[科普中国]-电价预测

简介

随着全球电力市场化的不断发展，电价在电力市场中的核心地位受到人们越来越多的重视，近年来人们开始对电价进行了比较深入的研究，提出了不少电价预测方法。电价预测就是指:在考虑市场供求关系，市场参与者的市场力，电力成本，以及电力市场体制结构、社会经济形势等重要因素影响的条件下，通过利用数学工具对历史数据进行分析和研究，探索事物之间的内在联系和发展变化规律，在满足一定精度和速度的情况下，对未来电力市场中的电力交易价格进行预测2。

电价预测的特点电价预测除具有与负荷预测一样的周期性特点外，还具有自身的特殊性:它不具备总体上的增长和上升趋势，而是处于不断的波动变化之中。一般来说，电价的波动除受燃料价格，竞价机组可用容量，水力发电量，用电需求弹性，输电阻塞等电力系统特有约束的影响外，还受到电力市场体制结构、社会经济形势，发电商实施市场力等主客观因素影响。因此，电价预测相对负荷预测难度要大，一些用于电力负荷预测的方法也就无法用来进行有效的电价预测，如用点对点倍比法、一元线性回归法进行电价预测的结果往往都是不准确的1。

电价预测的分类根据预测点的类型，将电价预测分为系统边际电价或者市场统一出清电价预测、区域边际电价预测、节点边际电价预测。通常情况下，们所说的电价预测都是对系统的统一出清电价的预测，在系统不发生阻塞的情况下，各个地区的区域出清电价和系统统一出清电价是相同的3。

根据预测内容的不同，可以分为确定性预测和电价空间分布预测，前者是当前讨论比较多的热点，主要针对短期电价预测，预测的结果就是给出一个确定的电价预测数值，后者主要基于概率论与数理统计知识，确定预测结果的可能波动范围及其一段时期内的电价均值，主要是针对中长期电价预测，目前国内外在这方面研究得还比较少。

根据预测机理的不同，将电价预测分为短期预测和中长期预测。由于电价波动大的特点，具体分为小时预测旧预测、月度、季度预测。针对周末边际电价的特殊性，还将周末边际电价进行单独预测。

电价预测是电力市场化以后新出现的研究方向。研究尚不够充分，目前还没有一种通用的预测方法能较好地适合于所有的电力市场，因此有必要充分地利用各个电力市场本身的特点进一步展开研究，从而提高预测精度。下文将根据电价预测机理的不同，分别针对短期电价预测和中长期电价预测进行深入的分析。

短期电价预测短期电价预测是电价预测的重要组成部分，它主要用于预测未来几小时、1天至几天的电价。准确的短期电价预测将有助于发电商最优报价策略的选择，从而最大化其利润，使购电方的动态成本控制成为可能，同时也为监管部门的实时监管提供了重要的科学依据，保证电力市场的正常运行。目前，短期电价预测主要有四种方法3:

1.时间序列法，

2.神经网络(ANI})预测法，

3.基于小波理论的预测方法，

4.组合预测方法等。

时间序列预测法时间序列模型分为自回归(AR)模型、动平均(MA膜型、ARMA模型、累积式自回归一动平均(AR MA膜型，已被广泛应用于短期负荷预测中，考虑到各时段系统边际电价本身就构成一个等间距的随机时间序列，因此有不少学者尝试将时间序列模型应用于短期电价预测，当前比较常用的主要是ARMA模型!7.A]和AR MA模型!9‘。]。 时间序列方法的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。考虑到在时间序列分析中，选用何种因子和用何种表达式有时只是一种推测，影响电价的因子的多样性和某些因子的不可测，使得时间序列分析在某些情况下受到限制，预测的精度较低。

神经网络方法由于时间序列方法仅依靠分析电价自身发展规律进行预测，无法处理多变量问题，存在一定的片面J陛，为此可采用多变量模型，从而提高时间序列法的预测精度。神经网络对大量非结构性、非精确性规律具有自适应功能，能够有效处理多变量和非线性问题，从而成为目前国内外专家学者研究得比较多的一种申‘价预测方法

基于小波理论的预测方法小波理论是在傅里叶分析基础上发展起来的一种信号处理方法，小波变换能将各种织在一起的不同频率混合信号分解成不同频带上的块信号，然后在各个时频区域分别进行观察和处理，在时域和频域都具有良好的分辨能力。

小波神经网络与BP神经网络相比，预测精度和收敛性方面都有明显的提高。但是在用辅助式小波神经网络进行预测时，需注意小波基和分解尺度的选择，同时处理好小波变换过程中的边界问题，否则即使各个子序列预测得再准确，总体的预测效果也不会很好。而在用嵌套式小波神经网络进行预测时，需注意小波基的数量和网络初始参数的选择，选择不当会导致网络收敛速度缓慢甚至出现不收敛。

组合预测方法由于电价的影响因素比较多而且关系错综复杂，有时候无论采用时间序列法、神经网络方法等都难以达到理想的预测效果。鉴于单一预测方法的一些弊端，有些学者开始对组合预测方法进行探索，当前的主要思路是直接从电价预测机理的角度将单一预测模型进行组合，即先对各种已有的单一预测方法优缺点进行分析，然后通过将两种或者多种方法进行组合，扬长避短，从而建立最优的组合预测模型。

基于数据挖掘技术强大的数据处理能力，能从大量的数据中发现有用的规律、规则、联系、模式等知识，有学者!26]提出一种基于数据挖掘中的相似搜索技术和加权回归技术相组合的电价预测方法:即对临近日和相似搜索所得到的相似日的负荷—电价数据用加权回归进行电价预测，这种方法比较适合于负荷与电价强相关性的电力市场如加州电力市场。

中长期电价预测准确的中长期电价预测能够为发电企业生产计划的制定和电力投资商的长期投资提供很好的参考，为监管部门制定和实施有效的监管措施提供客观依据，同时也有助于电网企业合理安排电网运行与发供电平衡。所以，对电力市场中长期电价预测的研究具有非常重要的意义3。

由于影响电价水平的因素较多，而且这些因素本身存在极大的不确定性，加上中长期预测的周期较长，所以中长期电价预测的难度相当大。目前为止，国内外关于中长期预测}的研究远远少于短期预测。在中长期预测中，往往将电价看成随机变量，一般研究它的分布函数，建立其分布区间的预测模型。

模糊方法对长周期不确定性处理的思想与神经网络理论有所不同，不是追求确定性预测的精度，而是寻求预测数据的最小分布;而回归分析方法是通过对变量的观测数据进行统计分析，确定变量之间的相关关系，从而实现预测的目的!G}，故常将模糊方法和回归方法相结合应用于中长期电价预测。文

电价预测关键问题分析与探讨预测中输入参数的选择电力系统的预测问题并不仅仅局限于电力系统内部，它实际上要受到许多外界因素的影响。因此如何在预测输入参数中引入一些主要的相关因素来高预测精度，就成为一个非常值得深入研究的关键问题。

电价受到许多诸如发电方报价模式等人为因素的影响，但这些人为因素在数学模型中是难以确定的，由于历史报价在一定程度上反映了发电方的报价模式，所以通常将其作为影响未来电价的一个主要因素!ao }。除此之外，人们普遍认为电价受电力需求的影响比较大，所以常将负荷作为模型的另一个主要输入参数，但有学者!at]指出:并非所有的市场模式下负荷与电价都强相关，因此，仅仅以预测负荷和历史电价作为模型的输入参数并非一定是合理的。考虑到电价受电力市场供求状况的影响比较大，因而近年来不少学者定义并选取了一些能较好反映市场供求状况的指标作为模型输入参数，如表1所示。文献[38]通过引入衡量市场力的新指标一必须运行率(MRR }从而充分考虑了发电方实施市场力对电价走势的影响。

为了更好地提高电价预测精度，预测模型的研究应基于对实际电力市场的细致研究，与相关因素分析相配合，尝试对历史数据进行数据挖掘，从而找出影响预测精度的主要相关因素作为模型输入参数。

预测中重近轻远原则预测中“重近轻远”原则即:物理量未来的变化趋势更多地取决于历史时段中近期的发展规律，远期的历史数据与未来发展趋势的相关性较弱。在考虑“重近轻远”原则的情况下，其处理思路应该是:区别对待各时段的拟合残差，近期的发展规律应该得到更好的拟合，远期历史数据的拟合程度可以稍低。

为实现“重近轻远”原则，主要采用加权参数估计的方法，即对近期数据给予较大的权值，远期数据给予较小的权值。在短期预测中，可以通过输入参数的选择来实现“重近轻远”原则，即选择与预测时段比较接近的时段信息构成主要的输入参数，如前一时段、前一天的电价、负荷、反映供求关系的参数等，根据实际情况适当考虑电价的周期性，即前一周相同时段的电价作为输入参数之一。

预测中对电价形成机理的分析文献[39]通过比较14个电力市场工作日和节假日的电价模式，发现不同电力市场的电价因市场模式的不同存在很大的差别，因此，在做电价预测时，应深入分析实际电网的运营情况，在找出影响电价变化的主要因素及进一步弄清电价发展变化内在规律的基础之上，对实际电价形成机理进行深入分析研究，提出适合本地区实际情况的电价预测模型，优化模型参数，提高电价预测精度。如果直接套用已有的一些预测方法，则很难达到预期的效果。