基于大數據分析的上網電價預測模型研究與應用

陳斌源 黃江云 吳迪 王鈞召

（1 廣東省能源集團有限公司 廣東廣州 510150 2 廣東粵電信息科技有限公司 廣東廣州 510150）

0 引言

電價是體現發電企業電力市場的電能交易效益的絕對方式［1］。伴隨著我國電力市場的不斷開放，現貨市場已經到來，那么較為精確地預測中長期以及短期電價，對于各發電企業在電力市場中的效益，具有決定性的影響因素。如何利用科學有效的數學模型，不論是對各類發電企業電力市場中長期交易，還是短期輔助決策，均具有明顯的風險防控意義。通過對電力企業所在節點電價及全網加權平均價格進行預測，以及對日前市場的現貨申報前，預測次日的小時所在節點電價及全網加權平均價，可為各發電企業的電力中長期及現貨決策提供重要的數據支撐［2］。由此看來，利用大數據建模的電價預測對于發電企業電力營而言是一個重要課題。

1 大數據分析模型

對于發電企業的節點電價或出清電價預測，其需要的數據基礎包括：供應方（發電側）數量、總申報電量、平均價差、最高成功申報價差；需求方（用電方）數量、需求方總申報電量、平均申報價差、最低成功申報價差；電網總成交電量、供應方邊際成交申報價差、需求方邊際成交申報價差以及統一出清價。其他的基礎信息，還包括系統收集的電力市場政策信息、工業發展行情信息、對電力敏感的天氣信息（次日日夜溫度、降雨等）、發電企業發電能力信息（最高帶負荷能力、檢修情況）以及網絡潮流信息（電網阻塞情況、電網檢修等）。這些大數據，一般都可通過時間序列的形式，進行搜集并整理。另外相關資料包括國家能源戰略規劃、電力環保法規、電力發展規劃、煤炭產業結構調整規劃以及電力發展戰略規劃等。以上各大數據信息構成了電價預測的分析模型。本文利用各種大數據分析方法，結合上述信息，對電力市場中長期以及短期電價進行預測分析，為各發電企業提供指導性意見。

2 結合大數據分析的電價預測的方法

對于電價的中長期以及短期預測方式，采用不同的預測模型開展預測分析，包括但不限于：指數平滑法、ARMA 模型、狀態空間、神經網絡以及灰色理論等。結合大數據分析的電價預測整體思路見圖1。

圖1 中長期以及日前節點電價及全網加權平均價格預測研究路線圖

2.1 短期預測方法

實時、日度的電價預測，對于發電企業現貨市場的實時競價策略，具備至關重要的作用。企業掌握了精準的實時電價預測數據，則可有效提高企業在電力市場中的盈利能力。針對企業的短期電價預測，包括日前報價的小時級電價以及全網平均價格，根據不同的數學模型的功能特點，經研究后采用指數平滑法、ARMA 模型、最大信息熵模型及關聯規則與ARMA 的結合模型，進行電價預測，以下分別介紹各模型的特點。

2.1.1 指數平滑法

指數平滑是一種非常重要且常用的時間序列預測法［3］。它的基本思想是：通過對原始數據進行相關操作，得到數據的“平滑值”，然后計算構成預測模型，進一步預測未來值。對季節波動不敏感以及對季節趨勢變化不明顯的時間序列數據，數學上一般采用指數平滑法對數據進行擬合并預測。指數平滑法是一種簡易的數學方法，其預測結果為變化趨勢，難以實現準確的定量預測，可以作為數據的初步分析工具。

ARMA 模型（Auto-Regressive and Moving Average Model），也是研究時間序列數據的重要方法，由自回歸模型（AR）與滑動平均模型（MA）組成［4］。其主要思想為：通過時間序列過去時間點的信息（歷史信息），建立模型準確的擬合方式，對數據進行擬合，進而預測重要參數的未來值。其應用步驟如下：

（1）數據準備及數據預處理。本模型前提條件是：預測對象或者參數的時間序列是零均值的平穩隨機序列。但一般情況下，隨著時間的積累，大量的數據總是具有上升或下降的波動，由此構成了非平穩的時間序列。對于此種現象，應在模型建立支出，對參數的時間序列進行平穩性檢驗，即對非平穩的時間序列，通過零均值和差分平穩化操作，進行數據預處理。

（2）確定參數的自相關系數和偏自相關系數。

（3）模型的擬合和預測。本文采用Eviews、SPSS、Matlab 等多種方式進行建模，并測試模型的預測效果。

2.1.3 最大信息熵原理

在對價格進行預測時，根據以往的經驗，許多數據是難以直接獲取的，為離線情況。由此在部分數據缺少的情形下，可采用最大信息熵原理進行建模分析。

（1）信息熵的意義。1948 年，C.E.Shannon 提出了所謂“信息熵”的概念，解決了對信息的量化度量問題［5］。抽象地講，信息熵可以看做成成某種特定信息的出現概率，其數學意義則是表征了信源的不確定度。

深耕中國市場多年，黃連光對各領域的發展了如指掌。他細數細分領域情況，“出版物印刷在過去這些年里，由于新媒體的介入、人們閱讀習慣的改變，而受到了一些沖擊，但是到了某個階段，這種變化又停滯下來，傳統印刷讀物依然很有市場，還在平穩地往上走。”“包裝印刷的量在不斷增加，而且是內需的部分，并非外銷。過去十年，外銷在包裝印刷中占了大部分，現在剛好相反。十年來，國內中產階層規模不斷擴大，購買能力不斷增長，相應地內需也在增加”。

式中：P（xi）為信息源取第i 個符號的概率；H（x）為信息源的信息熵。

（2）模型數學原理：在只掌握一部分的信息情況下，對數據的分布做出較為準確的預測，應該滿足以下條件：①符合約束條件；②熵值取最大的概率分布。這是在數學意義上做出的不偏不倚的選擇。

利用上述原理，把信息熵作為該參數的不確定性標桿，由此確定在相關約束條件（滿足實際情況）下的隨機分布，并且取概率最大的情況，祛除人為影響因素，則得出該參數的最大估計分布，對重要參數進行預測。該原理已在某些短期負荷預測中成功預測［6］，目前可根據已有的實施方案，結合電價的預測機制，利用最大信息熵原理對節點電價進行預測。

2.1.4 基于關聯規則推理

很多重要參數，可通過對歷史數據的關聯規則分析，從而推理發現一些可靠的規則，進而對歷史數據的不斷篩選，可發現更多的關聯規則。并通過符合實際情況的推理，得到對應變化量，如需求電量、供應電量、天氣情況（氣溫、降雨）等對電力價格趨勢的影響。另外，政策影響也十分重要。通過關聯規則，進一步對ARMA 預測的結果進行分析驗證和修正，主要是對預測過程中的“拐點”進行校正，使得模型得出的價格預測結果更加準確與完善，符合電力企業實際報價需求。

2.2 中長期預測方法

中長期電價預測可為電力中長期輔助決策提供有效的數據支撐，本文采用狀態空間模型及神經網絡模型進行相關電價的中長期預測。值得說明的是，神經網絡模型也可對于短期電價進行預測。

2.2.1 狀態空間模型

狀態空間模型也稱作為動態時域模型，是以隱含時間為自變量的數學模型［7］。目前我國電力形式、電力市場的電力需求、發電側的邊際成本以及負荷出力情況，由于國家經濟體量已經很大，電力市場需求以及電力供應情況是不會發生較為頻繁和巨大的變動，而在煤價較為穩定的情況下，發電側的邊際發電成本則能保持較為平穩。但如果這3 個變量或者其中1個或者2 個發生了較大的變動，如2021 年年初至今的煤價居高不下，已達到歷史新高并保持如此長時間的高位，已對發電邊際成本起到巨大的影響；再就是疫情的影響，國際市場的影響，電力供應也在部分月份出現較大的波動；此種情況下，運用用狀態空間模型，就可以較好地刻畫出節點電價的變動。可以通過對長期煤價、經濟形勢的預測，利用狀態空間模型得到長期電價的預測趨勢，可對企業提供中長期市場交易支撐作用。

2.2.2 神經網絡模型

由于影響電力市場節點電價的因素是非常多的，并不是所有的因素都是時間序列參數，由此當影響因素中大量的參數呈現出強耦合特性，或者非線性的時序特性時，就可采用神經網絡進行建模分析［8］。該模型不需要計算參數的統計特征，從理論上講，神經網絡可以適用于任何非線性時間序列參數的建模預測分析。目前學術界以及工程界多采用其他建模工具，如模糊數學等與神經網絡相結合的方式，對非時序參數進行預測熱分析。根據筆者研究，基于小波分析的小波神經網絡具有較好的函數逼近能力以及泛化性能，可將其應用于電價的預測中。

2.3 預測模型的預測范圍與精度分析

各模型方法的優缺點對比分析見表1 所示。

表1 電價預測模型對比

通過上述模型算例預測節點電價以及全網節點加權平均價格走勢，根據時序的長短，分別對應中長期交易以及日前現貨申報決策。

具體而言，短期電價預測，包括日前小時級電價問題，其電價波動與時間周期具有一定關系，如波谷平峰段的不同電價趨勢，可采用時間序列預測的模型進行建模，如ARMA 模型、狀態空間以及神經網絡建模等。而對于中長期電價預測，由于時間周期長，影響因素不確定，電價波動可能較大，采用狀態空間模型以及神經網絡模型進行預測。綜合各模型適用范圍以及不同的電價指標信息特點，模型算法與預測精度對應對關系如表2 所示。

表2 電價預測模型適用范圍與精度對比

3 電價預測的實際應用

3.1 電力中長期市場交易輔助決策

中長期交易輔助決策需要綜合考慮持倉合同電量的前提下，權衡收益以及風險情況，提供曲線分解的策略，采取多空頭寸策略。合同電量包括基數電量、雙邊協商合約合同電量（市場、基數），年度、月、周度集中競爭電量合同電量（市場、基數）、掛牌交易電量。

中長期輔助決策的核心在于對節點電價的有效預測。本文所提供的持倉策略主要為：未來節點電價看漲，少持倉；未來節點電價看跌，增加持倉。示意圖如圖2。

圖2 電力中長期市場交易輔助決策示意圖

3.2 電能量市場交易輔助決策

電能量市場實時交易策略及報價模型的建立，主要依賴成本分析模塊對于發電機組的成本計算以及預測，風險管理系統對交易品種的風險偏好計算與預估，價格預測模塊對市場電價走勢及電價的有效預測，最終通過以上信息與中長期合同價格對比，并結合發電成本，提供持倉策略：日前/現貨電價預測值高（概率高），增加現貨出清電量，減少短期合同電量；日前/現貨電價預測值低，增加合同電量，減少現貨出清電量，示意圖如圖3。

圖3 電能量市場交易輔助決策示意圖

4 總結

研究表明指數平滑法、ARMA 模型、最大信息熵模型及“關聯規則+ARMA”等模型較適合短期電價預測；狀態空間模型及神經網絡模型較適合長期電價預測。通過多因素分析以及各模型多級驗證，對節點電價進行預測，并應用于電力中長期市場及電能量市場，表明：①中長期輔助決策的核心即在于對節點電價的有效預測，持倉策略主要為：未來節點電價看漲，少持倉；未來節點電價看跌，增加持倉；②電能量市場持倉策略是日前/現貨電價預測值高（概率高），增加現貨出清電量，減少短期合同電量；日前/現貨電價預測值低，增加合同電量，減少現貨出清電量。