CN117196696B - 一种基于市场供需关系和机组行为的电价预测方法 - Google Patents
一种基于市场供需关系和机组行为的电价预测方法 Download PDFInfo
- Publication number
- CN117196696B CN117196696B CN202311461492.XA CN202311461492A CN117196696B CN 117196696 B CN117196696 B CN 117196696B CN 202311461492 A CN202311461492 A CN 202311461492A CN 117196696 B CN117196696 B CN 117196696B
- Authority
- CN
- China
- Prior art keywords
- thermal power
- power generation
- generation space
- supply
- demand
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000005611 electricity Effects 0.000 title claims abstract description 38
- 238000010248 power generation Methods 0.000 claims abstract description 127
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000012888 cubic function Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于市场供需关系和各机组开机意愿的价格预测方法。首先,获取火电企业所在市场下各电源类型的历史供需数据,计算市场每日的平均供需比;获取全网机组容量数据和历史停机数据,计算不同日平均供需比下每台机组的启停机的概率以及全网的启停机容量;获取火电企业所在市场下历史的火电竞争发电空间,得到历史真实的火电竞争发电空间;然后,获取历史的市场价格,绘制散点图,将散点图拟合成一条平滑的曲线;最后,获取预测日的火电竞争发电空间和日平均供需比,根据真实的发电空间,计算预测日的价格曲线,进行预测日的电价预测。本发明对价格预测的影响因素回归本质,通过大数据的分析方法,提高了价格预测的准确度。
Description
技术领域
本发明涉及火电企业电价预测技术领域,特别涉及一种基于市场供需关系和机组行为的电价预测方法。
背景技术
自我国开展电力市场化交易以来,交易规模逐步扩张,市场电比例逐年攀升,对于传统火电企业而言,随着市场电比例提升,原执行标杆电价/基准价的“计划电”部分占比缩小。其市场电部分的电价受电力供需及区域可再生能源比例等因素影响,普遍低于标杆电价/基准价,形成对下游用户的让利。而在当下的电力现货市场中,部分火电发电企业由于不能制定合理的市场化交易策略,导致企业利润下降。为了实现利润最大化的目标,火电企业制定交易策略必须要基于对自身成本的精准测算,时间精度要细化到短期甚至超短期来满足电力现货报价的需要。同时,由于不同试点区的市场规则差距较大,大型的火电发电企业还面临不同区域间策略协同的挑战。
现有技术中,通常情况下,电价预测都是指对市场的统一出清电价的预测。在系统不发生阻塞的情况下,各个地区的区域出清电价和市场统一出清电价是相同的。目前电价预测的方法有时间序列法、人工神经网络预测法、小波理论、灰色模型法、组合模型法,其中时间序列法不能考虑各种不确定因素对电价的影响,而BP神经网络方法存在易陷入局部最小,收敛性差等固有缺点。
因此,一种考虑实际市场区域及供求关系,基于实际市场规律下的火电企业电价预测方法,有着重要的实际应用意义。
发明内容
本发明所要解决的问题是:提供一种基于市场供需关系和机组行为的电价预测方法,基于实际市场规律,进行火电企业的电价预测。
本发明采用如下技术方案:一种基于市场供需关系和机组行为的电价预测方法,包括如下步骤:
步骤1:获取火电企业所在市场下各电源类型的历史供需数据,计算市场每日的平均供需比;
步骤2:获取全网机组容量数据和历史停机数据,计算不同日平均供需比下每台机组的启停机的概率以及全网的启停机容量;
步骤3:获取火电企业所在市场下历史的火电竞争发电空间,根据步骤2中计算的启停机容量,将历史火电竞争发电空间减去停机容量得到历史真实的火电竞争发电空间;
步骤4:获取历史的市场价格,将历史的真实火电竞争发电空间作为横坐标,历史的市场价格作为纵坐标,绘制成散点图;
步骤5:将步骤4中的散点图拟合成一条平滑的曲线,该曲线反映了火电竞争发电空间和市场价格的函数关系;
步骤6:获取预测日的火电竞争发电空间和日平均供需比,计算预测日供需比下的停机容量以及预测日真实的火电竞争发电空间,根据真实的发电空间和步骤5中的函数关系计算预测日的价格曲线,进行预测日的电价预测。
具体的,步骤1中,历史供需数据包括不同工作日、休息日和节假日的火电企业所在市场供需情况数据,并将每日分为若干数据点;计算得到的每日平均供需比数据集,包括,工作日的日平均供需比集合W,休息日的日平均供需比集合R,节假日的日平均供需比集合H;
供需比计算涉及火电企业所在市场的火电总容量、火电发电空间、检修机组容量、必停机组容量,计算方式如下:
火电可用容量=火电总容量-检修机组容量-必停机组容量;
供需比=火电可用容量/火电发电空间;
平均供需比=SUM(各数据点数的供需比)/数据点个数;
步骤2中,计算不同日平均供需比下每台机组的启停机的概率以及全网的启停机容量,包括如下子步骤:
S2.1、获取全网机组的容量数据和历史启停机数据;
S2.2、将历史启停机数据和步骤1中日平均供需比数据集一一对应,计算不同日平均供需比下,全网机组的日启机概率和停机概率;
S2.3、使用全网机组的停机概率乘全网机组的容量数据,得到在每个供需比况下全网的停机容量;得到新的数据集包括:工作日的停机容量集合M、休息日的停机容量集合L、节假日的停机容量集合N。
步骤3中,获取历史火电竞争发电空间,将历史火电竞争发电空间分为新的数据集,包括:工作日的火电竞争发电空间集合X、休息日的火电竞争发电空间集合Y、节假日的火电竞争发电空间集合Z;
与步骤2中得到的停机容量进行匹配,计算真实的火电竞争发电空间,得到单个供需比为情况下新的数据集,包括:
基于工作日、休息日、节假日不同供需比情况下,结合上述相应的全网的停机容量集合M、L、N,火电竞争发电空间集合X、Y、Z,计算真实的火电竞争发电空间,方法如下:
火电最小发电=(火电可用容量-停机容量)/2;
真实火电竞争发电空间 = 统调负荷+外送电-新能源发电-非市场化发电-火电最小发电;
其中,停机容量使用历史火电发电空间数据匹配得来;
计算步骤1中不同数据集下所有真实的火电竞争发电空间,得到新的工作日的真实火电竞争发电空间数据集O、休息日的真实火电竞争发电空间数据集P、节假日的真实火电竞争发电空间数据集Q。
步骤4中,根据不同的供需比,将历史的市场价格也分为工作日、休息日和节假日,使用步骤4中真实的火电竞争发电空间和历史的市场价格一一对应绘制散点图,所述散点图有类型包括:工作日的市场价格和火电竞争发电空间散点图、休息日的市场价格和火电竞争发电空间散点图、节假日的市场价格和火电竞争发电空间散点图。
步骤5中,使用三次函数拟合步骤4中的散点图,获取火电竞争发电空间和市场价格的函数关系,具体为使用最小二乘法拟合一个三次函数到给定的数据点,包括如下子步骤:
S5.1、收集数据:收集拟合的数据集,使用自变量x选择真实火电竞争发电空间,使用应变量y选择市场价格,选择三次函数的一般形式为:
f(x) = ax^3 + bx^2 + cx + d;
其中,a、b、c和d是需要确定的系数;
S5.2、建立方程:将上述三次函数的形式代入拟合方程,得到如下形式的拟合方程:
y = ax^3 + bx^2 + cx + d;
基于最小二乘法,定义损失函数如下:
Loss = Σ(y_i - (ax_i^3 + bx_i^2 + cx_i + d))^2;
其中,Σ表示对所有数据点求和,(x_i, y_i) 是数据点的坐标;
S5.3、求解系数:通过最小化损失函数来确定系数a、b、c和d的值,所述最小化损失函数通过梯度下降发或正规方程法来实现。
预测日的电价预测,包括如下子步骤:
S6.1、获取预测日的火电竞争发电空间,计算预测日的日平均供需比;
S6.2、计算预测日日平均供需比下的全网的停机容量,将火电竞争发电空间减去全网的停机容量,得到预测日真实的火电竞争发电空间;
S6.3、将预测日真实的火电竞争发电空间输入步骤5中的函数关系,计算得到预测日的价格曲线,根据拟合的三次函数,将预测日的真实火电竞价空间带入三次函数获取预测日的预测电价。
本发明技术方案还提供了:一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一所述的电价预测方法。
本发明技术方案还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述任一项电价预测方法中的步骤。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
电能量作为一种商品参与市场,其价格最重要的影响因素是供需关系,而各机组的开机意愿则会对市场的供需关系产生影响,本发明电价预测方法对价格预测的影响因素回归本质,通过大数据的分析方法,提高了价格预测的准确度。
附图说明
图1是本发明电价预测方法流程图;
图2是本发明火电竞争发电空间和市场价格散点图;
图3是本发明火电竞争发电空间和市场价格散点图拟合曲线。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对申请的技术方案做进一步地详尽阐述,所描述的实施例,也只是本发明所涉及实施例的一部分。本领域其他研究人员在该实施例上的所有非创新型实施例,都属于本发明的保护范围。同时对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明提供的基于市场供需关系和机组行为的电价预测方法,如图1所示,包括如下步骤:
步骤1:获取火电企业所在市场下各电源类型的历史供需数据,计算市场每日的平均供需比;
步骤2:获取全网机组容量数据和历史停机数据,计算不同日平均供需比下每台机组的启停机的概率以及全网的启停机容量;
步骤3:获取火电企业所在市场下历史的火电竞争发电空间,根据步骤2中计算的启停机容量,将历史火电竞争发电空间减去停机容量得到历史真实的火电竞争发电空间;
步骤4:获取历史的市场价格,将历史的真实火电竞争发电空间作为横坐标,历史的市场价格作为纵坐标,绘制成散点图;
步骤5:将步骤4中的散点图拟合成一条平滑的曲线,该曲线反映了火电竞争发电空间和市场价格的函数关系;
步骤6:获取预测日的火电竞争发电空间和日平均供需比,计算预测日供需比下的停机容量以及预测日真实的火电竞争发电空间,根据真实的发电空间和步骤5中的函数关系计算预测日的价格曲线,进行预测日的电价预测。
在本发明的一个具体实施例中,
步骤1:获取火电企业所在市场下历史的供需分析数据,一般一天有24点或者96点数据,本实施例中使用96点。
计算整个市场每日的平均供需比,供需比计算涉及火电总容量、火电发电空间、检修机组容量、必停机组容量等数据,计算方式如下:
火电可用容量=火电总容量-检修机组容量-必停机组容量;
供需比=火电可用容量/火电发电空间;
平均供需比=SUM(96点供需比)/96。
本实施例中,选取不同工作日、休息日和节假日的供需情况数据,如历史工作日有五天,休息日有两天,节假日作为特殊情况,那么典型的日平均供需比的数据类就有三类,将三类数据集设为三个集合,分别是集合W:工作日的日平均供需比,W={a1、a2、a3...}、集合R:休息日的日平均供需比,R={b1、b2、b3...}、集合H:节假日的日平均供需比,H={c1、c2、c3...}。
步骤2:获取全网机组容量数据和历史停机数据,计算不同日平均供需比下每台机组的启停机的概率以及全网的启停机容量。
获取全网机组的容量数据和历史启停机数据,将历史启停机数据和步骤一中三个数据集中的日平均供需比一一对应,如取两百个工作日的日平均供需比,假设:
在工作日且日平均供需比是a1且a1共出现15日的情况下,机组1启机9日,停机6日,可计算在日平均供需比为a1的情况下,机组1启机概率为60%,停机概率为40%;机组2启机12日,停机3日,可计算在日平均供需比为a1的情况下,机组2启机概率为80%,停机概率为20%;机组3启机15日,停机0日,可计算在日平均供需比为a1的情况下,机组3启机概率为100%,停机概率为0%,以此类推可计算全网机组在工作日且平均供需比是a1的情况下的启停机概率,使用全网机组的停机概率乘全网机组的容量数据可以得到在供需比a1的情况下全网的停机容量A1。
使用上述方式计算三个数据集中所有日平均供需比下全网机组的启停机概率和启停机容量。得到三个新的数据集,分别是集合M:工作日的停机容量,M={A1、A2、A3...}、集合L:休息日的停机容量,L={B1、B2、B3...}、集合N:节假日的停机容量,N={C1、C2、C3...}。
步骤3:获取火电企业所在市场下历史的火电竞争发电空间(24点或96点每天),根据步骤2中计算的启停机容量,将历史火电竞争发电空间减去停机容量得到历史真实的火电竞争发电空间
获取历史火电竞争发电空间,将历史火电竞争发电空间分为工作日、休息日和节假日,得到三个新的数据集,分别是集合X:工作日的火电竞争发电空间,X={d1、d2、d3...}、集合Y:休息日的火电竞争发电空间,Y={e1、e2、e3...}、集合Z:节假日的火电竞争发电空间,Z={f1、f2、f3...}。
与步骤2中计算得到的停机容量进行匹配,假设:
在工作日且供需比为a1的情况下,全网的停机容量为A1,火电竞争发电空间为d1,计算真实的火电竞争发电空间D1。同理,计算步骤1中数据集W下所有真实的火电竞争发电空间,得到新的数据集O,集合O:工作日的真实火电竞争发电空间,O={D1、D2、D3...}。
在休息日且供需比为b1的情况下,全网的停机容量为B1,火电竞争发电空间为e1,计算真实的火电竞争发电空间E1。同理,计算步骤1中数据集R下所有真实的火电竞争发电空间,得到新的数据集P,集合P:休息日的真实火电竞争发电空间,P={E1、E2、E3...}。
在节假日且供需比为c1的情况下,全网的停机容量为C1,火电竞争发电空间为f1,计算真实的火电竞争发电空间F1。同理,计算步骤1中数据集H下所有真实的火电竞争发电空间,得到新的数据集Q,集合Q:节假日的真实火电竞争发电空间,Q={F1、F2、F3...}。
步骤4:获取历史的市场价格(24点或96点每天),将历史的真实火电竞争发电空间作为横坐标,历史的市场价格作为纵坐标,绘制成散点图。
根据不同的供需比,将历史的市场价格也分为工作日、休息日和节假日,使用步骤四中真实的火电竞争发电空间和历史的市场价格一一对应绘制散点图,该散点图有三种类型,分别是工作日的市场价格和火电竞争发电空间散点图、休息日的市场价格和火电竞争发电空间散点图、节假日的市场价格和火电竞争发电空间散点图,如图2所示。
步骤5:将步骤4中的散点图拟合成一条平滑的曲线,该曲线反映了火电竞争发电空间和市场价格的函数关系。
根据实验,本实施例中,使用三次函数来拟合散点图,具体的,使用最小二乘法拟合一个三次函数到给定的数据点,方法如下:
(1)收集数据:首先,收集拟合的数据集,这里自变量x选择真实火电竞争发电空间,应变量y选择市场价格。
选择三次函数的形式:三次函数的一般形式为:f(x) = ax^3 + bx^2 + cx + d,其中a、b、c和d是需要确定的系数。
(2)建立方程:将三次函数的形式代入拟合方程,得到如下形式的拟合方程: y =ax^3 + bx^2 + cx + d
最小二乘法:定义一个损失函数: Loss = Σ(y_i - (ax_i^3 + bx_i^2 + cx_i+ d))^2
这里,Σ表示对所有数据点求和,(x_i, y_i) 是数据点的坐标。
(3)求解系数:通过最小化损失函数来确定系数a、b、c和d的值。这可以通过数值优化方法,如梯度下降或正规方程法来实现。
本实施例中拟合系数如下:
a=−4.53260975×10-9
b=2.69718516×10-5
c=−0.12914268
d=112.86275098
通过该方法得到的结果是最合适的,该结果下火电竞争发电空间和市场价格散点图拟合曲线结果如图3所示。
步骤6:获取预测日的火电竞争发电空间和日平均供需比,计算预测日供需比下的停机容量,将火电竞争发电空间减去停机容量,得到预测日真实的火电竞争发电空间,根据真实的发电空间和步骤5中的函数关系计算预测日的价格曲线。
本实施例中,根据曲线f(x) = −4.53260975×10-9x^3 +2.69718516×10-5x^2 -0.12914268x + 112.86275098,计算预测日的价格如下:
x = 20000.00, y = 10.63 x = 20869.57, y = 47.45 x = 21739.13, y =84.43 x = 22608.70, y = 121.67 x = 23478.26, y = 159.22 x = 24347.83, y =197.14 x =25217.39, y = 235.48 x = 26086.96, y = 274.29 x = 26956.52, y =313.62 x = 27826.09, y = 353.51 x = 28695.65, y = 394.02 x = 29565.22, y =435.18 x =30434.78, y = 477.04 x = 31304.35, y = 519.65 x = 32173.91, y =563.05 x = 33043.48, y = 607.29 x = 33913.04, y = 652.42 x = 34782.61, y =698.47 x = 35652.17,y = 745.49 x = 36521.74, y = 793.52 x = 37391.30, y =842.61 x = 38260.87, y = 892.78 x = 39130.43, y = 944.09 x = 40000.00, y =996.56。
本发明实施例中,还提供了一种电子设备,包括:一个或多个处理器; 存储装置,其上存储有一个或多个程序;当一个或多个程序被所述一个或多个处理器执行,使得一个或多个处理器实现上述任一任意实施例描述的电价预测方法。
本发明实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述实施例中任一种电价预测方法中的步骤。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于市场供需关系和机组行为的电价预测方法,其特征在于,包括如下步骤:
步骤1:获取火电企业所在市场下各电源类型的历史供需数据,计算市场每日的平均供需比;
历史供需数据包括不同工作日、休息日和节假日的火电企业所在市场供需情况数据,并将每日分为若干数据点;计算得到的每日平均供需比数据集,包括,工作日的日平均供需比集合W,休息日的日平均供需比集合R,节假日的日平均供需比集合H;
供需比计算涉及火电企业所在市场的火电总容量、火电发电空间、检修机组容量、必停机组容量,计算方式如下:
火电可用容量=火电总容量-检修机组容量-必停机组容量;
供需比=火电可用容量/火电发电空间;
平均供需比=SUM(各数据点数的供需比)/数据点个数;
步骤2:获取全网机组容量数据和历史停机数据,计算不同日平均供需比下每台机组的启停机的概率以及全网的启停机容量,得到新的数据集包括:工作日的停机容量集合M、休息日的停机容量集合L、节假日的停机容量集合N;
步骤3:获取火电企业所在市场下历史的火电竞争发电空间,根据步骤2中计算的启停机容量,将历史火电竞争发电空间减去停机容量得到历史真实的火电竞争发电空间;
获取历史火电竞争发电空间,将历史火电竞争发电空间分为新的数据集,包括:工作日的火电竞争发电空间集合X、休息日的火电竞争发电空间集合Y、节假日的火电竞争发电空间集合Z;
与步骤2中得到的启停机容量进行匹配,计算真实的火电竞争发电空间,得到单个供需比为情况下新的数据集,包括:
基于工作日、休息日、节假日不同供需比情况下,结合全网的停机容量集合M、L、N,火电竞争发电空间集合X、Y、Z,计算真实的火电竞争发电空间,方法如下:
火电最小发电=(火电可用容量-停机容量)/2;
真实火电竞争发电空间 = 统调负荷+外送电-新能源发电-非市场化发电-火电最小发电;
其中,停机容量使用历史火电发电空间数据匹配得到;
计算步骤1中不同数据集下所有真实的火电竞争发电空间,得到新的工作日的真实火电竞争发电空间数据集O、休息日的真实火电竞争发电空间数据集P、节假日的真实火电竞争发电空间数据集Q;
步骤4:获取历史的市场价格,将历史的真实火电竞争发电空间作为横坐标,历史的市场价格作为纵坐标,绘制成散点图;
步骤5:将步骤4中的散点图拟合成一条平滑的曲线,该曲线反映了火电竞争发电空间和市场价格的函数关系;
步骤6:获取预测日的火电竞争发电空间和日平均供需比,计算预测日供需比下的停机容量以及预测日真实的火电竞争发电空间,根据真实的发电空间和步骤5中的函数关系计算预测日的价格曲线,进行预测日的电价预测。
2.根据权利要求1所述的基于市场供需关系和机组行为的电价预测方法,其特征在于,步骤2中,计算不同日平均供需比下每台机组的启停机的概率以及全网的启停机容量,包括如下子步骤:
S2.1、获取全网机组的容量数据和历史启停机数据;
S2.2、将历史启停机数据和步骤1中日平均供需比数据集一一对应,计算不同日平均供需比下,全网机组的日启机概率和停机概率;
S2.3、使用全网机组的停机概率乘全网机组的容量数据,得到在每个供需比况下全网的停机容量;得到全网的停机容量集合M、L、N。
3.根据权利要求2所述的基于市场供需关系和机组行为的电价预测方法,其特征在于,步骤4中,根据不同的供需比,将历史的市场价格也分为工作日、休息日和节假日,使用步骤4中真实的火电竞争发电空间和历史的市场价格一一对应绘制散点图,所述散点图有类型包括:工作日的市场价格和火电竞争发电空间散点图、休息日的市场价格和火电竞争发电空间散点图、节假日的市场价格和火电竞争发电空间散点图。
4.根据权利要求3所述的基于市场供需关系和机组行为的电价预测方法,其特征在于,步骤5中,使用三次函数拟合步骤4中的散点图,获取火电竞争发电空间和市场价格的函数关系,具体为使用最小二乘法拟合一个三次函数到给定的数据点,包括如下子步骤:
S5.1、收集数据:收集拟合的数据集,使用自变量x选择真实火电竞争发电空间,使用应变量y选择市场价格,选择三次函数的一般形式为:
f(x) = ax^3 + bx^2 + cx + d;
其中,a、b、c和d是需要确定的系数;
S5.2、建立方程:将上述三次函数的形式代入拟合方程,得到如下形式的拟合方程:
y = ax^3 + bx^2 + cx + d;
基于最小二乘法,定义损失函数如下:
Loss = Σ(y_i - (ax_i^3 + bx_i^2 + cx_i + d))^2;
其中,Σ表示对所有数据点求和,(x_i, y_i) 是数据点的坐标;
S5.3、求解系数:通过最小化损失函数来确定系数a、b、c和d的值,所述最小化损失函数通过梯度下降发或正规方程法实现。
5.根据权利要求4所述的基于市场供需关系和机组行为的电价预测方法,其特征在于,步骤6中,预测日的电价预测,包括如下子步骤:
S6.1、获取预测日的火电竞争发电空间,计算预测日的日平均供需比;
S6.2、计算预测日日平均供需比下的全网的停机容量,将火电竞争发电空间减去全网的停机容量,得到预测日真实的火电竞争发电空间;
S6.3、将预测日真实的火电竞争发电空间输入步骤5中的函数关系,计算得到预测日的价格曲线,根据拟合的三次函数,将预测日的真实火电竞价空间带入三次函数获取预测日的预测电价。
6.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
7.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时,实现权利要求1至5中任一项所述的电价预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311461492.XA CN117196696B (zh) | 2023-11-06 | 2023-11-06 | 一种基于市场供需关系和机组行为的电价预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311461492.XA CN117196696B (zh) | 2023-11-06 | 2023-11-06 | 一种基于市场供需关系和机组行为的电价预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117196696A CN117196696A (zh) | 2023-12-08 |
CN117196696B true CN117196696B (zh) | 2024-01-19 |
Family
ID=88990920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311461492.XA Active CN117196696B (zh) | 2023-11-06 | 2023-11-06 | 一种基于市场供需关系和机组行为的电价预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196696B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010224832A (ja) * | 2009-03-23 | 2010-10-07 | Tohoku Electric Power Co Inc | 電力市場価格予測方法 |
WO2017070555A1 (en) * | 2015-10-21 | 2017-04-27 | Revionics Inc. | Systems and methods for pricing optimization with competitive influence effects |
CN111028004A (zh) * | 2019-11-28 | 2020-04-17 | 国网吉林省电力有限公司 | 一种基于大数据技术的市场评估分析方法 |
CN111047473A (zh) * | 2019-12-26 | 2020-04-21 | 广东电网有限责任公司管理科学研究院 | 一种电力现货市场预测方法、装置、终端及存储介质 |
CN112862149A (zh) * | 2020-12-28 | 2021-05-28 | 南京华盾电力信息安全测评有限公司 | 一种新能源电价预测方法及系统 |
CN114004401A (zh) * | 2021-11-01 | 2022-02-01 | 国网安徽省电力有限公司经济技术研究院 | 一种发电端中长期电量预测分解曲线生成方法 |
CN114549148A (zh) * | 2022-01-25 | 2022-05-27 | 上海发电设备成套设计研究院有限责任公司 | 虚拟电厂的竞价方法、装置、设备及存储介质 |
CN115907844A (zh) * | 2022-11-21 | 2023-04-04 | 中国华能集团清洁能源技术研究院有限公司 | 一种短期电价预测方法、装置、设备及介质 |
CN116385053A (zh) * | 2023-02-09 | 2023-07-04 | 大唐山东能源营销有限公司 | 一种电力现货市场日前价格的预测方法、系统及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
US11055732B2 (en) * | 2018-09-12 | 2021-07-06 | Mitsubishi Electric Research Laboratories, Inc. | Day-ahead joint generation scheduling and bidding optimization for power plants |
-
2023
- 2023-11-06 CN CN202311461492.XA patent/CN117196696B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010224832A (ja) * | 2009-03-23 | 2010-10-07 | Tohoku Electric Power Co Inc | 電力市場価格予測方法 |
WO2017070555A1 (en) * | 2015-10-21 | 2017-04-27 | Revionics Inc. | Systems and methods for pricing optimization with competitive influence effects |
CN111028004A (zh) * | 2019-11-28 | 2020-04-17 | 国网吉林省电力有限公司 | 一种基于大数据技术的市场评估分析方法 |
CN111047473A (zh) * | 2019-12-26 | 2020-04-21 | 广东电网有限责任公司管理科学研究院 | 一种电力现货市场预测方法、装置、终端及存储介质 |
CN112862149A (zh) * | 2020-12-28 | 2021-05-28 | 南京华盾电力信息安全测评有限公司 | 一种新能源电价预测方法及系统 |
CN114004401A (zh) * | 2021-11-01 | 2022-02-01 | 国网安徽省电力有限公司经济技术研究院 | 一种发电端中长期电量预测分解曲线生成方法 |
CN114549148A (zh) * | 2022-01-25 | 2022-05-27 | 上海发电设备成套设计研究院有限责任公司 | 虚拟电厂的竞价方法、装置、设备及存储介质 |
CN115907844A (zh) * | 2022-11-21 | 2023-04-04 | 中国华能集团清洁能源技术研究院有限公司 | 一种短期电价预测方法、装置、设备及介质 |
CN116385053A (zh) * | 2023-02-09 | 2023-07-04 | 大唐山东能源营销有限公司 | 一种电力现货市场日前价格的预测方法、系统及介质 |
Non-Patent Citations (6)
Title |
---|
Dependence of generation market power on the demand/supply ratio: analysis and modeling;Poonsaeng Visudhiphan 等;2000 IEEE Power Engineering Society Winter Meeting Conference Proceedings;1115-1122 * |
Forecasting of electricity price through a functional prediction of sale and purchase curves;Ismail Shah 等;Journal of Forecasting;1-23 * |
基于日前电价预测的机组报价策略;宋嗣博 等;南方电网技术;第11卷(第02期);57-62, 70 * |
电力市场下电价预测和发电厂机组检修计划;全宏兴;中国优秀硕士学位论文全文数据库 社会科学I辑(第01期);J150-173 * |
电力市场环境下发电企业成本分析及竞价策略研究;詹玲;中国优秀硕士学位论文全文数据库 经济与管理科学辑(第10期);J150-103 * |
考虑市场力的短期边际电价预测;牛会娜 等;价值工程(第08期);126-129 * |
Also Published As
Publication number | Publication date |
---|---|
CN117196696A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kök et al. | Investments in renewable and conventional energy: The role of operational flexibility | |
Alarcon-Rodriguez et al. | Multi-objective planning of distributed energy resources: A review of the state-of-the-art | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN109711728B (zh) | 基于电力不确定性和低碳诉求的双层多目标电力调度方法 | |
CN111667090A (zh) | 一种基于深度置信网络与权值共享的负荷预测方法 | |
Zhang et al. | A review and outlook on cloud energy storage: An aggregated and shared utilizing method of energy storage system | |
CN115907927A (zh) | 一种虚拟电厂报价辅助方法、系统、装置及存储介质 | |
CN115660222A (zh) | 一种抽水蓄能电站的容量优化方法、装置及设备 | |
Chen et al. | Toward future information market: An information valuation paradigm | |
Yan et al. | Cross-regional green certificate transaction strategies based on a double-layer game model | |
CN117196696B (zh) | 一种基于市场供需关系和机组行为的电价预测方法 | |
CN116777616A (zh) | 一种基于概率密度分布的现货市场新能源日前交易决策方法 | |
CN113112296B (zh) | 一种集中式现货市场的典型场景库构建方法及装置 | |
CN109995094B (zh) | 一种交直流混合微电网的规划方法及系统 | |
CN111311084A (zh) | 发电网可行性的综合评价方法、装置及存储介质 | |
Hao et al. | Short-term Power Load Forecasting for Larger Consumer based on TensorFlow Deep Learning Framework and Clustering-regression Model | |
Hou | Research on the Evolution Path of Big Data Service Ecosystem based on Data Mining | |
Zhang et al. | A Decision Support System of Premium Power Supply Investment | |
Jiang et al. | Research on multi-type demand response user profile based on improved k-means clustering algorithm | |
CN117236769A (zh) | 一种实现电制氢技术数字画像的方法及系统 | |
CN117808247A (zh) | 一种零碳排放管理方法、装置、电子设备及存储介质 | |
Luo et al. | Calculation method and system of energy efficiency evaluation based on integrated power grid | |
CN115549213A (zh) | 分布式电源接入规模确定方法、装置、电子设备、存储介质以及程序产品 | |
Huang et al. | Reconstruction Optimization of Economic Operation of Distribution Network Based on Data Mining Algorithm | |
Wei et al. | Analysis, Application and Research of the Index of Urban Resumption of Work and Production Based on Energy Big Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |