[摘要]  在電力市場中運作中，電廠的報價反映了電廠的運作成本和市場供求信息，準確的預測邊際電價信息，對電力供應商的競價決策有重要意義。應用基于模糊聚類(FCM)和關節控制器神經網絡(CMAC)的電力市場競價策略，可以精確預測邊際電價和電廠競價電價，以使發電廠商獲得更多的中標機會。通過澳大利亞昆士蘭州電力市場的數據作為計算實例進行預測，預測結果表明：輸出穩定性好、計算速度快、預測精度較高。

[關鍵詞]  模糊聚類 關節控制器神經網絡 電力市場 競價策略

電力市場的實質是通過建立一個充滿競爭和選擇的電力系統運營環境，提高電力行業的效率。競價問題主要針對電力聯營體市場，在該市場中，電力供應商向電力交易中心提交下一交易時段所能提供的電力以及要求的價格。電力交易中心根據預測的負荷和競價曲線進行發電機調度計算，選擇發電單元并制定計劃，在這個過程中決定電力供應商能否中標的關鍵一是競價曲線的制定;二是所有電力供應商的報價，文獻1～4對電力供應商的競價決策做了深入研究，而邊際電價對競價曲線的制定起到十分關鍵的作用。

關于邊際電價預測的研究方法有許多種，文獻5～10對各種電價預測方法做了詳盡的闡述，但由于在不同的交易時段，負荷特性會發生變化，所以各方法的預測結果往往出現不穩定的問題，尤其是對峰、谷時段的電價預測結果最明顯。本文采用模糊聚類(FCM)和小腦模型關節控制器 (CMAC)神經網絡方法，通過 FCM算法將交易時段分為3個負荷水平：峰負荷、腰負荷和谷負荷，然后根據不同類型的交易時段分別對小腦模型關節控制器 (CMAC)神經網絡進行訓練，構建不同時段的短期市場邊際電價預測和競價模型，并使用澳大利亞昆士蘭州電力市場實際數據進行訓練和驗證，結果顯示，該方法預測速度快、精度較高且預測結果穩定。

一、CMAC神經網絡原理

CMAC模型由J.S.Albus于1975年提出。它是一種典型的局部逼近神經網絡，具有線性結構、算法簡單等特點，有一定泛化能力。 CMAC網絡由1個固定的非線性輸入層和1個可調的線性輸出層組成，通過多種映射實現聯想記憶。其一般結構如圖1所示。CMAC能實現無教師學習，并且學習速度快，可以處理不確定性知識。

圖1中，X為 n維輸入矢量空間;A為聯想記憶空間;P為輸出響應矢量。設X為 CMAC網絡輸入空間，Xn為對應的離散輸入空間。CMAC 網絡的實現過程可簡述為：Xn中的每一輸入點xi激活記憶空間 A中的單元為 A*，A*空間對應的連接權的代數和即為對應的輸出。A*的模(即泛化參數)表示了空間A*的長度。

CMAC網絡的訓練過程是一個不斷修正誤差的迭代過程。設Yi’為對應于某個輸入xi狀態的期望輸出，Yi為相應的CMAC網絡響應

二、模糊聚類(FCM)算法

FCM是模糊聚類方法的一種。在很多實際問題中，經常遇到一些用數字不能準確描述的模糊信息，模糊聚類分析法能夠較好的處理關于模糊信息的聚類問題。Bezdek定義FCM算法的目標函數

三、基于模糊聚類和關節控制器神經網絡的電力市場競價策略

采用 FCM算法將對交易時段進行分類，然后根據不同類型的交易時段分別對CMAC神經網絡進行訓練，神經網絡的輸出為預測邊際電價和競價結果。

1.基于 FCM 的交易時段分類

通常電力市場中，市場運作按交易日進行，澳大利亞昆士蘭州電力市場每天分成24個時段。公開數據包括市場歷史數據、實時數據和預測負荷。由于在不同的交易時段，負荷特性會發生變化，因而可以采用 FCM算法將交易時段分為3個負荷水平：峰負荷、腰負荷和谷負荷。

設Xi(1，…，N，N=24)是第i個交易時段的負荷向量。Xi的維數為D，D是所計入的天數,在這里聚類數C取3，或者說，就是要將24負荷向量分為3類。這樣就可以減少神經網絡的訓練數據。

2.基于 FCM 的發電廠商競價分類

在同一個電力市場中有很多發電廠商參與競價，將所有的發電廠商根據上述分類交易時段進行分類，同時采用FCM將各分類交易時段發電廠商分為3類：強競爭性、弱競爭性、無競爭性。發電廠商的節點報價將作為分類的依據，聚類數C等3，Xi由第i個廠商的節點報價構成，其維數由歷史數據的數量決定。一旦算法收斂，發電廠商被分為3個集合。與節點報價同處于一個集合的發電廠商為具有強競爭性的廠商。其余兩個集合中與節點報價所在集合距離近的集合中的發電廠商為弱競爭性的廠商，另一個集合中的發電廠商為無競爭性的廠商。

3.CMAC神經網絡預測模型

為提高電價預測的準確性，對電價及影響其變化的因素進行相關性分析，發現以下因素對電價的影響較大，故將它們作為電價預測模型中應考慮的因素(其中：d表示日期;t表示時段)：

(1)歷史電價。預測時段當天1h前的時段電價P(d，t-1);預測時段當天2h前的時段電價P(d,t-2);預測時段當天3h前的時段電價P(d，t-3);預測時段當天前1天1h前的時段電價P( d-1，t-1)，預測時段當天前1天同一時段的時段電價P( d-1，f);預測時段當天前1天1h后的時段電價P(d-1，t+1)。

(2)系統負荷。預測時段的系統預測負荷L(d，f)(可通過短期負荷預測獲得，或對市場公布的預測負荷修正后得到);預測時段1 h前的系統負荷L(d，t-1);預測時段2h前的系統負荷L(d，t-2)。

4.產生報價策略的步驟

上述方法可以概括為如下步驟:

第一步:輸入D天的系統24點負荷數據，采用 FCM算法將24個交易時段按負荷水平分為3類;

第二步:訓練CMAC神經網絡，預測邊際電價。

第三步:輸入各發電廠商G×D×24個節點競價電價，其中G是總的發電廠商數，并根據第1步分類交易時段進行分類。

第四步:根據預測邊際電價和競價策略，擬定競價價格，用 FCM算法將各分類交易時段發電廠商分為3個集合

第五步:競價電價輸出預測邊際價及該廠商競價是否成功。當報價是否成功的標志位為Y時，表明該廠商可以按輸出的競價電價進行報價;如果標志位為N，則表明報價者要按小于輸出的競價電價進行報價?！∷?、預測實例結果

由于廠商報價實際歷史數據不全，競價電價進行了仿真預測，而邊際電價選取澳大利亞昆士蘭州電力市場1998年9月(4周)的實際運行數據作為訓練樣本。在衡量預測效果時采用了均方根相對誤差δRMAPE 、平均絕對誤差δMAE、平均相對誤差δMAPE 和均方根絕對誤差δRMSE 4個統計學誤差指標：

表中定量給出了邊際電價預測誤差，其中計算時間為28s。圖2給出了澳大利亞昆士蘭州電力市場1998年10月10日至10月16日的邊際電價預測值及實際值。

從圖2可以看出，從總體上來看預測結果與實際電價比較吻合，即使在電價出現尖峰時的局部區域內預測效果都較精確，預測時間較其他方法短，計算速度快。

五、結論

通過對采用基于 FCM和CMAC的預測模型進行短期邊際電價和競價電價預測結果可以發現，該模型具有輸出穩定性好、計算速度快和預測精度高等優點。

電廠報價本身就是電力市場環境下很敏感的一個經濟信號，電廠競價電價預測的研究對電力市場的各個成員具有重要意義。隨著電力市場環境的不斷完善，電力系統運行歷史數據的不斷增多，因此可以更好的進行電廠競價預測，以使發電廠商獲得更多的中標機會。

參考文獻：

[1]Competitive Electric Market[J].IEE Proceedings Part C—— Genemti0n.Transmission& Distribufion，2001，148(2)：159-164.

Skantze Petter, Ilic Marija Stochastic Modeling of Electric Power Prices in a Multi-market Environment In: Power Engineering Society Winter Meeting Singapore: 2000. 1109-1114

黃日星康重慶夏青:電力市場中的邊際電價預測.電力系統自動化，2000，24(22)：9-12

曾次玲張步涵:淺析發電公司的競價策略[J].電網技術,2002，26 (5):49～54

Szkuta BR，Sanabria LA，Dillon TS.Electricity Price Shoa—term Forecasting Using Artificial Neural Network[J].IEEE Trans.on Power System。1999.14(3):851-857

Hong YY，Tsai SW，Weng MT.Bidding Strategy Based On Artificial Intelligence For A

陳建華周浩:基于小腦模型關節控制器神經網絡的短期電價預測[J],湖南電力，2004.02

A.Wang·B.Ramsay.Prediction of system marginal price in the UK power pool using neural network.Proceedings of IEEE International Conference on Neural Networks 1997，V.4、pp：2l16～2120

B.R.Szkuta.L.A.Sanabria.T.S.Dillon.Electric price short— term forecasting using artificial neural networks [J].IEEE Trans.on PW S.1999

[10]張春輝閔勇丁仁杰于慶廣魏少巖:級聯相關的神經網絡模型在邊際電價預測總的應用 電力系統自動化，2003