泛在电力物联网环境下售电公司该如何报价？

2019 年国家电网提出建设“泛在电力物联网”，实现电力系统各环节万物互联。新一轮电力体制改革下产生的售电公司如何利用庞大的数据信息在电力市场竞争中获得最大利润成为其关注的最重要核心问题。以泛在电力物联网建设为背景，研究了含火电和风电的综合能源发电商成立的售电公司参与电力市场竞争的营销策略问题。首先介绍了泛在电力物联网的数据应用特性。以泛在物联网提供的实时全面的数据信息平台为基础，在海量数据中进行精准快速的查找提取，创新性引入了“气象相似日”概念，创建了附加自适应动态规划校正环节的小波神经网络模型对用户负荷需求进行了预测。通过泛在物联网收集的全面实时数据，引入了模糊聚类的方法，并采用遗传算法对 BP 神经网络模型进行改进，提高了对短期市场出清电价的预测准确度，为竞价策略的制定奠定基础；其次基于泛在数据下报价的概率密度函数，构建了售电公司的贝叶斯博弈竞价模型，通过求取贝叶斯纳什均衡解得到最优电力营销策略；最后对实际算例进行求解，进一步验证所提方法的实操性。

0 引言

近年来由于电力市场化改革和能源互联网的发展，产生了大量涉及发输变配用各环节的未被完全利用起来的泛在数据。2019 年国网公司提出“泛在物联网”概念，计划将这些海量的数据收集起来，全面感知源网荷储设备运行状态和环境信息。新一轮电力市场改革带动售电侧竞争日益激烈，能够共享“泛在数据”平台并进行合理利用，无疑是综合能源型售电公司提高市场竞争力，获取更大利润的新契机。

参考国内外关于售电公司电价营销策略的研究，文献[1-3]介绍了电力市场中存在的几种竞价方法，并详细比较了各种方法的优劣性。文献[4]通过多场景拟合的方法，模拟了售电公司在不同负荷预测下能够得到的收益。文献[5-6]通过对电价进行预测，研究了不同竞价场景下售电公司的收益情况，但所用的预测模型精度较差。文献[7]以售电公司购电成本最低为目标函数，建立了其参与电力市场竞争的竞价模型。而文献[8]通过分析售电公司竞价策略的风险，给出优化后的购售电策略。文献[9]在分析售电公司特性的基础上，主要针对售电公司在日前电力市场上的电价竞标问题进行了研究。文献[10]探讨了用户活跃性对售电侧市场的直接的影响，但以上研究在建立模型的过程中由于所掌握的数据信息受到时间和空间上的限制，从而会对最后结果造成一定误差。

本文重点研究泛在物联网环境下，以火电为主，包含大量风电的综合能源发电商成立的售电公司参与电力市场竞争的营销策略问题。在泛在物联网提供的全空间实时数据基础上，多家售电公司参与电力市场竞价的过程可转化为一个静态博弈问题，影响该问题的 2 个关键因素是用户电力需求和电力市场出清电价预测的准确度。所以本文依托泛在数据平台的大数据特性，通过对历史数据的快速精准提取，创新采用基于“气象相似日”的改进型小波神经网络模型(wavelet neural network，WNN)对用户负荷需求进行预测，并提出基于模糊聚类的GA-BP 神经网络模型对短期市场出清电价进行预测，为竞价策略的制定奠定基础。基于泛在数据拟合出的更准确的报价概率密度函数，构建售电公司的贝叶斯博弈竞价模型，最终通过求取贝叶斯纳什均衡解得到电力营销最优策略。

1 泛在电力物联网的大数据应用

当前，世界能源革命与数字革命融合发展，国家电网公司 2019 年提出了“泛在电力物联网”建设运营计划 [11-12] ，并将其列为与“坚强智能电网”并重的工作。

根据国家电网的权威定义 [13] ，“泛在电力物联网”即围绕电力系统各环节，充分应用移动互联、人工智能等现代信息技术、先进通信技术，实现电力系统各环节万物互联、人机交互，具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。其能够广泛应用大数据、云计算、物联网、移动互联、人工智能、区块链、边缘计算等信息技术和智能技术，将电力用户及其设备、电网企业及其设备、发电企业及其设备、供应商及其设备，以及人和物连接起来，通过信息广泛交互和充分共享，实现数字化管理。

2018 年国家电网着手打造 SG-eIoT(ElectricInternet of Things)系统，未来泛在电力物联网拥有具有巨大应用潜力。目前基础数据连接难以下沉，且单个小数据价值密度低，但海量数据集合后价值巨大，泛在物联网搭建起来后，这些数据将储存在公共云平台中，在此基础上可以建立开展更多综合能源的服务，与用户建立良好的互动。同时综合型能源售电公司在制定电价营销策略时，也能够掌握全时空的实时数据进行研究和分析，这将极大地提高电力市场竞争效率，并且使社会效益达到最大化。

2 基于“气象相似日”与改进小波神经网络的短期负荷预测

本文引入“气象相似日”的思想，结合灰色关联分析法和加权相似度公式得到与“预测日”相似的“历史日”数据，按照“1 维相似日负荷均值+前 6 维训练(预测)下 1 维”的思路，采用 WNN 进行短期负荷预测。

2.1 小波神经网络

全面实时的数据信息与精准的预测方法，是指导售电公司制定报价策略的关键。本文引入“气象相似日”的思想，并采用附加自适应动态规划(adaptive dynamic programming，ADP)校正环节修正的 WNN 对用户负荷进行预测，通过泛在数据平台提取实时数据对 WNN 参数进行更新，提高预测精度。WNN 较 BP 神经网络具有更强的学习能力，精度更高，对同样的学习任务，结构更简单，收敛速度更快。且其较 BP 神经网络而言，逼近能力更灵敏，容错能力更强。预测原理如图 1 所示。

2.2 短期负荷预测模型

2.2.1 灰色关联分析与气象相似日选取

反映每天负荷特性的负荷均值序列y=y(k)k=1,

3 基于模糊聚类的 GA-BP 神经网络的短期电价预测

依托泛在电力物联网提供的全时段历史交易信息进行的市场出清电价预测是售电公司制定竞价策略的重要依据。本文采用遗传算法 (geneticalgorithm ， GA) 对 BP 神经网络进行优化，发挥神经网络的广泛映射能力和 GA 的全局搜索能力，加快网络学习速率。

3.1 基于传递闭包法的模糊聚类分析

考虑到影响电价的多重因素，本文通过挖掘泛在数据平台中相关数据，采用模糊聚类的方法选取与预测日相似的预测类别作为神经网络的输入样本，提高学习效率。

3.1.1 建立原始矩阵及数据规格化处理

为有效地对样本进行分类，假设共有 n 个样本，m 个特性指标，则可构造一个 n×m 的原始矩阵。并采用式 (4) 对历史电价和负荷的特性指标进行数据规格化 ( 归一化 ) 处理。

3.2 GA-BP 神经网络预测模型的构建

BP 神经网络是目前为止应用最为成熟的神经网络，但其仍具有收敛速度慢，训练时间长，容易使目标函数容易陷入局部极小值等缺陷。本文采用GA 对 BP 神经网络进行网络连接权的优化，将 BP神经网络输入层和隐含层、隐含层和输出层的权值作为 GA 的初始种群，利用 GA 的选择，交叉和变异操作求解最优权值，得到一个较好的搜索空间；

然后在此解空间中利用 BP 算法搜索出最优解，可以有效避免 BP 神经网络目标函数陷入局部极小值。其具体的优化步骤如下。

1 ）确定 GA 及 BP 网络的相关参数。

2 ）在网络中随机产生一组初始化权值和阈值分布 ( 染色体 ) ，采用二进制编码方式对每个染色体进行编码，形成初始种群。

3 ）本文通过网络实际值与期望值的误差函数来确定适应度函数，具体表达式如式 (7) 。计算每个个体适应度值，对每个染色体进行度量。如果个体适应度满足要求，跳转到步骤 5 ），否则转入步骤 4 ）。个体 i 被选择的概率如式 (8) 。

3.3 基于模糊聚类的 GA-BP 神经网络预测流程

采用基于模糊聚类的 GA-BP 神经网络对短期电价进行预测的流程如图 3 所示。

4 基于暗标拍卖的综合能源型售电公司贝叶斯竞价博弈

4.1 电力市场交易规则

本 文 中 ， 电 力 交 易 中 心 (electricity tradingcenter ， ETC) 一天共分 48 个交易时段，每一时段内采取暗标拍卖的方式进行统一市场出清。各售电公司向 ETC 提交单调递增的线性报价函数和最大售电量。用户向 ETC 提交单调递减的线性报价函数及最大购电量。报价越低的售电公司调度上网的优先级越高，报价越高的用户其下网购电的优先级也越高。按此顺序调度交易双方，直至市场供需曲线有交点，则交易成功，对应点的电价即为统一出清电价 (uniform clearing price ， UCP) [15] 。若无交点，双方需重新提交报价函数，直到获得 UCP 。

4.2 基于暗标拍卖的贝叶斯竞价博弈模型

4.2.1 暗标拍卖与贝叶斯纳什均衡

售电公司在追求利润最大化的过程中，只知道自己的成本函数和收益函数，不知道竞争对手的相关信息，可看作不完全信息静态博弈问题。所以本文引入暗标拍卖的原理，采用静态贝叶斯博弈的方法研究售电公司最优报价策略问题。

暗标拍卖 (sealed-bid auction ， SA) 是指各投标人在互不了解的情况下各自出价，递交密封标书，在同一时间开标，以标价最高者中标的一种拍卖形式。而贝叶斯纳什均衡 (Bayesian Nash equilibrium ，BNE) 是指在已知自己的类型和对手类型的概率分布的情况下，使各博弈方的期望效用达到最大化，是各博弈方的最佳策略组合 [16] 。也是我们要求取的售电公司最优竞价策略。

4.2.2 模型的建立

为方便描述，此处考虑一个时段内的竞价情况。对该问题进行标准的静态贝叶斯博弈描述。

1 ）行为空间 A i ：售电公司的报价 P i 。P i 在电力交易中心限制的最高和最低价格之间，则行为空间 A i =[f 1 , f 2 ] ， (f 1 , f 2 >0) 。

2 ）类型空间 T i ：本文中售电公司售电成本 C i包括发电成本和运营成本。C s ≤C i ≤C t ，则类型空间T i =[C s , C t ] 。而竞争对手的售电成本则可以通过泛在数据平台提供的历史数据进行更准确的概率估计。本文假设第 i 家售电公司的运营成本 c i * 的表达

5 算例分析

本文选择电力市场发展较成熟的美国 PJM 市场的相关数据做算例验证。为体现泛在电力物联网大数据特性的影响，本文选取 2016 年 8 月 28 日—2016 年 10 月 15 日的 48 节点和 96 节点 2 组历史电价数据 ( 量纲为 $) ， 2010 年 1 月 1 日— 2016 年 10 月15 日 48 节点和 96 节点 2 组历史负荷数据 ( 量纲为MW) ，以及 2013 年 1 月 1 日— 2016 年 10 月 22 日气象因素数据 ( 日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量 ) 为样本，使用Matlab2014a 编程实现算例求解。

5.1 短期负荷预测

根据第 2 节的模型和方法可得到 2016 年 10 月16 — 22 日计及气象因素影响的负荷值。将依托泛在物联网数据平台前后的负荷预测曲线，即 48 节点的负荷预测曲线和 96 节点的负荷预测曲线与预测输入平均值进行对比，对应曲线见图 4 。此外，MAPE 和 MSE 的对比分析见表 1 。

如图 4 所示，依托泛在物联网数据平台前后的预测曲线，从某些细节 ( 如图 4 的时段 1~100 和时段300~400) 可见，通过泛在物联网提供的更准确数据，预测曲线会更贴近预测输入均值。且表 1 显示，利用泛在数据的 MAPE 和 MSE 值比传统数据情况下整体更小，因此证明了计及气象因素可在一定程度上提高短期负荷预测精度。

5.2 短期电价预测

待聚类的样本中的特性指标包括历史日的同一预测点电价，同一预测点负荷，市场参与者数量，发电燃料成本和气象类型值，以及 10 月 16 日待预测日的各预测点负荷，市场参与者数量，发电燃料成本和气象类型值。考虑泛在电力物联网大数据支持前后，待聚类的每个样本中的特性指标从 9 个变为 29 个。通过对样本集进行模糊聚类，分别选取7 类和 27 类与 16 日欧式距离最短的类别作为 2 个神经网络的输入样本。最大迭代次数为 3000 次，交叉概率 P c =0.9 ，变异概率 P m =0.001 。

利用 2 个神经网络分别对 10 月 16 日 48 个点进行实时电价预测。图 5 为经过利用泛在数据前后的出清电价预测值和真实电价值的三维对比图。图 6为三者对比的平面图，即图 5 的正视图。

根据图 6 结合计算结果可见，利用泛在电力物联网数据得到的 GA-BP 神经网络预测值与真实值的 MAPE 为 3.42%~4.45% ，常规的电价预测值与真实值的 MAPE 为 7.76%~10.12% 。可知依托泛在电力物联网的大数据平台可以更加准确的对电价进行预测，为售电公司报价提供更精确的指导。

5.3 售电公司的最优报价策略

本文假设网络不存在阻塞现象。电力市场存在5 家售电公司参与竞争，其相关参数见表 2 。市场需求电量为 100 MW 。

根据泛在电力物联网可以获得更准确的得到售电成本 C i (i=1, 2, 3, 4, 5) 均服从密度为 [0.3, 2] 的正态分布，通过 Matlab 2014a 编写的 DFP 算法对式 (17) 进行求解计算，表 3 给出了当各售电公司自身达到贝叶斯纳什均衡时，最终售电量，报价以及自身收益结果。

达到贝叶斯纳什均衡后，若各售电公司均按表 3进行报价，不考虑网络约束， ETC 按各售电公司所报电价由低到高进行录用，售电公司 1 、 2 、 4 售出全部电量，售电公司 3 售出部分电量，而售电公司由于报价太高而没有被选中。各售电公司采用本文模型制定的报价均低于市场出清价，最终报价与市场出清的MAPE 值见表 4 。

6 结论

泛在电力物联网建设为综合能源型售电公司优化电力营销策略提供了良好的思路和有利的平台，本文依据泛在数据平台提供的全面海量精准的大数据，对短期负荷和市场出清电价进行了预测。

由结果分析可知，采用基于“气象相似日”的带自适应动态规划校正的 WNN 模型进行负荷预测时，在泛在电力物联网的大数据支撑下，负荷预测精度有所提高。而采用基于模糊聚类的 GA-BP 神经网络进行短期电价预测时，依托泛在电力物联网的全时空数据后，电价预测值与实际值偏差变小，更具参考价值。通过泛在平台的海量数据可以对售电成本进行更加准确的概率描述，使得求解贝叶斯竞价博弈模型时得到了质量较好的纳什均衡解。

（来源：电网技术 作者：彭谦，周晓洁，杨睿，贾梧桐）