（电力系统及其自动化专业论文）基于电价预测的水电厂报价策略研究.pdf

t i t l e ：b i d d i n gs t r a t e g yo fh y d r o p o w e rp l a n t sb a s e do n s y s t e mm a r g i n a lp r i c ef o r e c a s t m a j o r - p o w e rs y s t e ma n da u t o m a t i o n n a m e ：z h e n h u ac a i s u p e r v i s o r ：a s s o c i a t ep r o f r o n gj i a a b s t r a c t s i g n a t u r e ：挫丝 s i g n a t u r e ：g ! ：墨i 些 j t h ep o w e ri n d u s t r yw o r l d w i d ei se x p e r i e n c i n gu n p r e c e d e n t e de s t a b l i s h i n ge l e c t r i c i t y m a r k e t s u n d e rt h ee l e c t r i c i t ym a r k e te n v i r o n m e n t s , m o s ti m p o r t a n tf o r t h eh y d r o p o w e rp l a n t s i st om a k ep r o f i tn d 【i 比l i 2 ：e 正w h i c ht oal a r g ee x t e n t , d e p e n d so nb i d d i n gs w a t e g i e se m p l o y e d t h i sd i s s e r t a t i o nf o c u s e so nt h es t u d y o f b i d d i n gs t r a t e g yo f h y d r o p o w e rg e n e r a t i o nc o m p a m e $ i nt h ee l e c t r i c i t ym a r k e te n v i r o n m e n t , a n dp u t sf o r w a r dap r o f i tm a x i m i z a t i o nm o d e lo f h y d r o p o w e rp l a n t sb i d d i n gs w a t e g yb a s e do nf o r e c a s t i n gt h es y s t e mm a r g i n a lp 畦c s m p ) f i r s t l y , t h es i g n i f i c a a c eo f o p 缸l a lb i d d i n gs t r a t e g yf o rh y d r o p o w e rp l a n t su n d e re l e c t r i c i t y n l a r k e te n v i r o n m e n ti si n t r o d u c e d , a n dt h ea p p r o a c h e sf o rm a k i n gb i d i n gs w a t e g ya p a r t i c u l a r l ya d d r e s s e d s e c o n d l y , t h ef a c t o r si n n u 如c i n gt h es m pi ne l e c t r i c i t ym a r k e ti sa n a l y z e d , ：a n ds m p f o r e c a s ti sc a r r i e do u tb a s e df i l l s i m i l a r i t y s e a r c ha n dl e a s t s q u a r es u p p o r tv e c t o r m a c h i n e s t l s - s v m ) i n p u t so ft h el s - s v ma 坞l o a do b t a i n e db ys i m i l a r i t y s e a r c ha n d c o n t i g u o u sl o a d , a n d 两ds e a r c ha n do r o 鹳v a l i d a t i o na 砧e m p l o y e dt os e a r c ht h eo p t i m a p a r a m e t e r sf o rl s s v m c a s es t u d ys h o w st h a tt h i sm o d e lh a se f f e c t i v e l yi n c r e a s e dt h e f o r e c a 幽gp r e c i s i o n t h i r d l y , ab i d d i n gs t r a t e g ym o d e lo fh y d r o p o w e rp l a n t sb a s e do nf o r e c a s t e ds m pi s e s t a b l i s h e d t h em o d e lt a k e sv a r i o u sc o n s t r a i n t si n t oa c c o u n t s ，a n dp l a n st h ew a t e r c o n s u m p t i o na n dl o a di nh y d r o p o w e rp l a n t sa saw h o l e ，i no r d e rt om a l 【ei t sp r o f i tm a x i m i z e d f i n a l l y , am o d i f i e dg e n e t i ca l g o r i t h mi se m p l o y e dt o s o l v et h eb i d d i n gs t r a t e g y o p t i m i z a t i o np r o b l e ma n dg a i n st h eo p t i m a lb i d d i n gs t r a t e g y t h em o d i f i e dg e n e t i ca l g o r i t h m p u tf o r w a r db yt h i sd i s s e r t a t i o na d a p t i v e l ya d j u s t st h ec r o s s o v e fa n dm u t a t i o np r o b a b i l i t y , a n d h a se f f e c t i v e l yo v e r c o m et h ep r e m a t u r eo f s i m p l eg e n e t i ca l g o r i t h m a n di m p r o v e dt h ea b i l i t y t oc o n v e r g e 幻t h eg l o b a lo p t i m u m n 坨m o $ f i e da d a p t i v eg e n e t i ca l g o r i t h mi sa p p l i e dt os o l v e t h eb i d d i n gs t r a t e g ym o d e lf o rh y d r o p o w e rp l a n t s ，a n dt h er e s u l t ss h o wt h ea p p r o hh a s e f f e c t i v e l yi n c r e a s e dt h ee c o n o m i cb e n e f i to f h y d r o p o w e rp l a n t s k e yw o r d s ：h y d r o p o w e rp l a n t s ；s y s t e mm a r g i n a lp d e e ；b i d d i n gs t r a t e g y ；l e a s ts q u a r es u p p o r t v e c t o rm a c h i n e s ；g e n e t i ca l g o r i t h m 独创性声明 秉承祖国优良道德传统和学校的严谨学风郑重申明：本人所呈交的学位论文是我个 人在导师指导下进行的研究工作及取得的成果。尽我所知，除特别加以标注和致谢的地 方外，论文中不包含其他人的研究成果。与我一同工作的同志对本文所论述的工作和成 果的任何贡献均已在论文中作了明确的说明并已致谢。 本论文及其相关资料若有不实之处，由本人承担一切相关责任 论文作者签名：霆堡垒d 7 年年月日 学位论文使用授权声明 本人鑫扫l 垒在导师的指导下创作完成毕业论文。本人已通过论文的答辩，并 已经在西安理工大学申清博士硕士学位。本人作为学位论文著作权拥有者，同意授权 西安理工大学拥有学位论文的部分使用权，即：1 ) 已获学位的研究生按学校规定提交 印刷版和电子版学位论文，学校可以采用影印、缩印或其他复制手段保存研究生上交的 学位论文，可以将学位论文的全部或部分内容编人有关数据库进行检索；2 ) 为教学和 科研目的，学校可以将公开的学位论文或解密后的学位论文作为资料在图书馆、资料室 等场所或在校园网上供校内师生阅读、浏览。 本人学位论文全部或部分内容的公布( 包括刊登) 授权西安理工大学研究生部办 理。 ( 保密的学位论文在解密后，适用本授权说明) 论文作者签名：导师签名链。7 年( 月日 第一章绪论 1 绪论 1 1 课题的研究背景和意义 1 1 1 电力市场概述 以打破垄断、解除管制和转变体制为主要特征的电力工业改革的目的是在包括发电、 输电、配电和用电在内的整个电力工业中引入公平竞争机制，建立一个完善的全面开放和 充分竞争的电力市场，提高经济效益以及实现社会资源的合理分配和社会效益最大化。简 而言之，电力工业改革就是将以成本为基础的垄断环境转变为以价格为基础的竞争环境。 从世界范围来看，实行电力市场化改革最早的国家是智利，智利电力改革起步于2 0 世纪 7 0 年代末并在1 9 8 2 年以法律的形式确立了输电系统向所有发电厂及用户开放的原则，打 破了地区垄断，正式启动了合同电力交易及实时电力交易的方式，把电力企业推向竞争市 场。8 0 年代末英国实行电力工业私有化改革并提出了轰动世界的d e - r e g a l a t i o n ( 解除管 制) 的理念，其含义是尽量减少市场管制和干预，并从商业运营的角度将发电、输电和配 电的主要功能分解成相互独立的实体。1 9 9 0 年英国颁布了新的电力法，打破了电力行业 垂直一体化垄断结构，建立了竞价上网的市场机制，英国的改革经验后来被许多国家所借 鉴。挪威于1 9 9 1 年建立了竞争性的电力市场，瑞典、芬兰和丹麦随后加入，形成北欧电 力市场( n o r dp 0 0 1 ) 澳大利亚1 9 9 3 年开始模拟电力市场运行，1 9 9 7 年正式启动了第一 期国家电力市场。其目的是实现电力工业商业化运营，在发电和售电领域引入竞争，促进 系统间的互联。1 9 9 2 年，美国政府颁布了能源法案，随后各州纷纷实行放松管制的改 革，其中加州电力市场是美国电力市场改革的先锋也最具有代表性。日本、新加坡和韩国 分别于1 9 9 5 年、1 9 9 8 年和2 0 0 1 年开始重组电力行业，实行竟价上网的电力市场。 我国从1 9 9 2 年开始引入电力市场的概念后，迅速展开了电力市场相关理论的研究和 模拟电力市场的实践和摸索。我国从国家电力公司成立到1 9 9 8 年撤销电力工业部，标志 着电力行业由国家垄断向统一、竞争的电力市场迈进，逐步与国际接轨。同年，确定山东、 上海、浙江及辽宁、吉林、黑龙江6 省市为首批“厂网分开，竞价上网”的试点单位。2 0 0 0 年1 月，山东、上海、浙江的发电侧电力市场相继投入商业试运营，同年6 月，东北三省 区域发电市场也正式启动，标志着我国进一步推进电力工业改革，一起形成统一、开放、 有序电力市场的开始。2 0 0 0 年1 1 月，国务院办公厅下发了国务院办公厅关于电力工业 体制改革有关问题的通知，明确指出，将“对已经开展的电力体制改革试点内容作必要 的调整”。新的改革方案总体原则是将电力生产的发、输、配、售的四个环节一一打开， 重点在于建立发电市场和售电市场。2 0 0 2 年3 月，国务院根据对国家经济垄断行业改革 的总体部署，正式批准了电力体制改革方案，并决定由国家计委牵头，成立电力体制 改革小组，负责组织电力体制改革方案实施工作。经过电力体制改革工作小组近l o 个月 的努力，国务院正式批复了发电资产重组划分方案。这次由国务院推出的改革方案， 西安理工大学硕士学位论文 是我国电力行业有史以来最大的一次变革。改革的主要内容有以下几方面： ( 1 ) 为在发电环节引入竞争机制，首先要实现“厂网分开”，将国家电力公司管理的 电力资产按照发电和电网两类业务，依据行政划拨方式进行划分。 发电环节按照现代企业制度要求，将国家电力公司管理的发电资产直接改组或重组为 五个全国性独立发电公司，这五家发电集团公司的资产规模、质量大致相当，地域分布基 本合理，在各区域电力市场中的份额均不超过2 0 ，逐步实行“竟价上网”，开展公平竞 争。这五家发电公司是中国华能集团公司、中国大唐集团公司、中国华电集团公司、中国 国电集团公司、中国电力投资集团公司。 电网环节，分别成立国家电网公司和中国南方电网有限责任公司 ( 2 ) 为有效进行主辅分离和完成电力“三产”多种经营企业的重组及与电网企业的 剥离工作，决定成立四家辅业公司，它们是中国电力工程顾问集团公司、中国水电工程顾 问集团公司、中国水利水电建设集团公司、中国葛洲坝集团公司。 ( 3 ) 为了对电力企业进行有效的监督，国务院决定成立国家电力监管委员会，按照 垂直管理体系，向区域电网公司电力交易调度中心派驻代表机构。监管委员会的主要职责 是制定市场运营规则，监督市场，维护公平竞争；向政府价格主管部门提出调整电价建议： 监督电力企业生产标准，颁发和管理电力业务许可证；处理电力纠纷；负责监督社会普遍 服务政策的实施。 ( 4 ) 初步制定了电价改革方案，并对发电排放环保折价标准、电力项目行政审批办 法，以及对中电联职责的要求等方面进行了深入研究与探索。 1 1 ，2 我国电力市场的特点 结合我国几个电力市场试点单位的情况看，中国电力市场现阶段的发展有以下特点： ( 1 ) 发电侧电力市场 从现有试点单位的运作情况看，在厂网分开的初期有3 个特点；( 1 ) 将原有电网经营 企业拥有的发电厂变为独立的发电实体，只是一种经营权的转移，并不改变产权关系，电 网经营企业仍根据其所占产权的多少享受投资者的权益及相应的回报；( 2 ) 电网经营企业 可保留部分调峰、调频性能好的发电机组，以保证电网的运行安全；( 3 ) 水电、核电、新 能源、热电联产及企业自备机组暂不参与市场竞争 ( 2 ) 单一购买者模式 我国现行发电侧电力市场的模式是“l + n ”模式。所谓“l + n ”模式，“1 ”是指电力 市场的单一购买者，即电网经营企业：“n ”是指参与市场竞争的各个独立发电企业。用 户不能与发电厂签订购电合同，只能由电网经营企业采用趸售或零售的方式供电。在这种 模式下，电网经营企业必须每时每刻做到供需平衡并收购所有电力，以保证对用户供电。 这种管理方式与国外发、输、配完全分开的模式相比，电网经营企业责任较大。所以，为 了防范供电不足或购电电价过高的风险，电网经营企业必须与发电公司签订一定数量的长 2 第一章绪论 期合同。 ( 3 ) 部分电量竞价上网 在市场建立的初期，几个试点单位全部采用了部分电量竞价上网的方式。一般安排当 年市场需求的1 0 - 2 0 作为竞争电量，其余作为基本电量( 或合约电量) 。对于后一部分电 量的处理，采用了2 种形式：一是必须首先保证这一部分电量的完成，然后再考虑竞价电 量：二是在电力市场中安排全部电量参与竞价，但在结算时考虑对这一部分电量的补偿。 ( 4 ) 双轨制竞价体系 在开展竟价上网时遇到的最大问题是如何处理原有的购售电合同问题。由于前几年我 国电力装机严重不足，为鼓励投资者建立电厂，出台了一系列包括保证机组年利用小时数 和上网电价的优惠政策，这种合同一般有效期限较长。为解决这一关键问题，各试点单位 在建立电力市场的探索中提出了包括“差价合约”、“履行合约，竞价超约”等在内的多种 实施方案，其目的是既要考虑原有的还本付息政策的延续，又要引入竞争机制，推动电力 市场的发展。这些方案的核心是双轨制竞价体系，即基本电量部分按国家批准的合同电价 结算，竞争电量部分按竟价电价结算。这基本上解决了原有的合同问题。目前所有试点单 位均准备采用该方法进行市场结算。 对于竞价电价，各试点单位大多采用了按满足负荷预测的最后一台机组出力对应的报 价作为结算的竞价电价，这种方法具有简便易行、促进竞争、提供信息清晰的特点，比较 适合刚刚起步的中国电力市场。同时，为规范市场行为，防止购电费用过高和恶性竞争， 对发电公司的报价设置了最高限价和最低限价。但如何科学、合理地制订最高限价和最低 限价，还需进一步研究。 ( 5 ) 交易类型 电力市场的交易，一般分为长期合同、现货交易、实时交易、辅助服务交易和输电权 交易。现各试点单位主要采用了前3 种交易方式。在单一购买者模式下的发电侧电力市场， 电网经营企业为了防止严重缺电或电价急剧升高的风险，必须与发电公司签订一定数量的 长期合同。目前，各发电公司保留原有合同8 0 左右的电量作为电力市场的长期合同。 这种长期合同是原先合同的延续，随着市场的发展与完善，其比例将逐渐减小，并最终由 市场决定的长期交易合同所取代。现货交易是指按照发电机组的报价，提前1 天确定的第 2 天的发电计划。各试点单位的现货交易主要采用2 种方式：一种方式是将长期合同看作 是一个经济合同而非物理合同。在编制第2 天的发电计划时，按照各发电厂的申报数据， 编制交易计划。如果现货市场的发电计划与长期合同不一致，采用经济手段进行补偿。另 一种方式是将长期合同看作是物理合同，长期合同确定的电量在现货市场首先安排，其余 部分作为交易电量编制计划。实时交易是指在交易日当天确定的发电计划，由于电力工业 的特点，要求发电与负荷实时平衡。不管采用什么方式，由于存在负荷预测误差及系统运 行状况的变化，提前1 天编制的发电计划与实际的负荷需求间存在差别，需要实时调整发 电计划。所以，必须建立实时交易市场。实时交易的作用有两个方面：一是作为长期合同 西安理工大学硕士学位论文 和现货交易的补充，在负荷预测与实际负荷出现偏差后，达到发电与负荷平衡的目的。另 一方面，实时交易可以提高竞争的力度。 辅助服务交易是电力市场中重要的交易方式之一。辅助服务的内容主要包括调频、调 峰、无功与黑启动。目前，辅助服务指标的量化，辅助服务成本的计算以及付费等比较复 杂。世界上各国电力市场的做法也不尽相同，在我国现有电网结构比较薄弱的条件下，为 保证电网运行安全，各试点单位基本上未考虑辅助服务交易，均采用了由调度指定，无偿 提供的方式。目前省级电力市场内尚未出现输电权的交易。 ( 6 ) 生产调度与市场交易一体化 目前国际上电力市场的运行有2 种方式：一种是美国加州的 i s o ( i n d e p e n d e n ts y s t e mo p e r a t o r ) 与p x ( p o w e re x c h a n g e ) 形式。即电网运行调度与市 场交易分立另一种是大多数电力市场所采用的调度与市场交易一体化的形式。我国由于 电网本身的特点，各试点单位大多采用了后一种市场运行方式在这种运行方式下，调度 部门作为电网经营企业的核心必须坚持“三公”，努力做到公正和透明。 1 1 3 本文研究的意义 电力市场环境下，发电公司必须从被动的计划发电转变为主动竞价上网发电，与垄断 模式下的不自主的计划发电不同，发电公司需要自己决定在电力市场中上报的发电出力和 电价。发电公司通过申报出力电价曲线参与市场竞争，电力运营中心根据市场规则对各 发电公司申报的出力电价曲线进行排序，确定市场边际清算电价，安排各发电公司次日 每时刻的出力。同时，各发电公司还要参与调频及备用等辅助服务市场的竞争。发电计划 确定后，执行时产生的实际偏差由电力运营中心再组织实时交易填补。可见，发电公司面 临的最关键的问题是如何确定最优的报价策略以及获得最大的利润。现阶段，我国的电力 市场刚刚起步，发电公司对市场环境还不熟悉，急需完善的报价策略理论作为指导。所以 本课题的研究具有重要的理论和实际意义。 1 2 竟价策略的研究现状 发电公司的报价策略是指发电公司在电力市场进行电力交易时根据市场规则进行报 价所采取的一整套策略。目前国内外发电公司竞价策略的研究方法主要有四大类：一是通 过预测市场电价；二是基于成本分析的方法；三是基于博弈论的方法；四是基于最优化的 方法。下面对这四种方法分别进行介绍。 ( 1 ) 基于预测市场电价的方法 该方法首先对电力市场中的系统边际电价进行预测，然后以低于此价格某一微小值的 价格报价。系统边际电价是电力市场中反映电力商品短期供求关系的统一价格，当前国际 上大多数国家和我国正在进行试点的几个省级电力市场都是以此为核心进行结算的。所 4 第一章绪论 以，预先准确地对系统边际电价进行预测是利用该方法成功报价的关键。而且作为发电公 司报价人员和决策人员的参考，对市场电价进行预测是非常必要的。文献【l 】指出电价 的预测准确程度是影响竞价决策的一个非常关键的因素，并提出了几种提高系统电价预测 精度的措施。文献( 2 1 在预测下一个交易日每小时市场清除价的概率密度分布函数的基 础上构造利润最大化的报价策略模型。文献【3 】将市场清除价( m c p ) 和辅助服务的价 格方差作为惩罚函数加入最优报价策略的目标函数中，并用拉格朗日松弛法和随机动态规 划的方法来求解此优化问题。文献【4 】提出基于市场统一出清价，通过解一组满足电厂 自身获利最大化条件的微分方程组，得到最优竞价策略。 目前进行电价预测的方法有： 扎时间序列法 由于各时段的系统边际电价本身就构成一个等间距的随机时间序列，因此不少学者 尝试利用时间序列的处理方法进行系统边际电价预测魄”。基本的时间序列模型有自回归 ( a r ) 模型、移动平均( m a ) 模型、自回归移动( a r m a ) 模型和累积式自回归移动 平均( a r i m a ) 模型，这些模型已被广泛应用于负荷预测中。时间序列预测法的优点是 简单易行，其主要难点在于如何选择恰当的模型，如果模型选择不准确，则即使参数估计 再准确，预测的效果也不会好。另外，时间序列模型对样本具有很强的依赖性，而且容易 对样本中的偶然或瞬变因素与长期因素不加分辨，使模型在样本外的预测失灵。更重要的 是，时间序列法所需的全部信息来自预测变量本身的历史数据，没有其它输入信息。可是 单纯用历史电价数据挖掘出的规律来预测未来电价，不考虑影响电价走势的最重要因素之 系统负荷，很难有较高的精度。 b 人工神经网络法 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k , a n n ) 理论上可以以任意精度逼近任何一 种连续函数，具有并行分布处理、分布存储、非线性、自学习、自组织、自适应等诸多优 点，近年来被广泛应用于电价预测。人工神经网络中，b p 神经网络是应用最多的一种模 型。文献【7 】【8 】最早尝试利用b p 神经网络进行电价预测，探索了人工神经网络在该 领域的应用价值。文献【9 】根据浙江发电市场的特点，考虑市场外机组出力的影响，从 供需出发，提出了竞价空间的概念，并设计了电价预测的b p 神经网络模型。文献【z 0 以美国加州电力市场为背景，通过对输入数据的处理去除了原始数据中的季节性趋势和增 长趋势。文献【1 1 】利用遗传算法优化b p 网络模型，取得良好的预测效果。同时，国内 不少学者对其它神经网络进行了积极的探索，采用各种神经网络进行电价预测。如回归神 经网络 1 2 1 径向基函数( r b f ) 神经网络“”、小脑模型关节控制器( c m a c ) 神经网络( 1 4 1 递归神经网络 i s s 自适应神经网络 1 6 1 模块神经网络、级联相关的神经网络1 等进 行电价预测并取得了一定的成果。另外，有些学者提出将模糊理论和神经网络相结合的模 糊神经网络进行电价预测 1 9 2 0 1 模糊神经网络具有接受和处理模糊数据、不要求明确的数 学描述、自适应地以任意精度逼近映射函数等优点，使电价预测精度有所提高。小波变换 西安理工大学硕士学位论文 也被应用于与神经网络结合进行电价预测，小波变换与神经网络的结合主要有两种方式： 一是辅助式结合翻4 ，即利用小波变换对电价时间序列进行预处理，然后利用神经网络进 行学习。二是嵌套式结合嚣1 ，即直接以小波函数代替神经网络的s i g m o i d 或辐射基函数 作为神经网络的隐节点激励函数，以小波的尺度和平移参数作为神经网络的权值和阀值参 数，构成小波神经网络。 c 其它方法 灰色模型“、混沌理论一、模拟法魄“1 等方法也被广泛应用于电价预测。 ( 2 ) 基于成本分析的方法 这种报价方法是发电公司根据自己的生产成本和获益确定应报的价格，该方法比较容 易掌握，其缺点是不了解其他竞争对手的情况下，很难做到最大化自身利益，根据该方法 制定的报价只是一个可接受的报价而不是最优报价。按成本分析进行报价中较为简单的是 平均报价法，较为复杂的方法是综合报价法，包括按容量和电量综合报价和按运行时段综 合报价。 发电成本分析是发电公司进行报价的基础，对发电成本进行准确分析是这种方法的核 心。文献【3 2 】以实时成本为基础制定发电公司的报价策略，其报价为在实时成本的基础 上加上利润和税金作为其报价，并考虑在不同负荷时段设置不同的利润率文献【3 3 】将 发电公司的成本分为固定成本和变动成本两部分，指出只要上网电价高于变动成本，就要 尽可能多争取上网容量，并给出了能快速制定报价的利润曲线图。文献【3 4 】【3 5 】基于 边际成本的定义和随机生产模拟技术，提出了一种短期发电边际成本的概率学预测方法， 不仅能给出发电边际成本的均值，而且能得到其概率分布函数。文献【3 6 】从微观经济学 中的企业行为理论出发，以保证生产成本的回收为目标，建立了发电公司回收成本的报价 决策模型。 ( 3 ) 基于博弈论的方法 电力市场不是一个完全意义上的竞争市场，而是一个典型的寡头垄断的市场。博弈论 是经济学上研究寡头垄断市场常采用的工具之一，是专门研究两个或两个以上有冲突的个 体在有相互作用的情况下如何进行各自优化策略的理论，可以应用到发电公司报价策略的 研究中。 应用博弈论进行报价策略可以分为两类。一类是基于矩阵博弈模型，首先将候选的报 价策略表示为离散量。当报价策略为几个离散点时，可以构造各个发电公司采用不同的策 略组合时的收益矩阵，进而找到一个均衡的报价策略组合，该均衡点对应最优的报价策略。 然而，实际上报价策略是连续量，在这种情况下理论上还不清楚电力市场是否存在这样一 个均衡点。它的另一个缺点是假定了所有发电公司的可选择的报价策略为已知，这显然是 不现实的。第二类是基于寡头博弈模型( o l i g o p o l yg a m e ) ，主要包括c o u r n o t 模型、b e r t r a n d 模型和供应函数模型。它的原理是根据电力交易先构造一个博弈模型，然后寻找这些模型 的平衡点，这些平衡点就对应发电公司的最优报价策略。这类方法的一个重要缺陷是假设 6 第一章绪论 所有发电公司的成本信息是公开的，然而在电力市场环境下，要获得对手的生产成本相当 困难，随着电力市场的进一步完善，发电公司的成本信息将越发成为一种私有信息。 文献【3 7 】将在电力联营体中各竞争者( 市场参与者) 的竞争描述成一个非合作博弈 问题。每个参与者均只具有不完全的信息。问题的解决是通过应用纳什均衡思想，将其转 化为完全但不完美的信息的博弈。最优价格选择来源于纳什均衡点。文献 3 8 1 建立了多 个发电厂商参与投标的收益矩阵，并得到了一个混合策略均衡解。文献 3 9 1 在电力联营 体市场下，并考虑输电约束建立了不完全和非对称信息下的贝叶斯均衡模型，然后通过 m o t e c a r l o 模拟的方法求解自身的最优报价策略。文献 4 0 1 提出了发电厂商投标策论的 不确定型模型，该模型采用最大最小决策准则从收益矩阵中直接选取单时段优化的投标策 略，减少了状态数。文献 4 1 】利用博弈论中n 人对策理论，对独自竞价和联盟竟价情况 下发电公司的行为和市场状况进行了研究，结论是只要保持产权独立，各参与者结成的联 盟不会稳定。文献【4 2 】则将发电厂商的竞价问题看成是竞标者与市场间的博弈，进而用 博弈论中的零和二人混合对策来进行数学描述，经过推导给出了一种简单实用的发电厂商 竞价策略。但是文章的前提是市场电价的预测值服从已知的正态分布。文献 4 3 】则研究 了发电公司的不完全信息竞价博弈模型，该模型考虑了发电公司的单位成本、竞价成功的 可能性概率及预测的市场清除价等因素。 ( 4 ) 基于最优化的方法 基于最优化方法的发电厂商报价策略通常是通过构造一个两层的优化模型。上层优化 模型是发电市场的出清模型，电力市场运行机构根据发电厂商的报价及预测负荷，按照整 个电力市场运行成本最小或社会福利最大的原则，确定发电调度计划及市场出清电价。下 层优化的目标是发电厂商利润最大化，两层优化之间通过市场出清电价进行协调与联系。 这种方法通常假设其他发电厂商的报价服从某一个概率分布，并且通过某种方法可以估计 出其他厂商报价的概率分布，进而发电厂商的最优报价问题成为一个随机规划问题。文献 4 4 1 假设其他发电商的报价服从连续正态分布，然后通过蒙特卡罗模拟的方法求解自身 的最优报价策略。文献 4 5 1 【4 6 】假设其他发电商的报价只有有限种可能，即其报价服 从一个有限的离散概率分布，然后利用类似穷举的方法得到自身的最优报价策略。文献 4 7 1 指出，由于电力市场运行的时间尚短，数据不充分，采用概率方法来模拟竞争对手 的投标行为可能暂时不太现实，启发式方法可能更为合适。文献 4 8 1 在一些简化的条件 下，通过估计发电公司的投标被选中的概率，构造了一个简单的投标模型。研究结果表明， 发电公司有将投标价格抬高的动力。 1 3 本文的主要工作 本文在分析了系统边际电价的主要影响因素的基础上，建立了系统边际电价预测的相 似搜索和最小二乘支持向量机模型，利用该模型进行电价预测。在预测电价的基础上，建 立了电力市场环境下水电厂的报价策略模型，并利用改进的自适应遗传算法对该模型进行 7 西安理工大学硕士学住论文 求解，从而得到电力市场下水电厂参与竞价上网的最优报价策略。主要工作如下： ( 1 ) 电价预测方面，利用相似搜索技术对历史负荷数据进行搜索，找出与未来一天 的负荷相似的历史负荷数据及相应的电价数据，把搜索得到的数据和邻近日的负荷电价 数据作为训练样本输入到最小二乘支持向量机中对网络进行训练，建立电价预测模型。此 时，便可以把未来的负荷数据输入到网络进行电价预测。另外，考虑到最小二乘支持向量 机的相关参数对算法性能有很大影响且不易确定，采用网格搜索和交叉验证的方法进行最 小二乘支持向量机的参数的自动选取。 ( 2 ) 报价策略方面，利用预测电价结合水电厂的特点建立电力市场环境下水电厂参 与竞价上网的报价策略模型。同时针对简单遗传算法存在早熟和易陷入局部最优的不足， 提出了一种新的动态调整交叉概率和变异概率的自适应遗传算法。并利用改进的自适应遗 传算法对水电厂站报价策略模型进行求解，得到水电厂的最优报价策略。 8 第二章最小二乘支持向量机原理 2 最, b - - 乘支持向量机原理 2 1 机器学习问题 学习的一个很重要的方面是从实例中学习知识的能力，即通过对已知事实的分析总结 出规律，预测无法直接观测的事实。在这个学习过程中，重要的是举一反三的能力，即利 用学习得到的规律。不但可以较好地解释已知事实，而且能够对未来或无法观测的现象做 出正确的预测和判断，这叫做推广能力。在机器智能的研究中，希望用机器来模拟人的这 种能力，这就是机器学习理论的出发点。机器学习的目的是，设计某种方法，通过对已知 数据的学习，找到数据内在的相互依赖关系，从而对未知数据进行预测或对其性能进行判 断。 预测学习方法是机器学习的一个重要研究领域，绝大部分机器学习算法的应用都涉及 到对数据的预测性学习，目的是从己知数据中估计相关性以达到准确预测将来数据变化。 经典的模式识别方法，各种统计方法以及近些年来出现的各种神经网络算法都被应用于估 计这种数据中固有的相关性，试图建立一个能预测未来数据的模型。到目前为止，预测学 习方法大致可以分为以下三类t 4 a 1 ( 1 ) 经典的( 参数) 统计预测方法m 1 包括模式识别等在内，现有机器学习方法共同的重要理论基础之一是统计学。参数方 法正是基于传统统计学的，在这种方法中，参数的相关形式是己知的，训练样本用来估计 参数的值。这种方法有很大的局限性，首先，它需要己知样本分布形式，这需要花费很大 的代价，还有，传统统计学研究的是样本数目趋于无穷大时的渐近理论，现有学习方法也 多是基于此假设。即只有当采样数据趋于无穷时，参数方法的训练结果才趋于真实的模型。 但在实际问题中，实际样本数目是有限的，因此这类在理论上很优秀的学习方法在实际应 用中却难以满足要求。 ( 2 ) 经验非线性预测方法 这种方法是如人工神经网络( a n n ) “等基于经验的非线性方法。这种方法无需事 先知道样本的分布形式，直接利用已知样本建立非线性模型，克服了传统参数估计方法的 困难。但是这种方法的本质也是建立在样本数无穷大的经典统计学理论基础上，同时由于 缺乏统一的数学理论，在应用上神经网络的结构确定主要依赖经验的选取。尽管如此，神 经网络在原有的框架内仍然取得了许多成功的应用，原因在于这些应用的设计者在设计过 程中利用了自己的经验和先验知识。 ( 3 ) 统计学习理论 早期的统计学习理论”1 ( s t a t i s t i c a ll e a r n i n gt h e o r y ，s l t ) 是从6 0 年代发展起来的， 直到9 0 年代，它一直是作为一种针对有限样本的函数预测问题的纯理论分析工具。虽然， 早期的统计学习理论提出了v c 维理论，为衡量预测模型的复杂度提出了有效的理论框 9 西安理工大学硕士擘住论文 架。但是，它仍然是建立在经验风险最小化原则基础上的，即以训练的平均误差为最小的 模型作为期望的最终模型。所以，早期的统计学习理论一直停留在抽象的理论和概念的探 索之中，直到9 0 年代初期，v c 维理论还没有得到很好的应用。9 0 年代中期，v a p n i k 提 出了支持向量机( s u p p o r t v e c t o r m a c h i n e s ，s v m ) 算法，迸一步丰富和发展了统计学习理 论，使它不仅是一种理论分析工具，还是一种能构造具有多维预测功能的预测学习算法的 工具，使抽象的学习理论能够转化为通用的实际预测算法。 在统计学习理论基础之上发展起来的s v m 算法，是一种专门研究有限样本预测的学 习方法。与传统的统计学相比，s v m 算法没有以传统的经验风险最小化原则作为基础， 而是建立在结构风险最小化( s t r u c t u r a lr i s km i n i m i g a t i o l l ，s r m ) 原理基础之上，发展成 为一种新型的结构化学习方法。它能很好的解决有限数量样本的高维模型的构造问题，而 且所构造的模型具有很好的预测性能。 最初的支持向量机应用是文字识别( o c r ，o p t i c a ic h a r a c t e r r e c o g n i t i o n ) ，在经历很 短的研究时间后，基于支持向量机的分类器无论在文字识别还是在目标识别领域都表现出 与已有系统相当的性能眦”。特别是近年来支持向量机在回归算法的研究方面也表现了极 好的性能呲，支持向量机回归算法被成功地应用于时间序列的预测研究旧1 ，以及其他 诸如在非线性建模与预测”、优化控制眠”等方面的研究一些学者认为，s l t 和s v m 正在成为继神经网络研究之后新的研究热点，并将有力地推动机器学习理论和技术的发展 r e 7 1 2 1 1 学习问题的数学描述 机器学习的目的是根据给定的训练样本求出对某系统输入输出之间依赖关系的估计， 使它能够对未知输入做出尽可能准确的预测。机器学习的基本模型，可以用图2 1 表示。 图2 l 中，系统是研究对象，它在给定的输x x 下得到输出y 在训练过程中，输入与输 出组成训练样本o ，力，提供给学习机器。在测试过程中，训练后的学习机器对于输a x 给 出预测输出y 。 出 图2 - 1 机器学习问题的基本模型 f i g 2 lb a s i cm o d e lo f m a c h i n el e a r n i n gp r o b l e m 机器学习一般地可以表示为：变l y 与工存在一定的未知依赖关系，即遵循某一未知 的联合概率分布f 似力，机器学习问题就是根据各独立同分布观测样本 1 0 第二章最小二乘支持向量机原理 ( ，乃) ，( x ：，y ：) ，( _ ，乃) ，在一组函数 ，( x ，忉 中寻找一个最优的函数 ，( x ，w o ) 对工与 y 之间的依赖关系进行估计，使期望风险最小，即： m i n r ( 叻一f l 0 1 ，厂w ) ) d f 似y ) ( 2 1 ) 其中，预测函数集 们 可以表示任何函数集合，称为预测函数集，w 为函数的广义参 数，三( y ，w ) ) 为用八墨w ) 对y 进行预测而造成的损失，不同类型的学习问题有不同形 式的损失函数。可见，机器学习问题也可以表示为，从一组独立同分布的观测样本出发， 通过最小化风险函数r ( 们，确定学习机器的广义参数w 的过程。 由式( 2 1 ) 可见，要最小化期望风险r ( w ) ，必须利用联合概率f 力的信息。但在实 际问题中，联合分布是未知的，能利用的信息只有观测样本集。因此，无法直接计算和最 小化期望风险。根据概率论中的大数定律的思想，人们自然想到用算术平均 l - l r 。( 叻一7 罗l o , ，厂( ，w ) ) ( 2 2 ) l 筒 来逼近式( 2 1 ) 中的期望风险。由于r 。( w ) 是用已知的训练样本( 即经验数据) 定义的， 因此称为经验风险。用经验风险最小化来代替期望风险最小化，从而求得学习机器的参数 ，的方法，就是所谓的经验风险最小化( e r m ) 原则，经典的模式识别分类都是基于经 验风险最小化原则的。 这样，机器学习问题就转化为经验风险最小化的问题。事实上，多年来人们也将大部 分注意力集中到如何更好地逼近最小化经验风险的最优解上，但是从期望风险到经验风险 最小化的转化并没有可靠的理论依据旧1 。首先r 。( w ) 与r ( 奶都是函数，概率论中的大 数定律只说明在一定条件下，当样本趋于无穷多时，r ( w ) 将在概率意义上趋近于胄( w ) ， 并不保证r 。( 叻和且( w ) 在同一点上取得最小值。其次，没有理论保证在样本数无穷多条 件下得到的学习机器，在样本数有限的情况下仍能具有良好的效果。 2 1 2 模型的推广能力 所谓推广就是通过最小化期望风险后求得一个f ( x ，w ) 后，对于一个新的输入x ，按 y - f ( x ，w ) 推断出工相对应的y 。模型的推广能力是描述“推广”优劣的一种度量。在早 期的神经网络研究中，人们希望通过使经验风险r 。( 们更小从而提高模型的推广能力， 于是当时的研究主要集中在如何最小化神经网络的训练误差来实现最小化测试误差。但很 快发现，片面追求训练误差最小并不总能达到良好的预测效果。在某些情况下，过小的训 练误差反而导致推广能力下降，这就是在训练神经网络过程中经常会碰到的过学习 ( o v e r f i t t i n g ) 问题，它导致了真实风险增加。极端情况下，学习机器“记住”了所有的 训练样本，即训练误差为零，但是实际上这种学习机器几乎不具有推广能力。 在研究神经网络过程中发现，主要有两个原因导致了过学习现象。一是学习样本不 够充分；二是学习机器设计不合理。这两个问题是相互关联的，共同决定了学习机器的推 西安理工大学硕士学位论文 广能力和复杂度。在样本不够充分的情况下，用一个复杂的模型去拟合有限样本，将导致 网络的学习能力过强，足以记住每一个样本，在这种情况下虽然经验风险很快地收敛甚至 等于零，但并不能保证对于未知样本能有一个准确的预测。在很多情况下，由于训练样本 的有限性，即使已知样本是来自某个比较复杂的模型，用相对简单的预测函数学习的效果 也要好于用复杂的预测函数学习的效果。如文献【6 9 】给出了一个实验例子，在有噪声条 件下用模型y x 2 产生l o 个样本，分别用一个一次函数和一个二次函数根据经验最小化 原则去拟合，结果显示，虽然真实模型是二次，但由于样本数有限且受噪声的影响，用一 次函数预测的结果更好。同样的实验进行了1 0 0 次，7 1 的结果是一次拟合好于二次拟合。 由此可以得到以下结论： ( 1 ) 经验风险( 训练误差) 对学习机器的预测性能有一定的影响，但不起决定作用。 经验风险最小化并不总能提高学习机器的推广能力，经验风险最小并不一定意味着期望风 险最小 ( 2