考虑电力市场交易影响的中长期负荷预测方法*

2017-12-20胥威汀李婷刘友波闫晓卿刘莹朱觅

电测与仪表 2017年2期

胥威汀，李婷，刘友波，闫晓卿，刘莹，朱觅

（1.国网四川省电力公司经济技术研究院，成都610041；2.四川大学电气信息学院，成都610065；3.国网能源研究院，北京102209）

0 引言

有别于短期负荷预测，中长期负荷预测是电力规划工作的重要基础，对于电网投资及其安全运行起着决定性的作用。相比短期负荷预测，中长期负荷预测受到很多不确定因素影响［1］，例如：经济发展、社会和人类活动等，因此预测难度更大。

中长期负荷预测方法可以分为参数化方法和人工智能方法两大类［2］。其中，参数化方法主要包含回归预测、时间序列和灰色理论［3-4］，人工智能方法主要包括神经网络和动态模糊综合评价［5-6］。它们研究重点在于评估直接对用电行为产生影响的因素，而并没有考虑电力市场交易对用电行为的影响。

电力市场化改革旨在构建真正意义上的电力市场，这必然激发新的市场行为，电网规划有必要充分考虑市场化改革后带来的巨大变化。由于市场行为会极大程度受到市场价格的影响，所以，电力供需格局不仅仅是能源层面的电力供需平衡，还会受到交易价格的影响，它会随价格的波动而波动，甚至发生显著变化，这是电能供应和消费背后无数主体意愿交织的结果。未来电网规划工作必须能够适应这一新形势对中长期负荷预测的影响。

1 基本框架

通过以上分析发现，改进中长期负荷预测方法的切入点，包含但不限于以下两点：

（1）在中长期负荷预测中引入市场参与者关于电价变化的响应；

（2）基于负荷分布、电源规划和市场参与者报价的预测结果来模拟市场交易，从而捕捉远期电力市场的分区电力平衡和交易价格水平，反过来修正负荷预测结果。

由于节点电价与相应地区负荷是相互影响的，需要采用循环嵌套的方法把电价对负荷预测的影响考虑进来。首先，根据历史数据进行负荷预测；其次，在初步预测的基础上进行节点电价预测；为了引入市场因素的影响，接下来重要的一步：根据各节点边际电价模拟市场竞价交易。由于电价决定了各地区参与市场交易的竞争力，因此未来的边际电价对于每一个地区的电力供应或消费成本影响是不同的，可据此捕捉到最有可能的市场交易预期，从而得到出清价格和电力平衡结果；最后，计算负荷的电价响应情况，修正负荷预测结果，返回负荷预测输入端口。基本框架如图1所示。

依据这一个循环，能够获取相应水平年的负荷规模及其分布。其中，y（k）表示第k个节点的负荷预测结果，LMP表示节点边际电价。图中虚线匡体部分为本文所提关于电力市场交易的影响分析。

图1 考虑电力市场交易影响的中长期负荷预测方法Fig.1 Medium and long term load forecasting method considering the powermarket transactions

2 中长期负荷预测

目前，中长期负荷预测的研究方法主要基于三大思路：首先是运用引言中所提及的基本预测模型的方法；其次是对基本预测模型进行改进的方法；第三是对两种或两种以上方法进行组合之后得到的模型。这里采用灰色预测模型和人工神经网络组合方法进行负荷预测［7］，基本模型如下：

式中 X（0）为历史负荷序列，X（1）为 X（0）的累加序列。微分方程（2）中a为发展灰数，u称为内生控制灰数，是对系统的常定输入，可以通过对式（2）进行最小二乘求解得到。将结果返带入式（2）能够得到负荷预测模型：

式中 X（1）（k+1）为预测值，k=0，1，2…，X（0）（k+1）为累减还原值，即目标水平年的负荷预测值。

由于灰色预测采用累加累减，对系统较大波动数据不敏感，预测准确度有限。神经网络中的自联方式对数据具有敏感性，内部反馈网络增加网络处理动态信息的能力，可达到动态建模的目的。同时，对预测模型进行学习训练，其拟合函数的优势可进行模型修正，从而能大幅度提高负荷预测的精度。因此，在灰色预测模型中嵌入有反馈的多层人工神经网络，能够发挥并结合两者的长处。

式中表示有n个输入，m个输出，隐含层和承接层分别有r个神经元，输入层到隐含层的权值为w1，承接层到隐含层的权值为w2，隐含层到输出层的权值为w3，u（k-1）为网络模型的输入，xi（k）表示隐含层的输出，xci（k）表述承接层的输出，其中 i=1，2，…，r，f是隐含层的传递函数，常用S型函数，y（k）为神经网络的输出。

通过反向传播不断调整权值和阈值，使网络的误差平方和最小。权值修正公式如下。

式中η为学习速率；mc为动量因子，g为输出层的传递函数，常为线性函数。由此，能够得到中长期负荷预测结果。

3 交易报价预测

在市场环境下，由于电价是通过竞价或协商的方式生成的，是变动的、可升可降的，那么，电力用户必然会为了控制用电成本而寻求并制定更为廉价的购电方案和用电方案。在该过程中，用电行为将发生改变。例如一个大型工业用户若签到了更便宜的合同，可能会扩大生产用电规模。因此，准确的电价预测能够使负荷预测结果更加客观。

对电价进行预测，需要考虑诸多因素。由于中长期预测的周期较长，各种因素具有一定不确定性，而且电价会受负荷规模、分布以及可靠性需求因素的影响，比如负荷的不确定性、地点的不确定性、可靠性需求的不确定性和网络阻塞情况的不确定性等，使得电价变化频繁，从而使得电价的不确定性更加明显。所以，对电价进行中长期预测的难度是非常大的。

因此，对于中长期电价趋势的预测，应该主要分析在较长时间窗口内对购售双方有影响的因素［8］，比如发电侧的清洁能源开发成本趋势、发电燃料成本趋势、排放标准的高低、财税补贴强度等，又比如用电侧的国民经济走势、城镇发展规划、产业发展预期、储能和虚拟电厂建设布局等，把握大的趋势，为规划提供参考。

当前国内外研究人员对中长期电价预测的研究较少，现有的研究成果大都是将电价等效为随机变量［9］，对其分布函数进行研究，在其分布区间内建立有效的预测模型。在电价长期预测方法中，采用模糊方法与采用神经网络方法对相关不确定性因素的处理思想是不一致的，采用模糊方法不是盲目地追求相关的预测精度，而是要构建预测数据的分布情况，而采用神经网络法则是要合理的对现有数据进行分析，确定自变量和因变量的关系，进而达到合理预测电价的目的［10］。

为了合理地预测市场成交价格，需要掌握购售双方的报价预期，关于报价的预测可以通过预测节点边际电价来实现。通过对发电和负荷进行整体优化，并将电网容量的优化配置及对固定成本的影响考虑进来［11］，可构成一种中长期节点电价模型。式中PD和PG分别为第t个出力或负荷特性时段（如丰水期、枯水期）的第i个节点电力需求和第j个节点发电出力；TU为电力消费效用；C为发电成本函数；分别表示在第t个时段发电商的最大容量约束和最小容量约束的Lagrange乘子。

通过中长期节点电价信号，包括发电商、售电商等电力交易主体可以求解未来一个电网投资周期内各时段的发电、用电和输电价格，这个价格反映了未来中长期市场均衡状态下的电力成本和需求信息。因此，该电价能够较大程度反映未来市场的报价，给予电力交易、电网规划或电力投资明确的中长期价格信号。

4 关于市场交易影响的处理方法

4.1 模拟交易与分区平衡

预测得到未来各方的报价水平后，交易成交价格（出清电价）可通过电力市场交易模拟来获取。

典型的撮合交易机制是按照“高低匹配”的交易规则［12］，首先撮合优先级最高的买家和卖家的交易，交易的成交价格为交易双方报价的平均值，然后撮合优先级次高的市场成员的交易，以此类推。交易模型如下：

式中r和d分别为用户的出价及其交易电量需求；π和s分别为发电厂商的出价及其交易电量需求；c为边际传输耗费；Q为成交电量。

这是一个关于交易中心求利润极大的优化模型，目标是使得社会总福利E最大化［13］。求解该模型即可得到全局最优下的用户和发电厂交易方案。

掌握交易方案中的电量规模及布局后，可以结合各地区的年出力情况和负荷利用小时数，推出全网各典型方式下的开机方式和负荷分布，进而得到地区间的电力流规模及流向，如图2所示。该图即图1虚框内的详细流程。出清电价作为输入量接入到电价响应分析模块中可以得到负荷预测修正量。

图2 关于市场预期的模型化处理方法Fig.2 Model processingmethod about power market expectations

4.2 电价响应分析

利用弹性系数可以获取负荷对电价变化的响应模式［14-15］。弹性系数本身可以通过对历年电价调整前后的数据进行统计分析来获取。其中采用的电价响应模型如下：

式中Q、L和P分别为目标地区的电量、电力和电价，弹性系数εQ，k表示节点k的电量对预测电价响应，弹性系数εL，k表示节点k的电力对预测电价的响应。

5 案例分析

以中国某省电力市场试点为例进行长期负荷预测计算。首先，初步负荷预测。收集2000年～2015年各地区的年电量和最大负荷值；利用灰色神经网络模型获取未来十年的电力电量水平。其中，2025年负荷预测结果如表1所示。

表1 常规负荷预测结果Tab.1 Preliminary load forecasting results

基于以上预测结果，按照比例把各地区的电力电量分配至各节点，结合电源规划，利用节点电价预测方法预测节点边际电价。经交易模拟可以得到全网交易配对结果，取输配电价¥0.20/kWh，得到各节点在市场中可能拿到的成交价格，如表2所示。本文仅以电网中的500 kV节点为例进行分析。交易模拟环境为丰水期大方式。

按照电价响应分析，对负荷预测结果进行修正。收敛后，可得到2025年的各节点上下网电力电量预测结果。扣除地方电源，可以得到各地区的负荷预测结果，如表3所示。