一种新型电力系统下电力市场容量持留机组的识别方法

技术领域

本发明涉及一种新型电力系统下电力现货市场容量持留机组识别方法技术,属于电力市场容量持留机组识别技术领域。

背景技术

在新型电力系统下的电力市场种，市场交易主体繁多，交易品种复杂多样。部分机组为了获取高额利润，通过持留部分发电容量，造成现货市场出清价格较高，并且该部分持留容量还可参与下级市场，获得额外利润。当多台机组联合持留，或单台机组拥有较大市场份额时，机组的容量持留行为，就会严重损害现货市场发现价格的能力，因此，为了保证市场的公平竞争和健康发展，建立一套现货市场容量持留机组的识别方法，对于维护电力市场的安全、稳定、可靠运行，具有积极意义。然而，针对目前容量持留机组的识别方法，常用是以收集机组数据进行人工分析，不仅工作量庞大，识别速度缓慢，而且准确率容易受人工误差影响，无法适用于新型电力系统下现货市场中数据复杂的情况；且新型电力市场种存在大量的新能源机组，与传统煤电机组不同，新能源机组的发电会受到天气、温度等其他不确定因素的影响，针对传统煤电机组的容量持留识别方法无法适用于新能源机组。此外，传统电力市场中的种煤电机组主要参与电能量市场直接交易电量，而新型电力市场下的煤电机组在参与电能量市场的同时还参与辅助服务市场为系统提供调频、调峰等服务，这使得容量持留的煤电机组会受到灵活性的限制，因此可以从灵活性的角度对煤电机组的容量持留行为进行更精确的判断。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种新型电力系统下电力现货市场容量持留机组识别方法。

本发明所采用的技术方案是：一种新型电力系统下电力现货市场容量持留机组识别方法，该方法包括如下步骤：

步骤1)，通过电力市场运营数据支持系统，采集电力现货市场运营数据。采集电力现货市场运营数据包含市场整体信息、机组性能参数、市场交易信息及历史信用信息。

步骤2)，基于容量持留风险理论，根据步骤1)采集的现货市场运营数据，建立容量持留识别指标集合。所述容量持留机组相应特征包括高出清价格、机组高报价、高中标率，所述容量持留识别指标集合包括机组平均报价、机组高报价比率、机组高报价比率变化率、机组中标率、机组中标率变化率、机组持留比率。

定义机组平均报价为机组在现货市场中有效报价段中各段的申报电价与申报容量的乘积之和除以两台机组总的有效容量，其中机组平均报价的计算公式如下：

式中，

机组高报价比率定义为机组报价到达高报价水平的段数占机组该次报价总段数的比例，其计算公式为：

式中，R

机组高报价比率变化率定义为当前周期机组高报价比率与过去周期机组高报价比率的差值与过去时刻机组高报价比率的比值，其计算公式为：

式中，RR

机组中标率定义为机组的中标总电量与其申报总电量的比值，其计算公式为：

式中，WR

机组中标率变化率定义为当前时刻机组中标率与过去时刻机组中标率的差值与过去时刻机组中标率的比值，其计算公式为：

式中，WRR

机组持留比率定义为发电机组可申报电量与实际申报电量之差占发电机组可申报电量的比值，可用下式计算：

式中，W

对指标数据进行同向化处理，即所有指标均转化为数值越大，机组容量持留可能性越大的指标；再采用极值标准化法对所有同向化指标进行归一化处理。采用相关系数对容量持留判别指标集合中两两指标进行相关系数的计算，并设定相关系数阈值，从超出阈值的最大相关系数对应的指标进行筛选，更新指标集合,筛选出风险监测阶段异常机组集合。

步骤3)、利用电力现货市场运营数据和风险监测阶段的监测结果获得建立容量持留识别指标集合行为特性，建立容量持留机组行为识别指标体系，对步骤2)中的建立容量持留识别指标集合进行风险识别。所述容量持留机组行为特征包括高报价、低中标率，所述容量持留机组行为识别指标体系包括机组平均报价、机组高报价比率、机组高报价比率变化率、机组中标率、机组持留比率、机组中标率变化率。

步骤4)、基于SVM算法和朴素贝叶斯算法，分别对容量持留机组的高报价和低中标率特征建立电力现货市场容量持留机组识别模型，对数据进行预处理；包括对等报价串谋机组识别指标依次进行的数据同向化处理、归一化化处理和指标相关性处理，并筛选指标；数据归一化处理采用Min-max法对各容量持留机组识别指标进行数据形式处理；识别指标筛选处理的为：对数据一致化处理后的等报价串谋机组识别指标，采用因子分析法计算相关矩阵，以此进行指标筛选；具体内容为：

步骤41)梳理新型电力系统下电力市场容量持留机组的风险行为并提取相应指标：

步骤42)基于SVM算法对容量持留机组的高报价特性进行风险识别，具体地：

步骤421)基于高报价特性特征提取相应指标；

步骤422)结合电力现货市场的实际运营情况，构建容量持留机组的样本和训练识别模型的训练集，其表达式为：

{(x

式中，l为训练集样本数量,x

步骤423)通过训练集对SVM识别模型进行训练优化，其表达式为：

Subject to:y

δ

式中，ω、b为超平面公式参数；δ

步骤424)通过拉格朗日对偶原理,分别对SVM识别模型中的ω、b和δ

C≥λ

步骤424)求出识别模型最优解λ

ω

步骤426)获得最终的SVM算法的函数，具体为：

f(X)＝sign(ω

计算得出容量持留机组在高报价特性下的异常分值S

步骤43)基于朴素贝叶斯算法对电力现货市场中容量持留机组低中标特性进行风险识别，具体地：

步骤431)基于低中标特性特征提取相应指标；

步骤432)结合电力现货市场的实际运营情况，构建容量持留机组的样本和训练识别模型的训练集，其表达式为：

{(x

式中，l为训练集样本数量,x

步骤433)统计训练集中各类指标的均值

计算P(X＝x

步骤434)基于各类指标相互独立的情况下，获得最终的朴素贝叶斯算法的函数，具体为：

步骤435)计算得出容量持留机组在低中标特性下的异常分值Sw2。

步骤44)基于动态加权法计算异常分值S

S

式中，SW1、SW2分别为高报价视角下、低中标率视角下的异常分值。w

步骤45)根据机组的异常分值S

步骤5)，根据现货市场中煤电机组的机组特征，对步骤4)中异常机组集合中的煤电机组进行异常分值修正，并分析处理，得到容量持留煤电机组集合。具体内容为：

步骤51)根据考察周期内风险识别阶段机组的异常分值S

步骤52)基于煤电机组的灵活性差别特征构建推理分析指标，并对指标进行模糊分类处理；具体地：

步骤521)选取体现煤电机组灵活性的指标：煤电机组调节速率和煤电机组响应时间；

步骤522)煤电机组调节速率与机组的运行工况、调节方向有关，直接反映了煤电机组的调节能力大小，煤电机组调节速率越大，煤电机组的灵活性越强，出现容量持留行为的可能性越高。

步骤523)机组调节容量为煤电机组在正常运行状态下，机组输出功率的稳定调节范围，调节容量越大，机组灵活性越强，出现容量持留行为的可能性越高。

步骤53)结合煤电机组在灵活性方面的指标数据，计算灵活性修正因子，对风险分析阶段煤电机组的异常分值进修正。

步骤54)对修正之后的煤电机组异常分值进行分析处理，得出分线修正阶段的容量持留煤电机组集合。

步骤6)，根据现货市场中新能源机组的机组特征，对步骤5)中异常机组集合中的新能源机组进行异常分值修正，并分析处理，得到容量持留新能源机组集合。具体内容为：

步骤61)根据考察周期内风险识别阶段机组的异常分值S

步骤62)基于新能源机组的发电不确定性差别特征构建推理分析指标，并对指标进行模糊分类处理；具体地：

步骤621)选取体现新能源机组发电不确定性的指标：新能源机组发电预测准确率和新能源机组交易执行偏差值；

步骤622)新能源机组发电预测准确率与新能源机组的实际出力、预测出力有关，直接反映了机组的履约能力，新能源机组发电预测准确率越大，机组的不确定性越低，出现容量持留行为的可能性越低。

步骤63)结合新能源机组在发电不确定性方面的指标数据，计算发电不确定性修正因子，对风险分析阶段新能源机组的异常分值进修正。

步骤64)对修正之后的新能源机组异常分值进行分析处理，得出分线修正阶段的容量持留新能源机组集合。

步骤7)，将步骤5)及步骤6)中的异常煤电机组集合和异常新能源机组集合进行合并，从历史表现再次进行异常分值修正，进行筛选，最终得到风险分析阶段的容量持留组机组集合，从而识别出市场中的容量持留机组。

本发明有益效果：

一、本发明考虑到电力市场交易行为复杂、多样化的特点。用SVM算法和朴素贝叶斯算法构建实现识别模型，对样本数据二类识别和可能性分析有着明显优势，识别容量持留机组的准确率高；

二、本发明利用深度学习方法获取电力现货市场数据本身的容量持留机组相应特征，相比于传统主观的风险评估方法，本发明方法的识别结果更加客观、准确；

三、相比于传统容量持留方法，本发明通过多视角识别，通过提取容量持留机组的行为特征，采取多视角综合评估，可以大大增加识别效果，提高识别结果的可行度和准确度；

四、本发明针对新型电力系统下的电力市场容量持留机组的识别，传统识别方法只针对于煤电机组，无法有效地凸显出新型电力系统下电力市场中煤电机组和新能源机组在容量持留的差异性。本文对煤电机组和新能源机组进行共性分析；同时还对两者进行单独分析，有效地提高了了煤电机组和新能源机组在容量持留上识别准确度，可以为市场监管机构提供了可信的数据支持和可靠的决策依据。

附图说明

图1为实施例中电力现货市场等报价串谋机组识别方法的流程示意图。

具体实施方式

根据权利要求所包含的内容举例说明

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例1，如图1所示，本发明涉及一种新型电力系统下现货市场容量持留机组，识别方法。具体包括如下步骤：

步骤1)、采集数据步骤：通过电力市场运营数据支持系统，采集电力现货市场数据信息。采集信息包含市场整体信息、机组基本信息、市场交易信息及历史信用信息。

其中：所述市场整体信息包括各市场交易规则、输配电价、相关法律法规、新能源机组占比和市场整体用电量。

所述机组基本信息包括机组所属集团、机组类型、机组发电装机容量、机组调频能力、企业变更信息和相关法律法规。

所述市场交易信息包括机组申报信息、机组预出清交易结果信息、机组历史交易结果信息、市场结算价格和燃料供应情况。

所述历史信用信息包括机组历史信用情况、合同履约及电量偏差执行情况、机组违规记录及处罚记录。

步骤2)、风险监测阶段步骤：建立容量持留识别指标集合。所述容量持留机组相应特征包括高出清价格、机组高报价、高中标率，所述容量持留识别指标体系包括机组平均报价、机组高报价比率、机组高报价比率变化率、机组中标率、机组中标率变化率、机组持留比率。

定义机组平均报价为机组在现货市场中有效报价段中各段的申报电价与申报容量的乘积之和除以两台机组总的有效容量，其中机组平均报价的计算公式如下：

式中，

机组高报价比率定义为机组报价到达高报价水平的段数占机组该次报价总段数的比例，其计算公式为：

式中，R

机组高报价比率变化率定义为当前周期机组高报价比率与过去周期机组高报价比率的差值与过去时刻机组高报价比率的比值，其计算公式为：

式中，RR

机组中标率定义为机组的中标总电量与其申报总电量的比值，其计算公式为：

式中，WR

机组中标率变化率定义为当前时刻机组中标率与过去时刻机组中标率的差值与过去时刻机组中标率的比值，其计算公式为：

式中，WRR

机组持留比率定义为发电机组可申报电量与实际申报电量之差占发电机组可申报电量的比值，可用下式计算：

式中，W

步骤3)、建立识别指标库后，需要处理步骤S1获得的电力现货市场数据中的错误数据与缺失数据，对于错误数据，删除错误数据并用相邻数据均值代替，对于缺失数据，利用相邻数据均值代替，；其次，计算各指标；然后，对指标进行无量纲处理、一致化处理；最后，筛选指标，得到标准化数据。

数据预处理包括无量纲、一致化、指标筛选方法，其中：

无量纲方法的目的在于解决指标数据无法比较的问题，采用极值处理法统一各指标的数据形式，计算公式如下：

式中，X

一致化方法目的在于在解决各类指标性质差异问题，将各类不同性质的指标进行一致化处理，转化为数值越大越好的正指标，得到标准化指标，示例如下：

若指标是极小型，为了转化为极大型指标，对X

式中，X

指标筛选方法对指标进行关联性分析和重要性分析，分析指标间的相关性，相关性较高的指标可以根据指标对结果的重要程度进行选择，相关性分析的计算方法如下式所示：

式中，r

设置相关度阈值，设定相关系数的阈值，从超出阈值的最大相关系数对应的指标进行筛选，可去除任一指标，更新指标集合。

根据均数原则设定机组机组平均报价、机组高报价比率、机组高报价比率变化率这3项指标的阈值分别为该指标数据的平均值。当某台机组的指标数据超过其指标的阈值时，该机组则被设定为风险监测阶段的异常机组，放入异常机组集合GW。

步骤4)、风险分析阶段步骤：基于SVM算法和朴素贝叶斯算法，分别对容量持留机组的高报价和低中标率特征建立电力现货市场容量持留机组识别模型。具体内容为：

基于容量持留机组的风险行为特征提取相应指标：

基于SVM算法对电力现货市场中容量持留机组的高中标特性进行风险识别，具体地：

基于高报价特性的识别指标，结合电力现货市场的实际运营情况，构建容量持留机组的样本和训练识别模型的训练集，其表达式为：

{(x

式中，l为训练集样本数量,x

通过训练集对SVM识别模型进行训练优化，其表达式为：

Subject to:y

δ

式中，δ

通过拉格朗日对偶原理,分别对SVM识别模型中的ω、b和δ

C≥λ

求出最优解λ

ω

获得最终的SVM算法的函数，具体为：

f(X)＝sign(ω

计算得出容量持留机组在高报价特性下的异常分值Sw1。

基于朴素贝叶斯算法对电力现货市场中容量持留机组的低中标特性进行风险识别，具体地：

基于低中标特性的识别指标，结合电力现货市场的实际运营情况，构建容量持留机组的样本和训练识别模型的训练集，其表达式为：

{(x

统计训练集中各类指标的均值

计算P(X＝x

基于各类指标相互独立的情况下，获得最终的朴素贝叶斯算法的函数，具体为：

计算得出容量持留机组在低中标特性下的异常分值Sw2。

基于动态加权法计算异常分值SW，其计算公式如下：

S

根据机组的异常分值SW进行筛选，更新异常机组集合GW。

步骤5)、煤电机组风险修正阶段步骤：基于煤电机组灵活性特征指标对步骤三中的煤电机组异常分值进行修正，从而筛选出风险修正阶段的异常煤电机组集合。具体流程包括：

根据考察周期内风险识别阶段机组的异常分值SW计算机组的周期异常分值SWA(本文以月为例，即月平均异常分值)；

选取体现煤电机组灵活性的指标：机组调节速率和机组响应时间.

机组调节速率与机组的运行工况、调节方向有关，直接反映了机组的调节能力大小，机组调节速率越大，机组的灵活性越强，出现容量持留行为的可能性越高。统计市场中所有机组的指标，根据市场的具体情况，选取上四分位数、中位数、下四分位数分别为m1、m2、m3。指标值在[0，m1]、(m1，m2]、(m2，m3]、(m3，+∞)之间的模糊等级分别为小、较小、较大、大。

机组调节容量为煤电机组在正常运行状态下，机组输出功率的稳定调节范围，调节容量越大，机组灵活性越强，出现容量持留行为的可能性越高。统计市场中所有机组的指标，根据市场的具体情况，选取上四分位数、中位数、下四分位数分别为n1、n2、n3。指标值在[0，n1]、(n1，n2]、(n2，n3]、(n3，+∞)之间的模糊等级分别为小、较小、较大、大。

结合煤电机组在灵活性方面的指标数据，计算灵活性修正因子，对风险分析阶段煤电机组的异常分值进修正；灵活性指标包括机组调节速率和机组调节容量，指标越大，机组的灵活性越大，对应灵活性修正因子越大，则指标与修正因子之间的关系为正向型，选取隶属度函数如下：

其中，Z1为机组的灵活性修正因子；a1、b1为待定系数；当机组电价偏离程度分别为小、较小、较大、大时，x1可分别取1、2、3、4；当机组收入偏离程度分别为小、较小、较大、大时，x2可分别取1、2、3、4。

风险修正阶段异常煤电机组筛选，具体算法如下：

利用煤电机组灵活性修正因子，结合机组识别阶段机组异常分值SWA,得到煤电机组风险修正阶段异常分值SPA；

输入机组的月平均异常分值SWA，若异常分值SWA小于Abns2，计算该台机组的行使动机修正因子Z1，更新SWA＝Z1SWA，转S432；反之，确定该机组为异常机组，推理结束。

再次对SWA进行判断，若大于Abns1且小于Abns2，则计算该台机组的行使条件修正因子Z2，更新SWA＝Z2SWA，转S433；若SWA大于等于Abns2，则确定该机组为异常机组，结束推理；若SWA小于等于Abns1，则认为该机组不是异常机组，结束推理。

再次对SWA进行判断，若SWA大于Abns1且小于Abns2，则计算该台机组的历史表现修正因子Z3，更新SWA＝Z3SWA，转S434；若SWA大于等于Abns2，则确定该机组为异常机组，结束推理；若SWA小于等于Abns1，则认为该机组不是异常机组，结束推理。

若异常分值SWA小于Abns2，则认为该机组不是异常机组，结束推理；反之，则该机组确定为异常机组，结束推理。

步骤6)、新能源机组风险修正阶段步骤：基于新能源机组不确定性特征指标对步骤三中的新能源机组异常分值进行修正，从而筛选出风险修正阶段的异常新能源机组集合。具体流程包括：

根据考察周期内风险识别阶段机组的异常分值Sw，计算机组的周期异常分值SpB(本文以月为例，即月平均异常分值)；

选取体现新能源机组发电不确定性的指标：新能源机组发电预测准确率和新能源机组交易执行偏差值；

新能源机组发电预测准确率与新能源机组的实际出力、预测出力有关，直接反映了机组的履约能力，新能源机组发电预测准确率越大，机组的不确定性越低，出现容量持留行为的可能性越低。

结合新能源机组在发电不确定性方面的指标数据，与灵活性修正因子同理，计算发电不确定性修正因子，对风险分析阶段新能源机组的异常分值进修正。

与修正阶段煤电机组处理方法类似，对修正之后的新能源机组异常分值SPB进行分析处理，得出风险修正阶段的容量持留新能源机组集合。

步骤7)、将步骤5)及步骤6)中的异常煤电机组集合和异常新能源机组集合进行合并，从历史表现再次进行异常分值修正，并最终识别市场容量持留机组。

历史表现阶段的指标为综合信用情况,信用等级越好，机组的历史表现越好。

信用等级分为AAA、AA、A、BBB、BB、B、CCC、CC、C、D；其中AAA、AA模糊处理后为好，A、BBB模糊处理后为较好，BB、B、CCC模糊处理后为较差，CC、C、D模糊处理后为差。

基于修正因子处理方法，得到历史表现修正因子，对机组的异常分值进行修正，并设定阈值，最终识别出现货市场容量持留机组集合，认定这些机组为容量持留机组。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。