CN110826935B - 一种基于机器学习的中长期电力市场风险评估方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的中长期电力市场风险评估方法，收集电力市场风险相关数据、系统运行约束条件数据、报价数据；根据获取的数据，建立中长期电力市场风险评估指标体系，对中长期电力市场中出现典型风险事件的危害程度进行定量分析，根据总危害量的大小进行划分；使用德尔菲法对获得的数据进行数据评估，获得中长期电力市场风险评估数据；基于机器学习进行中长期电力市场风险进行评估，建立针对中长期电力市场风险的通用综合评估模型，根据已有的市场风险评估数据进行学习建立学习机；反馈建立的中长期市场风险评估学习机计算结果，对中长期市场风险进行评估。本发明可以为市场运营人员提供有效的风险预警作用。

Description

一种基于机器学习的中长期电力市场风险评估方法

技术领域

本发明属于电力市场技术领域，具体涉及一种基于机器学习的中长期电力市场风险评估方法。

背景技术

电力行业作为国计民生的基础行业，电力供应的安全稳定成为该行业的重中之重。在电力交易中引入竞争机制，建立电力市场，随着电力市场改革在逐步有序向前推进，在给电力交易各参与者带来机会的同时也带来了一系列的风险，对社会和经济发展产生严重影响，并给各参与者带来巨大的损失。

通常电力市场风险是指在各种不确定性因素的共同作用下，市场参与主体在一定时间和环境内产生损失的概率和可能损失的程度。电力市场中的风险存在于生产、输送、交易、消费等各个环节，影响各种资源在电力市场中的流动和分配，有着强大的杠杆作用。由于电力这一商品的特殊属性，电力市场的风险一般具有高度的不确定性、损益双重性和可统计性等的鲜明特征。主要体现在以下几点：

1)中长期电力市场风险产生具有高度不确定性。电力市场的主体面对着诸多的不确定性因素，如电力体制改革政策的不确定性、能源价格的不确定性、经济危机的不确定性等等，这些因素都会带来一定的风险。

2)中长期电力市场风险规律具有可统计性。电力市场的风险从总体看会在统计上表现出一定的规律，可以借助数学工具来表示风险发生的概率和程度，构造出风险分布模型，从而对风险进行量化，比如CVaR法。

3)中长期电力市场风险性质具有损益双重性。风险既是威胁也是机会，这是由于风险可能发生带来损失，也可能不发生带来收益。风险蕴含的机会促使企业进行各种生产经营活动，可能的损失会引起企业的警觉，从而采用各种手段规避或分散风险。比如电网和发电侧分离，机会是激励双方提高生产和管理效率，风险是提高了交易成本。

因此对市场进行合理的风险评估，建设完善的风险管理制度和科学的风险管理理念，是电力市场可以安全稳定运行、实现电力市场最佳的社会效益和经济效益的保证。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于机器学习的中长期电力市场风险评估方法，基于机器学习方法，能为新形势下对中长期电力市场风险评估提供依据。

本发明采用以下技术方案：

一种基于机器学习的中长期电力市场风险评估方法，包括以下步骤：

S1、收集电力市场风险相关数据、系统运行约束条件数据、报价数据；

S2、根据步骤S1获取的数据，建立中长期电力市场风险评估指标体系，对中长期电力市场中出现典型风险事件的危害程度进行定量分析，根据总危害量的大小进行划分；

S3、使用德尔菲法对步骤S1获得的数据进行数据评估，获得中长期电力市场风险评估数据；

S4、基于机器学习进行中长期电力市场风险进行评估，建立针对中长期电力市场风险的通用综合评估模型，根据已有的市场风险评估数据进行学习建立学习机；

S5、反馈步骤S4建立的中长期市场风险评估学习机计算结果，对中长期市场风险进行评估。

具体的，步骤S1中，电力市场风险相关数据包括电力市场历史交易电量Q、电价数据ρ；市场各类用户报价数据Q_u,报量数据P_u；电力市场负荷历史数据L；市场新能源出力数据P_N；各类用户信用数据I；系统运行约束条件数据包括常规机组GenBoun、水电机组HBound、新能源机组RBound；支路潮流容量限制FlowBound；报价数据包括常规机组Bid_C、水电机组Bid_H、新能源机组Bid_R。

具体的，步骤S2中，对中长期电力市场中出现典型风险事件的危害程度进行划分如下：

1>S≥0.7，风险等级为正常；0.7>S≥0.5，风险等级为黄色预警；0.5>S≥0.3，风险等级为橙色预警；S<0.3，风险等级为红色预警。

具体的，步骤S3中，中长期电力市场风险评估数据包括中长期市场主体交易风险、中长期市场不确定性风险和中长期市场信用风险，平均超额损失F_β(x,α)为：

其中，β是置信度，f(x,y)是损失函数，x是投资组合，y是市场的随机因素，p(y)是联合概率密度，α是损失阈值。

进一步的，中长期市场主体交易风险包括购电主体风险指标(x1)；发电企业风险指标(x2)；大用户直购电风险指标(x3)；电网企业风险指标(x4)；新能源发电企业风险指标(x5)；

中长期市场不确定性风险包括电价波动风险指标(x6)；电量波动风险指标(x7)；负荷预测风险指标(x8)；新能源出力不确定风险指标(x9)；

中长期市场信用风险包括购电企业信用风险指标(x10)；发电企业信用风险指标(x11)；企业市场规模风险指标(x12)；用户欠费风险指标(x13)；市场力风险指标(x14)。

具体的，步骤S4具体为：

S401、根据步骤S3获得的中长期电力市场风险评估的指标X，对样本数据去中心化，使用主成分分析法对数据进行预处理，分析数据内在的关联，提取信息的主成分，使数据维度下降；

S402、使用机器学习中支持向量回归的方法，使用结构化来提高泛化能力，建立中长期电力市场风险评估学习机；

S403、使用中长期电力市场风险评估学习机对步骤S3得到市场风险评估数据进行评估，并根据结果误差修正参数。

进一步的，步骤S401中，使用主成分分析法对数据进行预处理，具体为：

s.t.W^TW＝1

其中，W＝(W1,W2,…,Wn)为各个风险指标的待定权重，X＝(x1,x2,…,x14)为中长期电力市场风险评估指标数据，T为对变量进行转置，样本点x_i在新坐标系下的投影为z_i＝(z_i1；z_i2；...；z_id')，提取后的中长期电力市场特征向量

进一步的，步骤S402中，设可允许的f(x)与y的误差至多为误差∈，目标函数为最小化误差：

其中，ω为降维后的数据，x_i为中长期市场风险指标数据，y_i为中长期市场风险等级，f(x_i)为学习机所算得中长期市场风险指标x_i等级，∈为设定的误差，z为指标误差，C为正则化系数。

进一步的，步骤S403中，根据结果误差修正参数，具体为：

其中，σ为选定误差，σ＞0，x_i，x_j为不同的中长期市场风险指标数据，k(x_i,x_j)为高斯核函数。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于机器学习的中长期电力市场风险评估方法，从中长期电力市场的运营者风险角度出发，分析该电力市场运营过程中市场波动不稳定的风险，主要考察的是中长期电力市场的稳定性和效率。此外，传统的电力市场风险评估主要采用的是邀请专家对市场数据进行评估分析，需要耗费大量的人力物力，并且具有一定的主观性。或者使用风险评估函数对大量的市场数据进行采样，分析该市场下的市场风险情况，效率较低且不具有权威性。本发明基于上述缺陷，同时考虑专家评估数据和中长期电力市场实际运行时产生的数据，采用机器学习的方法进行数据训练产生学习机，可以高效公平权威的对电力市场的运营风险进行评估。且本发明建立了中长期电力市场指标体系，可以为有效识别整体中长期市场运行风险提供依据。

进一步的，原始数据以实际中长期电力双边市场为标准进行设计，便于原始数据的直接获取，该部分数据设计遵循中长期电力市场中的风险的产生来源，将中长期电力市场风险运营风险分为市场主体交易风险，市场不确定性风险，市场信用风险，市场安全风险。在该四类进行总结，得到中长期电力市场风险指标数据。

进一步的，中长期风险危险等级的划分遵循客观性原则，给与德尔菲法足够的设置空间。

进一步的，设置的中长期电力市场风险指标数据，数据维度较大对于后续使用支持向量回归分析产生误差，使用主成分分析法对数据进行降维处理可以分析不同数据之间的耦合关系，并且提高数据分析的准确度。

进一步的，支持向量算法对于数据量要求较低，并且避免数据过拟合的情况，可以准确得出各个中长期市场风险指标对于该中长期市场风险影响权重。

综上所述，本发明综合考虑了中长期电力市场各个方面可能出现的风险情况，对中长期市场运营风险构建了评估指标体系，并提出中长期电力市场风险的评估方法，可以为市场运营人员提供有效的风险预警作用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明流程示意图。

具体实施方式

本发明提供了一种基于机器学习的中长期电力市场风险评估方法，适用于对现行中长期电力市场进行分析并给与市场管理人员于预警。对比现有的分中长期电力市场风险评估方法，耗费了大量的人力物力，本发明通过对以往数据进行采样分析，进行数据挖掘形成模型，能够克服现有方法繁琐、不够透明、不易理解、实用性不强的特点，实现快速、有效地市场风险等级评估。通过本发明提出的中长期电力市场风险评估方法能够确定该电力市场各项评估指标数据，最后训练得出电力市场的整体风险，较为高效公平权威。

请参阅图1，本发明一种基于机器学习的中长期电力市场风险评估方法，包括以下步骤：

S1、从相关部门获得电力市场风险相关数据、系统运行约束条件数据、报价数据；

电力市场风险相关数据包括：

电力市场历史交易电量Q、电价数据ρ；市场各类用户报价数据Q_u,报量数据P_u；电力市场负荷历史数据L；市场新能源出力数据P_N；各类用户信用数据I。

系统运行约束条件数据包括：

各发电机组出力上下限值：常规机组GenBound、水电机组HBound、新能源机组RBound；支路潮流容量限制FlowBound。

报价数据包括：

发电机24个时段的报价信息：常规机组Bid_C、水电机组Bid_H、新能源机组Bid_R。

S2、建立中长期电力市场风险评估指标体系，对中长期电力市场中出现典型风险事件的危害程度进行定量分析，根据总危害量S的大小进行划分如下：

1>S≥0.7，则风险等级为正常；

0.7>S≥0.5，则风险等级为黄色预警；

0.5>S≥0.3，则风险等级为橙色预警；

S<0.3，则风险等级为红色预警。

S3、将由步骤S1获得的电力市场风险相关的数据，系统约束条件数据使用德尔菲法进行数据评估，获得中长期电力市场风险评估数据；

中长期市场主体交易风险包括：

购电主体风险指标(x1)；发电企业风险指标(x2)；大用户直购电风险指标(x3)；电网企业风险指标(x4)；新能源发电企业风险指标(x5)；

中长期市场不确定性风险包括：

电价波动风险指标(x6)；电量波动风险指标(x7)；负荷预测风险指标(x8)；新能源出力不确定风险指标(x9)；

中长期市场信用风险包括：购电企业信用风险指标(x10)；发电企业信用风险指标(x11)；企业市场规模风险指标(x12)；用户欠费风险指标(x13)；市场力风险指标(x14)；

各指标体系数据按照CVaR方法进行计算：

其中，F是平均超额损失，β是置信度，f(x,y)是损失函数，x是投资组合，y是市场的随机因素，例如市场收益率，p(y)是联合概率密度，α是损失阈值。

S4、基于机器学习进行中长期电力市场风险进行评估，建立针对中长期电力市场风险的通用综合评估模型，根据已有的市场风险评估数据进行学习建立学习机；

S401、根据步骤S3获得的中长期电力市场风险评估的指标X，d＝14，x＝{x1,x2,…,x14}，对样本数据去中心化，

使用主成分分析法对数据进行预处理，分析数据内在的关联，提取信息的主成分，使数据维度下降，简化体系数据维度；

主成分分析法：

s.t.W^TW＝1

其中：样本点x_i在新坐标系下的投影为z_i＝(z_i1；z_i2；...；z_id')，提取后的中长期电力市场特征向量

S402、使用机器学习中支持向量回归的方法，使用结构化来提高泛化能力，建立中长期电力市场风险评估学习机；

设可允许的f(x)与y的误差至多为误差∈，SVR问题形式化为：

原始数据集共收集中长期市场m个时期的14个指标数据构成该数据集，具体为：

D＝{(x₁₁,x₁₂,...,x_1n,y₁),(x₂₁,x₂₂,...,x_2n,y₂),...,(x_m1,x_m2,...,x_mn,y_m)

其中，ω为降维后的数据，x_i为中长期市场风险指标数据，y_i为中长期市场风险等级，f(x_i)为学习机所算得中长期市场风险指标x_i等级，∈为设定的误差，z为指标误差，C为正则化系数(惩罚因子)，为设置的误差容忍度即软间隔，默认使用高斯核函数，可根据选取不同的核函数；调节软间隔大小和正则化系数大小进行参数调节至误差最小。

S403、使用中长期电力市场风险评估学习机对步骤S3得到市场风险评估数据进行评估，并根据结果误差修正参数。

模型评估：计算结果对参数进行调整

其中，σ为选定误差，σ＞0，x_i，x_j为不同的中长期市场风险指标数据，k(x_i,x_j)为高斯核函数。

S5、将上述中长期市场风险评估学习机计算结果反馈给相关部门，进而对中长期市场风险进行评估。

中长期电力双边市场运营管理人员根据对需要进行风险评估的市场进行数据采集，从参与市场主体的风险、市场存在的不确定性风险、市场信用风险和市场安全风险进行各类风险指标进行数据采集。将采集到的数据输入中长期市场评估模型中可以得到该市场实际风险等级，为市场提供风险预警作用。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

表1支持向量机计结算结果对比+

选取某中长期电力市场按照本方法进行风险评估，原始数据为专家评委进行的中长期市场评估得分，输出数据为使用本中长期风险评估模型算出的市场风险评估得分。分析误差可以得出该方法具有较高的准确率，可以为市场运营管理人员提供风险预警功能。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (3)

1.一种基于机器学习的中长期电力市场风险评估方法，其特征在于，包括以下步骤：

S1、收集电力市场风险相关数据、系统运行约束条件数据、报价数据；

S2、根据步骤S1获取的数据，建立中长期电力市场风险评估指标体系，对中长期电力市场中出现典型风险事件的危害程度进行定量分析，根据总危害量的大小进行划分；

S3、使用德尔菲法对步骤S1获得的数据进行数据评估，获得中长期电力市场风险评估数据，中长期电力市场风险评估数据包括中长期市场主体交易风险、中长期市场不确定性风险和中长期市场信用风险，平均超额损失F_β(x,α)为：

其中，β是置信度，f(x,y)是损失函数，x是投资组合，y是市场的随机因素，p(y)是联合概率密度，α是损失阈值；

中长期市场主体交易风险包括购电主体风险指标(x1)；发电企业风险指标(x2)；大用户直购电风险指标(x3)；电网企业风险指标(x4)；

中长期市场不确定性风险包括电价波动风险指标(x6)；电量波动风险指标(x7)；负荷预测风险指标(x8)；新能源出力不确定风险指标(x9)；

中长期市场信用风险包括购电企业信用风险指标(x10)；发电企业信用风险指标(x11)；企业市场规模风险指标(x12)；用户欠费风险指标(x13)；市场力风险指标(x14)；

S4、基于机器学习进行中长期电力市场风险进行评估，建立针对中长期电力市场风险的通用综合评估模型，根据已有的市场风险评估数据进行学习建立学习机，步骤S4具体为：

S401、根据步骤S3获得的中长期电力市场风险评估的指标X，对样本数据去中心化，使用主成分分析法对数据进行预处理，分析数据内在的关联，提取信息的主成分，使数据维度下降，使用主成分分析法对数据进行预处理，具体为：

s.t.W^TW＝1

其中，W＝(W1,W2,…,Wn)，为各个风险指标的待定权重，X＝(x1,x2,…,x14)，为中长期电力市场风险评估指标数据，T为对变量进行转置，样本点x_i在新坐标系下的投影为z_i＝(z_i1；z_i2；...；z_id')，提取后的中长期电力市场特征向量

S402、使用机器学习中支持向量回归的方法，使用结构化来提高泛化能力，建立中长期电力市场风险评估学习机，设可允许的f(x)与y的误差至多为误差∈，目标函数为最小化误差：

其中，ω为降维后的数据，x_i为中长期市场风险指标数据，y_i为中长期市场风险等级，f(x_i)为学习机所算得中长期市场风险指标x_i等级，∈为设定的误差，z为指标误差，C为正则化系数；

S403、使用中长期电力市场风险评估学习机对步骤S3得到市场风险评估数据进行评估，并根据结果误差修正参数，根据结果误差修正参数，具体为：

其中，σ为选定误差，σ＞0，x_i，x_j为不同的中长期市场风险指标数据，k(x_i,x_j)为高斯核函数；

S5、反馈步骤S4建立的中长期市场风险评估学习机计算结果，对中长期市场风险进行评估。

2.根据权利要求1所述的基于机器学习的中长期电力市场风险评估方法，其特征在于，步骤S1中，电力市场风险相关数据包括电力市场历史交易电量Q、电价数据ρ；市场各类用户报价数据Q_u,报量数据P_u；电力市场负荷历史数据L；市场新能源出力数据P_N；各类用户信用数据I；系统运行约束条件数据包括常规机组GenBound、水电机组HBound、新能源机组RBound；支路潮流容量限制FlowBound；报价数据包括常规机组Bid_C、水电机组Bid_H、新能源机组Bid_R。

3.根据权利要求1所述的基于机器学习的中长期电力市场风险评估方法，其特征在于，步骤S2中，对中长期电力市场中出现典型风险事件的危害程度进行划分如下：

1>S≥0.7，风险等级为正常；0.7>S≥0.5，风险等级为黄色预警；0.5>S≥0.3，风险等级为橙色预警；S<0.3，风险等级为红色预警。

Images