基于LSTM的火电企业月内滚动撮合交易竞价系统

技术领域

本发明属于电力系统技术领域，更具体地，涉及一种基于LSTM的火电企业月内滚动撮合交易竞价系统。

背景技术

在电力市场中，以火电企业为代表的发电企业，需要根据其机组和参数响应能力来进行报价。更具体地，火电企业必须随时掌握好供求关系及成本水平等方面的要素，并在各个时间段中快速地做出合理报价。

现有技术中的竞价方法及系统往往对机组发电成本的组成因素考虑不够全面，因此得到的竞价方案相对不够精准。同时现有竞价方法及系统往往在取得竞价方案的过程中忽略了报价区间对最终报价方案的影响，采用固定的报价区间而非灵活可变的报价区间，进而降低了最终报价方案的精确性。

现有技术中的竞价方法及系统在速度方面受限于电价预测的预测速度，时效性相对较低。而在月内滚动撮合交易中，报价具体分成了各个时间段的报价，因此需要分时段的报价方案。因此，要想在滚动撮合交易中，加强提升竞价效率与竞价精度，亟需一种精确度更高更加符合实际情况可取得分时段竞价方案的火电企业月内滚动撮合交易竞价系统。

已授权现有技术1(CN115545768B)提供了一种考虑合同分解的大水电跨省跨区日前随机竞价方法，通过构建以中长期合同市场和日前市场两部分的总期望收益最大为目标函数的随机期望模型与协调调峰性能与经济收益的跨省跨区随机协调优化模型，并采用多目标转化及线性化方法将上述模型转化为MILP模型，并利用优化求解软件求解该模型得到权衡电站经济收益与受端电网调峰诉求的水电竞价方案，其不足之处在于，即使在目标函数中考虑了经济收益和调峰性能的协调，但该方法可能没有充分考虑到每个电站的特性、负荷需求和供电能力等因素，导致竞价方案的整体优化不够准确和精细。

现有技术2(CN110276638A)公开了一种基于双向长短期神经网络的电价预测方法及系统，通过运用Bi-LSTM进行电价的预测，训练模型时选择前向输入与后向输入相结合，考虑未来数据对现在的影响，以提高对已有数据的利用。其不足之处在于，预测速度以及时效性有待加强，同时未将电价预测进行实际应用，可操作性及应用性有待提高。

发明内容

本发明为克服现有技术的不足，提出一种基于LSTM的火电企业月内滚动撮合交易竞价系统，所述系统全面分析了火电企业机组的发电成本，包括可变成本以及固定成本，同时基于长短期神经网络LSTM进行更加快速时效性更强的电价预测，进而构建以时段中标价为随机变量的概率密度函数，再根据以时段中标价为随机变量的概率密度函数构建报价模型得到报价策略，能够解决在滚动撮合灵活交易的背景下，火电企业难以快速应对且有效报价的技术问题。

本发明采用如下的技术方案。本发明第一方面提供了一种基于LSTM的火电企业月内滚动撮合交易竞价方法，包括以下步骤：

步骤1，采集火电企业机组出力值、煤耗系数的运行数据、火电企业机组成本数据、火电机组的额定功率、各时段历史电价数据以及各时段真实中标电价；

步骤2，根据步骤1获得的数据，构建火电企业平均成本模型；

步骤3，使用步骤1获得的数据，使用LSTM模型对电价进行预测，获得历史滚动撮合交易各时段预测电价，比较预测电价与真实中标电价，获得偏移比例；

步骤4，使用步骤3获得的偏移比例，构建其概率密度模型，进而构建以时段中标价为随机变量的概率密度函数f(M

步骤5，结合步骤2构建的火电企业平均成本模型和步骤4构建的以时段中标价为随机变量的概率密度函数f(M

优选地，步骤2.1，根据步骤1获得的采集火电企业机组出力值、煤耗系数的运行数据、火电企业机组成本数据、火电机组的额定功率，构建火电机组边际成本模型；

步骤2.2，使用步骤2.1获得的火电机组边际成本模型，结合火电企业成本构成，构建火电企业平均成本模型。

优选地，步骤2.1中，火电机组边际成本模型以如下公式表示：

MC＝(2·a·P+b)·Cp+EC+BC (1)

式中：

MC表示火电机组边际成本；

a表示火电机组煤耗2次系数；

P表示火电机组出力值；

b表示煤耗火电机组1次系数；

Cp表示交易月燃煤价格；

EC表示二氧化碳单位电量排放成本；

BC表示排污单位电量成本；

步骤2.2中，火电企业平均成本模型以如下公式表示：

式中：

AC表示火电机组平均成本；

Q表示火电机组全寿命期的电量；

FC表示火电机组固定成本；

LC表示火电机组空载成本；

MC表示火电机组边际成本。

优选地，步骤3具体包括：

步骤3.1，对步骤1获得的数据进行预处理，以如下公式表示：

式中：

N

N

表示电价的均值数据；

n表示异常电价数据的特征值；

步骤3.2，将步骤3.1获得的数据进行归一化，以如下公式表示：

式中：

N

N

N

步骤3.3，使用步骤3.2归一化之后的数据，代入LSTM模型，对电价进行预测，获得历史滚动撮合交易各时段预测电价；

步骤3.4，将步骤3.3输出R

步骤3.5，使用步骤3.4获得的各时段预测电价与真实中标电价，计算偏移比例，以如下公式表示：

式中：

r

M

优选地，步骤3.3中，LSTM模型的输入门I

式中：

I

F

O

sig表示Sigmoid激活函数；

q

q

q

U

β

β

β

tanh表示双曲正切函数；

q

R

其中当前以及上一步的LSTM单元状态以如下公式表示：

式中：C

优选地，步骤4具体包括：

步骤4.1，计算偏移比例的均值及标准差，使用所述均值及标准差，将便宜比例表示成服从正态分布的随机变量，进而构建以偏移比例为随机变量的概率密度模型f(r

步骤4.2，使用步骤4.1获得的以偏移比例为随机变量的概率密度模型f(r

优选地，步骤4.1中以偏移比例为随机变量的概率密度模型f(r

式中：

表示偏移比例的均值；

表示偏移比例的标准差。

步骤4.2中，以时段中标价为随机变量的概率密度函数f(M

式中：

X

优选地，步骤5具体包括：

构建火电企业报价模型的目标函数，以如下公式表示：

构建火电企业报价模型的约束条件，以如下公式表示：

式中：

R

θ表示此时段中占火电机组额定功率的比例；

P

Y

AC

Δt表示该时段的时长；

Y

优选地，步骤5中，调整电价报价区间的宽度

式中：

表示报价的子区间宽度；

m表示其子区间编号；

M表示其电价子区间数目。

本发明第二方面提供了一种基于LSTM的火电企业月内滚动撮合交易竞价系统，运行所述的一种基于LSTM的火电企业月内滚动撮合交易竞价方法，包括：数据采集模块，数据计算模块，模型构建模块和输出模块；

所述数据采集模块用于采集火电企业机组出力值、煤耗系数的运行数据、火电企业机组成本数据、火电机组的额定功率、各时段历史电价数据以及各时段真实中标电价；

数据处理模块用于根据数据获取模块获取的火电企业机组出力值、煤耗系数的运行数据和火电企业机组成本数据计算火电企业平均成本，基于LSTM模型根据数据获取模块获取的各时段历史电价数据计算预测的历史滚动撮合交易各时段电价，根据预测的历史滚动撮合交易各时段电价以及数据获取模块获取的各时段真实中标电价计算实际每一时段中标价相对预测数据的偏移比例；

模型构建模块用于根据数据处理模块中得到的实际每一时段中标价相对预测数据的偏移比例，构建偏移比例概率密度函数，进而基于数据获取模块获取的火电机组额定功率构建以时段中标价为随机变量的概率密度函数；进而构建包含火电机组功率的火电企业报价模型；

输出模块用于输出求解获得的包含火电机组功率数据的报价策略。

与现有技术相比，本发明的有益效果至少包括：

1、本发明全面分析了单元机组发电成本，从可变成本和固定成本的角度分别对发电的边际成本及平均成本进行计算，并得出了发电成本与发电机组各项参数之间的关系，使得电价预测更加符合实际情况，更加可靠。

2、本发明基于长短期神经网络的电价预测方法进行电价的分时段预测，预测速度更快，时效性更好，根据各时段的预测结果，能够为后续火电企业的分时段快速有效报价提供更为准确的依据。

3、本发明进行分时段灵活报价，输出分时段的最优报价策略，增加火电企业报价有效性，稳定电力市场竞争环境。

附图说明

图1是本发明提供的一种基于LSTM的火电企业月内滚动撮合交易竞价方法的流程图；

图2是本发明长短期记忆神经网络的逻辑处理单元的工作原理图；

图3是本发明具体实施方式中24小时时刻电价预测及报价对比图。

具体实施方式

为使本发明的目的、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，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，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它实施例，都属于本发明的保护范围。

如图1所示，本发明实施例1提供了一种基于LSTM的火电企业月内滚动撮合交易竞价方法，包括以下步骤：

步骤1，采集火电企业机组出力值、煤耗系数的运行数据、火电企业机组成本数据、火电机组的额定功率、各时段历史电价数据以及各时段真实中标电价。

在本发明优选但非限制性的实施方式中，历史电价数据为24小时时段历史电价数据。

步骤2，根据步骤1获得的数据，构建火电企业平均成本模型。在本发明优选但非限制性的实施方式中，步骤2具体包括：

步骤2.1，根据步骤1获得的采集火电企业机组出力值、煤耗系数的运行数据、火电企业机组成本数据、火电机组的额定功率，构建火电机组边际成本模型，具体地，以如下公式表示：

MC＝(2•a•P+b)•Cp+EC+BC (1)

式中：

MC表示火电机组边际成本；

a表示火电机组煤耗2次系数；

P表示火电机组出力值；

b表示煤耗火电机组1次系数；

Cp表示交易月燃煤价格；

EC表示二氧化碳单位电量排放成本；

BC表示排污单位电量成本。

步骤2.2，使用步骤2.1获得的火电机组边际成本模型，结合火电企业成本构成，构建火电企业平均成本模型，具体地，以如下公式表示：

式中：

AC表示火电机组平均成本；

Q表示火电机组全寿命期的电量；

FC表示火电机组固定成本；

LC表示火电机组空载成本；

MC表示火电机组边际成本。

值得注意的是，本领域技术人员可以使用任意其他数据类型进行火电机组的边际成本以及火电企业平均成本的计算，本发明步骤2.1和2.2给出的模型是一种优选但非限制性的实例，相对于其他模型，该模型在保障精度的情况下，计算量小、模型复杂度低，提高了计算效率。

步骤3，使用步骤1获得的数据，使用LSTM(Long Short-Term Memory，长短期记忆神经网络)模型对电价进行预测，获得历史滚动撮合交易各时段预测电价，比较预测电价与真实中标电价，获得偏移比例。在本发明优选但非限制性的实施方式中，步骤3具体包括：

步骤3.1，对步骤1获得的数据进行预处理，以如下公式表示：

式中：

N

N

表示电价的均值数据；

n表示异常电价数据的特征值。

步骤3.2，将步骤3.1获得的数据进行归一化，以如下公式表示：

式中：

N

N

N

值得注意的是，实际电力价格是具有波动性的，并且往往会有一些离群点，这些离群点会给电力价格的预报带来负面影响。所以，在收集到电价数据后，本发明数据处理模块对电价异常数据中出现的随机误差进行了预处理；经过预处理的电价数据，可以使得收集到的电力市场滚动撮合的分时段电价数据更加的真实有效，使得接下来的电价预测更加真实准确。

步骤3.3，使用步骤3.2归一化之后的数据，代入LSTM模型，对电价进行预测，获得历史滚动撮合交易各时段预测电价。

具体地，LSTM模型的逻辑处理单元如图2所示，图中：U

输入值U

其中，输入门I

式中：

I

F

O

sig表示Sigmoid激活函数；

q

q

q

U

β

β

β

tanh表示双曲正切函数；

q

其中当前以及上一步的LSTM单元状态以如下公式表示：

式中：C

步骤3.4，将步骤3.3输出R

X

式中：

X

R

步骤3.5，使用步骤3.4获得的各时段预测电价与真实中标电价，计算偏移比例，以如下公式表示：

式中：

r

M

步骤4，使用步骤3获得的偏移比例，构建其概率密度模型，进而构建以时段中标价为随机变量的概率密度函数f(M

步骤4.1，计算偏移比例的均值及标准差，使用所述均值及标准差，将便宜比例表示成服从正态分布的随机变量，进而构建以偏移比例为随机变量的概率密度模型f(r

式中：

表示偏移比例的均值；

表示偏移比例的标准差。

步骤4.2，使用步骤4.1获得的以偏移比例为随机变量的概率密度模型f(r

式中：

X

步骤5，结合步骤2构建的火电企业平均成本模型和步骤4构建的以时段中标价为随机变量的概率密度函数f(M

构建火电企业报价模型的目标函数，以如下公式表示：

构建火电企业报价模型的约束条件，以如下公式表示：

式中：

R

θ表示此时段中占火电机组额定功率的比例；

P

Y

AC

Δt表示该时段的时长；

Y

在本发明进一步优选但非限制性的实施方式中，步骤5还包括：调整电价报价区间的宽度

具体地，求解上述的报价模型可得到各时段报价的一组优化结果，但一组结果精确度不足无法满足需求，因此本发明通过调整电价报价区间的宽度

式中：

表示报价的子区间宽度；

m表示其子区间编号；

M表示其电价子区间数目。

l值的不断增大，使得

本发明实施例2提供了一种基于LSTM的火电企业月内滚动撮合交易竞价系统，包括：数据采集模块，数据计算模块，模型构建模块和输出模块。

所述数据采集模块用于采集火电企业机组出力值、煤耗系数的运行数据、火电企业机组成本数据、火电机组的额定功率、各时段历史电价数据以及各时段真实中标电价。

数据处理模块用于根据数据获取模块获取的火电企业机组出力值、煤耗系数的运行数据和火电企业机组成本数据计算火电企业平均成本，基于LSTM模型根据数据获取模块获取的各时段历史电价数据计算预测的历史滚动撮合交易各时段电价，根据预测的历史滚动撮合交易各时段电价以及数据获取模块获取的各时段真实中标电价计算实际每一时段中标价相对预测数据的偏移比例。

模型构建模块用于根据数据处理模块中得到的实际每一时段中标价相对预测数据的偏移比例，构建偏移比例概率密度函数，进而基于数据获取模块获取的火电机组额定功率构建以时段中标价为随机变量的概率密度函数；进而构建包含火电机组功率的火电企业报价模型。

输出模块用于输出求解获得的包含火电机组功率数据的报价策略。

为了更加清楚地介绍本发明突出的实质性特点以及能够取得的有益技术效果，下面结合具体算例对本发明作进一步说明：

本发明拟以步长为24的单步进行预测，其中，电力价格时间序列中的24个电价值来源于对过去同一段时间内的历史数据进行的分析，并以24个观察值为基础，对未来24个时间内的电力价格进行了预测，并且，在特定的时间内，电力价格与历史数据同步进行了预测。

试验用的是带有Intel(R)Core(TM)i7-4870HQCPU服务器.用Python的语言PyCharm的软件，和Anaconda的Python程序包的安装，LSTM模式选用了TensorFlow中的Keras架构。

在参数设置方面，激活函数采用默认的sigmoid激活函数，选取LSTM的Timesteps为24，以均方误差MSE为损失函数，以Adam优化算法为网络训练，设定了初始学习率0.05，最后得出了预测结果如图3所示。

通过图3信息，LSTM模型能合理预测24时段电价的变动趋势。

表1 LSTM模型预测值

/>

由表1所示，在24个预测结果中，误差大于3％的样本点有2个，分别在6:00和15:00。我们对22个相对平稳的电力市场样本点进行了统计，发现其绝对误差百分数在3％以内，其精确程度满足83.3％的要求，因此，我们认为LSTM模型具有较高的预测精度。

根据预测模型预测的数据结果，按照步骤四的计算流程进行火电企业的报价，具体分时段报价电价数据如表2所示。

表2模型报价值

/>

本发明与现有技术文件1相比，本发明可以广泛适用于火电企业的报价决策过程，能够满足不同规模和特性的火电机组的需求，扩大了应用场景和可操作性。同时，通过分时段报价的灵活性，能够满足不同时段和条件下的需求变化，提高市场适应性，相比于已授权技术中以中长期合同市场和日前市场为基础的总期望收益最大模型，本发明根据实时的预测数据进行分时段的灵活报价，能更好地适应动态的电力市场要求。

本发明与现有技术文件2相比，本发明构建了以时段中标价为随机变量的概率密度函数，并以此为基础进行报价模型的构建，以解决滚动撮合灵活交易下火电企业难以快速应对且有效报价的问题，拒用更强的适用性及应用性。。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。