。这种转化过程是由模糊隶属函数来完成的，因此选取适合边际电价预测的隶属函数成为构建模糊神经网络模型的关键。本文采用钟型隶属函数来进行输入空间的描述。输入变量的钟型隶属函数如图3所示。

    图中横坐标x_i表示输入变量，纵坐标μ_a表示隶属函数，钟型隶属函数 其中 a表示钟型隶属的中心点，b表示钟型隶属的宽度，在模糊神经网络模型中，参数a、b被赋予网络连接权值的实际物理意义。连接权值在网络训练中不断调整，最终达到符合模糊规则所要求的值。
    模糊规则推理层是前馈型模糊神经网络的核心，可模拟执行输入变量和输出变量之间的模糊关系的映射，它连接着模糊推理的前提和结论。
    通过模糊推理层得到的结果是一个模糊集合或隶属函数，去模糊化层的任务就是将推理层的输出结果进行非模糊化处理。
    输出层需要一个确定的值，由去模糊化层得到的两个节点Σ1和Σ2经过除法器的除法运算，映 射出一个结算电价λ_(t) ，得到模糊神经网络的输出结果。
    网络中的节点，如  和一般的神经元不同，其中 是模糊神经元， 是乘法器，÷是除法器，其输出是两输入参数的商。模糊系统加权得到的网络输出层是由重心法解模糊得到的。

[1] [2]  下一页