一种有效电力市场竞价策略.docVIP

一种有效电力市场竞价策略 　　[摘要] 在电力市场中运作中，电厂的报价反映了电厂的运作成本和市场供求信息，准确的预测边际电价信息，对电力供应商的竞价决策有重要意义。应用基于模糊聚类(FCM)和关节控制器神经网络(CMAC)的电力市场竞价策略，可以精确预测边际电价和电厂竞价电价，以使发电厂商获得更多的中标机会。通过澳大利亚昆士兰州电力市场的数据作为计算实例进行预测，预测结果表明：输出稳定性好、计算速度快、预测精度较高。 　　[关键词] 模糊聚类 关节控制器神经网络 电力市场 竞价策略 　　 　　电力市场的实质是通过建立一个充满竞争和选择的电力系统运营环境，提高电力行业的效率。竞价问题主要针对电力联营体市场，在该市场中，电力供应商向电力交易中心提交下一交易时段所能提供的电力以及要求的价格。电力交易中心根据预测的负荷和竞价曲线进行发电机调度计算，选择发电单元并制定计划，在这个过程中决定电力供应商能否中标的关键一是竞价曲线的制定;二是所有电力供应商的报价，文献1～4对电力供应商的竞价决策做了深入研究，而边际电价对竞价曲线的制定起到十分关键的作用。 　　关于边际电价预测的研究方法有许多种，文献5～10对各种电价预测方法做了详尽的阐述，但由于在不同的交易时段，负荷特性会发生变化，所以各方法的预测结果往往出现不稳定的问题，尤其是对峰、谷时段的电价预测结果最明显。本文采用模糊聚类(FCM)和小脑模型关节控制器 (CMAC)神经网络方法，通过 FCM算法将交易时段分为3个负荷水平：峰负荷、腰负荷和谷负荷，然后根据不同类型的交易时段分别对小脑模型关节控制器 (CMAC)神经网络进行训练，构建不同时段的短期市场边际电价预测和竞价模型，并使用澳大利亚昆士兰州电力市场实际数据进行训练和验证，结果显示，该方法预测速度快、精度较高且预测结果稳定。 　　一、CMAC神经网络原理 　　CMAC模型由J．S．Albus于1975年提出。它是一种典型的局部逼近神经网络，具有线性结构、算法简单等特点，有一定泛化能力。 CMAC网络由1个固定的非线性输入层和1个可调的线性输出层组成，通过多种映射实现联想记忆。其一般??构如图1所示。CMAC能实现无教师学习，并且学习速度快，可以处理不确定性知识。 　　图1中，X为 n维输入矢量空间；A为联想记忆空间；P为输出响应矢量。设X为 CMAC网络输入空间，Xn为对应的离散输入空间。CMAC 网络的实现过程可简述为：Xn中的每一输入点xi激活记忆空间 A中的单元为 A*，A*空间对应的连接权的代数和即为对应的输出。A*的模(即泛化参数)表示了空间A*的长度。 　　CMAC网络的训练过程是一个不断修正误差的迭代过程。设Yi’为对应于某个输入xi状态的期望输出，Yi为相应的CMAC网络响应值，则xi对应的连接权可按式(1)进行修正。 　　(1) 　　式中表示空间Ap中与Ai相对应的元素；为相应的修正量，β为训练因子。 　　输出,即为按每个输入xi给出的地址，对中的每个元素进行相加的和。 　　二、模糊聚类(FCM)算法 　　FCM是模糊聚类方法的一种。在很多实际问题中，经常遇到一些用数字不能准确描述的模糊信息，模糊聚类分析法能够较好的处理关于模糊信息的聚类问题。Bezdek定义FCM算法的目标函数如下： 　　（2） 　　其中，C为聚类数，N为数据总数，Vc为第c类的中心向量，Xi为第 i个数据向量，Uci为Uc和Ui之间的隶属度函数。在 FCM算法中，聚类数是固定的，C的值由问题的要求和特性所决定。 　　当目标函数J(U,V )最小时，N个数据被分为 C类。Bezdek提出了如下算法: 　　第一步:估计隶属度函数矩阵 　　(3) 　　其中，h是迭代指针，初始值为零。 　　第二步:h=h+1，计算类的中心向量 　　 (4) 　　第三步:更新所有Xi的，i=l……N 　　 (5) 　　第四步:若，则终止，否则回到第二步，ε为聚类限差。 　　三、基于模糊聚类和关节控制器神经网络的电力市场竞价策略 　　采用 FCM算法将对交易时段进行分类，然后根据不同类型的交易时段分别对CMAC神经网络进行训练，神经网络的输出为预测边际电价和竞价结果。 　　1.基于 FCM 的交易时段分类 　　通常电力市场中，市场运作按交易日进行，澳大利亚昆士兰州电力市场每天分成24个时段。公开数据包括市场历史数据、实时数据和预测负荷。由于在不同的交易时段，负荷特性会发生变化，因而可以采用 FCM算法将交易时段分为3个负荷水平：峰负荷、腰负荷和谷负荷。 　　设Xi(1，…，N，N=24)是第i个交易时段的负荷向量。Xi的维数为D，D是所计入的天数,在这里聚类数C取3，或者说，就是要将24负荷向量分为3类。这样就可