電力市場下水電價值預測與評估的方法研究

劉建華， 蔣偉， 賀健， 張興橋， 范銘, 陳思達

(1.天生橋一級水電開發有限責任公司水力發電廠， 貴州， 興義 562400；2.廣州兆和電力技術有限公司， 廣東， 廣州 510630)

0 引言

水電作為廉價、易得的能源在人們生活及工業生產中發揮著至關重要的作用，如何正確評估水電能源以及發電站各種數據參數對于工業的生產與發展具有重要的作用。隨著工業智能化、信息化技術的發展以及人們需求的增加，如何預測水電站輸出功率及評估水電站輸出參數具有重要的意義。

針對上述問題，相關學者對上述技術進行了一定的研究，文獻[1]通過構建粒子群算法模型實現了配售電公司收益的分布式電源優化配置，該技術通過制定可控分布式電源和可控負荷的時序出力，在一定程度上實現了能源與清潔，對于水電價值預測尚未提及，用戶難以對多種水電價值參數信息進行分析和應用。文獻[2]通過構建雙層市場仿真與管控模型實現在不同管控條件下梯級水電站運行方式的仿真與研究，并應用迭代優化算法對市場運行進行了仿真和計算，該方法雖然利用雙層市場仿真與管控模型獲得了基數電量方案，在一定程度上實現市場優化管控運行，但是該方法對水電價值的誤差評估尚未提及。

1 水電價值預測方法

針對上述技術， 通過構建Bi-LSTM 神經網絡模型實現水電價值的預測與評估，通過小波變換的方式對水電價值評估參數進行計算和轉換，最終實現水電價值預測與評估[3]，下面對上述方法進行詳細說明。采用改進型LSTM神經網絡模型，實現不同環境下水電價值預測，其創新點在于：

(1)通過在輸入層輸入影響水電價值的各種預測參數，充分考慮多種因素的情況下實現水電價值預測，提高了水電價值預測的能力；

(2)改進型LSTM神經網絡模型為Bi-LSTM 神經網絡模型, 該模型利用相同的前向與后向結構，將網絡結構中的數學模型以反向堆疊的狀態方式實現輸入數據的學習[4]，提高了學習精度；

(3)通過構建的不同層級關系，通過提取抽象的數據特征，實現各種不同數據的微觀分析，并實現各種數據形式的參數學習修正[5]，進一步提高了學習評估，使得評估能力大大提高。

通過上述思路分析，下面對水電價值預測方法進行詳細介紹。整體模型結構示意圖如圖1所示。

圖1 整體模型結構示意圖

在圖1的模型結構中，水電價值的不同參數數據信息包含但不限于影響水電站容量和運行的裝機容量、水電站出力參數、水電站發電量、水電站裝機容量、水電站發電時的正常蓄水位、水電站的死水位等各種數據參數，這些數據信息可以作為數據輸入計算[6]。

由于數據范圍比較大、類型多，在具體應用時，需要將上述數據信息進行標準化處理。處理公式為

(1)

式中，x表示影響水電站正常運行的各種數據參數，xmax表示影響水電站正常運行的各種數據參數的最大值，xmin表示影響水電站正常運行的各種數據參數的最小值[7]。

然后將水電站的出力功率進行標準化計算，標準化的功率為：

(2)

式中，P表示水電站的實際功率數據，S表示水電站的裝機容量。然后將不同水電出力的參數(比如電流、電壓或者功率)按照有用功率進行標準化處理[8]，則通過以下公式完成：

(3)

通過上述計算后，將多個不同的Bi-LSTM 模型和結構層次構成隱含層進行多種不同數據的計算與處理[9]。該模型示意圖如圖2所示。

圖2 Bi-LSTM 神經網絡模型Bi-LSTM隱含層結構特征

在圖2中，將不同的Bi-LSTM層進行反向堆疊，使得每層神經網絡層的單向門控神經網絡層的前向結構與后向結構相同，通過層級機構對抽象數據信息進行特征提取，通過對不同的數據特征進行提取，進而實現數據信息的修正，通過這種方式，實現了水電價值各種數據特征的分析與學習[10]。

為了進一步優化算法，在Bi-LSTM 神經網絡模型中融入Adam 優化器，以對輸入的不同數據信息進行更新和二次計算，最終查到局部最優解[9]，采用的優化公式為

(4)

2 評估方法

電力市場下，在評估水電價值時，下面通過分步驟說明。

步驟一 假設其輸出的各個參數值分別為離散值，用字母表示可以為n=0,1,2,…,N-1,σt為對水電價值評估時，對不同數據進行采樣的周期間隔，假設評估輸出數據信息的周期間隔為1周，則水電價值評估參數通過小波變換的方式實現數據的轉換和計算。通過初始數據序列獲取的水電價值數據序列記作為

U0=[U0(1),U0(2),…,U0(n)]

(5)

其中，U0(n)為任意時間下電價值數據。

步驟二 數據特征提取，經過間隔為1周的時間時段后，通過數據特征抽取，獲取的水電價值數據序列可以記作為

U1=[U1(1),U1(2),…,U1(n)]

(6)

將待評估的水電價值數據進行累加之后，可以輸出的水電數據信息為

(7)

其中，?g=1,2,…,n。

在上述公式中，為了對其任意參數值進行求解，需要采用微分方程進行求解，以計算不同時間下的數據方程。

(8)

由于輸入的水電價值參數數據量較多，為了便于求解，通過構建矩陣方程進行求解，則有：

(9)

式中,a和b分別表示水電市場下水電價值的類型，αT為一種類型下的水電矩陣，B為水電市場下水電價值的另一種數據類型的水電數據矩陣，Y表示水電評估影響因子。

步驟三 對式(9)中的函通過累加生成序列公式，可以有:

(10)

反映水電價值不同參數的數據信息可以記作為

(11)

(12)

通過上述公式，則獲取的水電價值預測的模型可以記作為

(13)

步驟四 計算輸出，通過上述計算后，輸出的估計值可以為

(14)

其中，i=1,2,…,n。

步驟五 計算結果優化：為了提高利用效果，引入了小波變換函數，則啟動的公式為

(15)

式中，Yn(r)表示信號序列，λ(·)為小波函數，*表示復數共軛[23]，其中的g、n和r分別表示進行小波變換時虛設的時間軸上，不同參數數據位置變量與小波尺度變量。

步驟六 頻域計算

則通過上述公式后，頻域計算公式可以為

(16)

在式(16)中，存在以下關系式：

(17)

其中，g=0,1,2,…,N-1；

(18)

式中，eω為小波變換時的卷積系數。

通過小波變換，可以將水電價值的評估值通過以下公式計算:

(19)

式中，i=1,2,…,n。通過上述小波函數，實現不同時間尺度下的拉伸，最終清楚地獲取水電價值預測的最終結果。

3 試驗結果與分析

為了提高水電價值預測方法的精度，該研究方法利用雙路 GTX 1080ti GPU 的軟件計算方法，在該計算方法中，融入Tensorflow 人工智能框架，編程環境采用 Jupyter Notebook。為了對比該研究技術方案的技術優越性，采集某電力公司24小時相關數據，得如表1所示的數據計算信息表。

表1 數據計算信息表

通過24小時的數據采集和計算發現，經過卡爾曼濾波算法計算后的預測精度在95%左右，BP神經網絡模型的預測精度在96%左右，而該研究方法的平均預測精度大于99%，通過上述方法可以看到，該研究方法預測精度較高。為了使該研究方法的效果更為明顯，下面通過曲線圖對該研究方法應用的預測精度進行評估(見圖3)。在啟動Simulink仿真軟件之后。

在圖3的曲線圖中，方案1中卡爾曼預測法的增長幅度比較平穩，預測能力較為滯后。方案2采用的BP預測模型，其預測精度雖然大于卡爾曼預測法模型，但是在整個時間周期中， 方法的預測精度最高。

圖3 仿真對比示意圖

下面從相對誤差上對該研究方法進行評估， 當采用卡爾曼預測法模型時，卡爾曼預測法模型的誤差示意圖如圖4所示。

圖4 卡爾曼預測法模型的誤差示意圖

采用卡爾曼預測法模型的方法時，開始誤差數據很小，隨著時間的加長，誤差逐步增加;應用BP神經網絡模型時，采用的評估誤差示意圖如圖5所示。

圖5 BP神經網絡模型的誤差示意圖

當采用BP神經網絡模型時，雖然誤差的準確度程度比較均勻，但是平均誤差較大。

采用本研究方法計算時，估計的誤差示意圖如圖6所示。

圖6 估計的誤差示意圖

通過上述可以看到，相比于卡爾曼預測法模型和BP神經網絡模型，研究的方法相對誤差相對較低，因此，研究的方法具有較好的應用效果。

4 總結

針對電力市場下，水電價值預測能力差，精度不高的問題， 做出了以下技術研究：

(1)針對水電價值數據維度高的問題，構建新型Bi-LSTM 神經網絡模型，在輸入層輸入影響水電價值的各種預測參數，大大提高了水電價值預測的能力；

(2)針對水電價值預測精度的問題，通過利用相同的前向與后向結構，將網絡結構中的數學模型以反向堆疊的狀態方式實現輸入數據的學習，提高了學習精度；

(3)針對數據分析能力差的問題，通過構建的不同層級關系，提取抽象的數據特征，實現各種不同數據的微觀分析，并實現各種數據形式的參數學習修正，進一步提高了學習評估，使得評估能力大大提高。

通過試驗證明，本文所提技術方案分析能力高、誤差率低，雖然該研究方法具有一定的實踐意義，但是仍存在一些問題，比如水電預測過程中的數據處理問題、數據篩選問題等，有待進一步研究與分析。