高比例水电电力市场竞价及电价预测问题研究

高比例水电电力市场竞价及电价预测问题研究

陈震 赵竟 冷程浩 宋建林

南京南自华盾数字技术有限公司

摘要

随着我国社会的发展和经济的进步，电力市场也在不断地发展，但在发展的过程中，暴露了很多问题，比如水电价格预测与评估能力差，这就需要我们根据实际情况设计出一种新型的水电价格预测与评估方案，通过引入新的算法模型，对电力市场下水电价格进行计算，提高电价预测能力，进而提升高比例水电电力市场竞价水平。鉴于此，本文将从水电价格预测方法、评估方法以及试验结果与分析三个方面进行论述。

关键词：电力市场；电价预测；算法模型；竞价；

0 引言

随着社会的发展，用电需求愈发高，水电更加的廉价易得，可以缓解人们生活与生产中的压力，发挥着重要的作用，这就需要工作人员正确的评估水电能源以及发电站的各种数据，明确其在生产与生活中的作用。而且随着智能化技术的发展，预测好水电市场，明确水电站的输出功率，评估好水电站的各项输出参数意义重大。但是目前还存在着一些问题，就需要针对性的对水电市场进行细致的研究，构建好粒子群算法模型，实现售电公司的收益分布，优化电源体系，还在一定程度上推进了清洁能源的使用进程，实现电力市场以及电力预测的优化。

1 水电价格预测方法

为了更好的预测水电价格，从业者可以引入先进的技术来构建Bi-LSTM神经网络模型，该模型的使用可以更好的实现我国水电价格的预测，进一步评估水电市场的价格，而且该模型的建立可以通过小波变换的方式来实现水电价格评估，使用相关的水电数据参数来进行相关的水电计算和转换，以此实现水电价格预测与评估，由此可以看出该神经网络模型的意义。因此，下面对该模型进行简要的叙述[1]。

工作人员通过采用改进型的Bi-LSTM神经网络模型来实现我国水电价格的预测，而且该模型还可以让水电预测可以在不同环境下进行工作，工作人员通过神经网络的输入层来输入与水电价格相关的各种预测参数来进行工作[1]。

这一项工作需要工作人员充分考虑全面的因素和实际情况来进行，以此更好的提高水电价格预测的水平和能力。而且工作人员可以采用新型的Bi-LSTM神经网络模型，该模型对比之前的旧的神经网络模型相比具有更明显的优势，因为该新型的神经网络模型利用了前向与后向的结构来构建，而且还在此基础上增加了新的数学模型，通过反向堆叠的方法赋权，来让构建好的神经网络缓解输入数据时候的压力，以此提高神经网络的科学性和精准度，还可以大大提高该新型模型的使用效果，提高水电价格预测的效果，更好的明确水电市场的价格，让行业可以更好的发展[2]。

除此之外，该神经网络构建了不同的层级关系，这样可以更好的提取抽象的数据特征，工作人员就可以对各种数据进行详尽的微观分析，实现数据参数的学习修正，这样实现了网络模型的学习评估，而且水电价格的不同数据信息涉及到的数据参数非常多，比如水电站装机容量、出力参数、发电量、正常的蓄水位和死水位等，这些数据信息都是可以作为输入数据进行使用的[2]。

但是该神经网络涉及到的数据范围大、类型多，在具体的应用过程中，工作人员需要把这些不同类型的参数数据信息进行一定的处理，再进行相关的出力功率计算，然后通过Bi-LSTM模型进行多种不同数据的处理，工作人员还需要对参数数据信息进行实时的更新[3]。以此为根据，计算出损失值，这样也完成了神经网络数据的更新，使得最终的神经网络进行求导，进而实现不同水电站的更好的运行，最终实现我国水电价格的高质量预测。

2 高比例水电电力市场评估方法

在当下的电力市场中，工作人员在进行水电价格评估的时候，需要非常细致，下面对相应的评估步骤进行简要的说明。

首先，工作人员第一步需要做的是设置好水电市场评估时输出的各个参数值为离散值，一般用n=0,1,2,…来表示，N-1,ס为工作人员在进行水电价格评估的时候提供了对不同的数据进行采样的周期间隔，如果说水电评估的输出周期间隔为1周的话，那么水电价格评估的参数还需要通过小波变换的方法来进行相关的计算[3]。一般而言，初始数据序列的水电价格数据的序列记作：

在这一步的计算中，工作人员需要注意的是一般表示的是任意时间下的电价数据，另外，工作人员还需要注意的是在进行数据特征的提取是时候经过间隔时间（1周）后，工作人员再进行数据特征的抽取工作这样可以大大提高工作的效率和准确度[4]。此时，水电价格数据的序列可以表示为：

之后，工作人员通过把待评估的水电价格数据进行累加，再进行输出，该输出的水电数据信息表示为：

其中，，另外，在上述的公式中为了对相关的参数进行求解，工作人员还需要采用微分方程来进行计算，以此得出不同时间段下的电价预测数据，方程表示为：

但是，这个过程需要输入的相关参数数据信息的量比较多，为了方便后续工作的进行，还需要构建一个相关的矩阵方程来进行求解，一般表示为：

式中的a和b分别表示的是水电市场下的不同的水电价格的类型，表示的是一种类型下的水电矩阵，B表示的是水电市场下的水电价格的另一种数据类型，由此构成水电的数据矩阵，Y表示的是水电评估影响因子，把这个公式输出的数据制作成相关的矩阵即可

[4]。通过对上述公式的累加就可以生成新的序列公式，表示为：

工作人员就可以通过上述的这些公式来获得一些水电价格预测的数据进行模型的建设，一般表现为：

工作人员在经过上述的计算后进行输出，输出的数据估计值可以表示为：

其中，。然后得到数据值后，再对计算的结果进程优化，但是为了提高利用的效果，就可以继续引入小波变换函数，公式一般表示为：

上述公式中的，表示的是信号序列，表示的是小波函数，*表示的是复数共轭，公式中的g、n、r表示的是进行小波变换的虚设时间轴上不同的参数数据位置变量与小波尺度的变量，后续工作人员要进行的频域计算在经过上述的公式计算后，频域计算的公式可以表示为[4]。

其中的表示的是小波变换时的卷积系数，工作人员通过小波变换可以实现水电价格的评估值，评估的计算公式表示为：

通过上述的公式就可以实现不同时间下评估，以此明确水电价格预测的最终评估结果，提高工作的准确性和科学性[4]。

3 相关的试验结果与分析

经过上述的介绍，我们可以得知水电价格预测对于水电市场竞价的重要性，因此，为了提高水电价格预测的精确度和科学性，工作人员就应该利用相关的软件来进行计算，除此之外再继续融入人工智能技术的相关计算框架，创造一个良好的编程环境，再继续采用其他相关的技术和软件来进行计算[5]。而且还可以更好的收集电力市场的相关计算数据，把相关的数据信息制作成一个表格，再进行后续的工作，而且工作人员通过对电力市场的数据信息的采集进行相关的计算，在良好的算法赋权后，水电价格预测的精度可以达到95%甚至更高，上述提到的神经网络模型的预测精确度可以达到96%，相互结合后，水电价格的平均预测精确度甚至可以高达99%，甚至更精确。

4 结束语

综上所述，新型的神经网络模型比旧的模型分析能力高、误差率低，具有极大的实践意义，虽然目前还存在一些没有解决的问题，但是可以在实践的过程中进行弥补，以提高行业的发展潜力和价值。

参考文献

[1]丁健民，李宗英，单体华，等.电力市场环境下独立配售电公司运营效率评估方法[J].科技与创新，2020(2)：5-7.

[2]赵会茹，赵浩然，陈国平，等.新电改背景下电力用户资产综合价格评估模型和差异化接收策略研究[J].智慧电力，2019,47(8)：105-111.

[3]李晋航，陈兵，吴文亮.大型发电设备数字化车间关键技术分析及应用[J].制造业自动化，2020,42(7)：1-5.

[4]吴罗兰，张闯，陈俊慧，等.考虑大规模风电并网的电力系统二次调频容量实时计算方法[J].电工材料，2019(5)：45-48.

[5]任家铭，李灿，姚李孝.基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测EJ1电网与清洁能源，2018,34(9)：47-51.