2019 年國家電網(wǎng)提出建設“泛在電力物聯(lián)網(wǎng)”，實現(xiàn)電力系統(tǒng)各環(huán)節(jié)萬物互聯(lián)。新一輪電力體制改革下產(chǎn)生的售電公司如何利用龐大的數(shù)據(jù)信息在電力市場競爭中獲得最大利潤成為其關注的最重要核心問題。以泛在電力物聯(lián)網(wǎng)建設為背景，研究了含火電和風電的綜合能源發(fā)電商成立的售電公司參與電力市場競爭的營銷策略問題。首先介紹了泛在電力物聯(lián)網(wǎng)的數(shù)據(jù)應用特性。以泛在物聯(lián)網(wǎng)提供的實時全面的數(shù)據(jù)信息平臺為基礎，在海量數(shù)據(jù)中進行精準快速的查找提取，創(chuàng)新性引入了“氣象相似日”概念，創(chuàng)建了附加自適應動態(tài)規(guī)劃校正環(huán)節(jié)的小波神經(jīng)網(wǎng)絡模型對用戶負荷需求進行了預測。通過泛在物聯(lián)網(wǎng)收集的全面實時數(shù)據(jù)，引入了模糊聚類的方法，并采用遺傳算法對 BP 神經(jīng)網(wǎng)絡模型進行改進，提高了對短期市場出清電價的預測準確度，為競價策略的制定奠定基礎；其次基于泛在數(shù)據(jù)下報價的概率密度函數(shù)，構建了售電公司的貝葉斯博弈競價模型，通過求取貝葉斯納什均衡解得到最優(yōu)電力營銷策略；最后對實際算例進行求解，進一步驗證所提方法的實操性。
0 引言
近年來由于電力市場化改革和能源互聯(lián)網(wǎng)的發(fā)展，產(chǎn)生了大量涉及發(fā)輸變配用各環(huán)節(jié)的未被完全利用起來的泛在數(shù)據(jù)。2019 年國網(wǎng)公司提出“泛在物聯(lián)網(wǎng)”概念，計劃將這些海量的數(shù)據(jù)收集起來，全面感知源網(wǎng)荷儲設備運行狀態(tài)和環(huán)境信息。新一輪電力市場改革帶動售電側競爭日益激烈，能夠共享“泛在數(shù)據(jù)”平臺并進行合理利用，無疑是綜合能源型售電公司提高市場競爭力，獲取更大利潤的新契機。
參考國內(nèi)外關于售電公司電價營銷策略的研究，文獻[1-3]介紹了電力市場中存在的幾種競價方法，并詳細比較了各種方法的優(yōu)劣性。文獻[4]通過多場景擬合的方法，模擬了售電公司在不同負荷預測下能夠得到的收益。文獻[5-6]通過對電價進行預測，研究了不同競價場景下售電公司的收益情況，但所用的預測模型精度較差。文獻[7]以售電公司購電成本最低為目標函數(shù)，建立了其參與電力市場競爭的競價模型。而文獻[8]通過分析售電公司競價策略的風險，給出優(yōu)化后的購售電策略。文獻[9]在分析售電公司特性的基礎上，主要針對售電公司在日前電力市場上的電價競標問題進行了研究。文獻[10]探討了用戶活躍性對售電側市場的直接的影響，但以上研究在建立模型的過程中由于所掌握的數(shù)據(jù)信息受到時間和空間上的限制，從而會對最后結果造成一定誤差。
本文重點研究泛在物聯(lián)網(wǎng)環(huán)境下，以火電為主，包含大量風電的綜合能源發(fā)電商成立的售電公司參與電力市場競爭的營銷策略問題。在泛在物聯(lián)網(wǎng)提供的全空間實時數(shù)據(jù)基礎上，多家售電公司參與電力市場競價的過程可轉化為一個靜態(tài)博弈問題，影響該問題的 2 個關鍵因素是用戶電力需求和電力市場出清電價預測的準確度。所以本文依托泛在數(shù)據(jù)平臺的大數(shù)據(jù)特性，通過對歷史數(shù)據(jù)的快速精準提取，創(chuàng)新采用基于“氣象相似日”的改進型小波神經(jīng)網(wǎng)絡模型(wavelet neural network，WNN)對用戶負荷需求進行預測，并提出基于模糊聚類的GA-BP 神經(jīng)網(wǎng)絡模型對短期市場出清電價進行預測，為競價策略的制定奠定基礎?；诜涸跀?shù)據(jù)擬合出的更準確的報價概率密度函數(shù)，構建售電公司的貝葉斯博弈競價模型，最終通過求取貝葉斯納什均衡解得到電力營銷最優(yōu)策略。
1 泛在電力物聯(lián)網(wǎng)的大數(shù)據(jù)應用
當前，世界能源革命與數(shù)字革命融合發(fā)展，國家電網(wǎng)公司 2019 年提出了“泛在電力物聯(lián)網(wǎng)”建設運營計劃 [11-12] ，并將其列為與“堅強智能電網(wǎng)”并重的工作。
根據(jù)國家電網(wǎng)的權威定義 [13] ，“泛在電力物聯(lián)網(wǎng)”即圍繞電力系統(tǒng)各環(huán)節(jié)，充分應用移動互聯(lián)、人工智能等現(xiàn)代信息技術、先進通信技術，實現(xiàn)電力系統(tǒng)各環(huán)節(jié)萬物互聯(lián)、人機交互，具有狀態(tài)全面感知、信息高效處理、應用便捷靈活特征的智慧服務系統(tǒng)。其能夠廣泛應用大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)、移動互聯(lián)、人工智能、區(qū)塊鏈、邊緣計算等信息技術和智能技術，將電力用戶及其設備、電網(wǎng)企業(yè)及其設備、發(fā)電企業(yè)及其設備、供應商及其設備，以及人和物連接起來，通過信息廣泛交互和充分共享，實現(xiàn)數(shù)字化管理。
2018 年國家電網(wǎng)著手打造 SG-eIoT(ElectricInternet of Things)系統(tǒng)，未來泛在電力物聯(lián)網(wǎng)擁有具有巨大應用潛力。目前基礎數(shù)據(jù)連接難以下沉，且單個小數(shù)據(jù)價值密度低，但海量數(shù)據(jù)集合后價值巨大，泛在物聯(lián)網(wǎng)搭建起來后，這些數(shù)據(jù)將儲存在公共云平臺中，在此基礎上可以建立開展更多綜合能源的服務，與用戶建立良好的互動。同時綜合型能源售電公司在制定電價營銷策略時，也能夠掌握全時空的實時數(shù)據(jù)進行研究和分析，這將極大地提高電力市場競爭效率，并且使社會效益達到最大化。
2 基于“氣象相似日”與改進小波神經(jīng)網(wǎng)絡的短期負荷預測
本文引入“氣象相似日”的思想，結合灰色關聯(lián)分析法和加權相似度公式得到與“預測日”相似的“歷史日”數(shù)據(jù)，按照“1 維相似日負荷均值+前 6 維訓練(預測)下 1 維”的思路，采用 WNN 進行短期負荷預測。
2.1 小波神經(jīng)網(wǎng)絡
全面實時的數(shù)據(jù)信息與精準的預測方法，是指導售電公司制定報價策略的關鍵。本文引入“氣象相似日”的思想，并采用附加自適應動態(tài)規(guī)劃(adaptive dynamic programming，ADP)校正環(huán)節(jié)修正的 WNN 對用戶負荷進行預測，通過泛在數(shù)據(jù)平臺提取實時數(shù)據(jù)對 WNN 參數(shù)進行更新，提高預測精度。WNN 較 BP 神經(jīng)網(wǎng)絡具有更強的學習能力，精度更高，對同樣的學習任務，結構更簡單，收斂速度更快。且其較 BP 神經(jīng)網(wǎng)絡而言，逼近能力更靈敏，容錯能力更強。預測原理如圖 1 所示。
2.2 短期負荷預測模型
2.2.1 灰色關聯(lián)分析與氣象相似日選取
反映每天負荷特性的負荷均值序列y=?y(k)?k=1,
3 基于模糊聚類的 GA-BP 神經(jīng)網(wǎng)絡的短期電價預測
依托泛在電力物聯(lián)網(wǎng)提供的全時段歷史交易信息進行的市場出清電價預測是售電公司制定競價策略的重要依據(jù)。本文采用遺傳算法 (geneticalgorithm ， GA) 對 BP 神經(jīng)網(wǎng)絡進行優(yōu)化，發(fā)揮神經(jīng)網(wǎng)絡的廣泛映射能力和 GA 的全局搜索能力，加快網(wǎng)絡學習速率。
3.1 基于傳遞閉包法的模糊聚類分析
考慮到影響電價的多重因素，本文通過挖掘泛在數(shù)據(jù)平臺中相關數(shù)據(jù)，采用模糊聚類的方法選取與預測日相似的預測類別作為神經(jīng)網(wǎng)絡的輸入樣本，提高學習效率。
3.1.1 建立原始矩陣及數(shù)據(jù)規(guī)格化處理
為有效地對樣本進行分類，假設共有 n 個樣本，m 個特性指標，則可構造一個 n×m 的原始矩陣。并采用式 (4) 對歷史電價和負荷的特性指標進行數(shù)據(jù)規(guī)格化 ( 歸一化 ) 處理。
3.2 GA-BP 神經(jīng)網(wǎng)絡預測模型的構建
BP 神經(jīng)網(wǎng)絡是目前為止應用最為成熟的神經(jīng)網(wǎng)絡，但其仍具有收斂速度慢，訓練時間長，容易使目標函數(shù)容易陷入局部極小值等缺陷。本文采用GA 對 BP 神經(jīng)網(wǎng)絡進行網(wǎng)絡連接權的優(yōu)化，將 BP神經(jīng)網(wǎng)絡輸入層和隱含層、隱含層和輸出層的權值作為 GA 的初始種群，利用 GA 的選擇，交叉和變異操作求解最優(yōu)權值，得到一個較好的搜索空間；
然后在此解空間中利用 BP 算法搜索出最優(yōu)解，可以有效避免 BP 神經(jīng)網(wǎng)絡目標函數(shù)陷入局部極小值。其具體的優(yōu)化步驟如下。
1 ）確定 GA 及 BP 網(wǎng)絡的相關參數(shù)。
2 ）在網(wǎng)絡中隨機產(chǎn)生一組初始化權值和閾值分布 ( 染色體 ) ，采用二進制編碼方式對每個染色體進行編碼，形成初始種群。
3 ）本文通過網(wǎng)絡實際值與期望值的誤差函數(shù)來確定適應度函數(shù)，具體表達式如式 (7) 。計算每個個體適應度值，對每個染色體進行度量。如果個體適應度滿足要求，跳轉到步驟 5 ），否則轉入步驟 4 ）。個體 i 被選擇的概率如式 (8) 。
3.3 基于模糊聚類的 GA-BP 神經(jīng)網(wǎng)絡預測流程
采用基于模糊聚類的 GA-BP 神經(jīng)網(wǎng)絡對短期電價進行預測的流程如圖 3 所示。
4 基于暗標拍賣的綜合能源型售電公司貝葉斯競價博弈
4.1 電力市場交易規(guī)則
本 文 中 ， 電 力 交 易 中 心 (electricity tradingcenter ， ETC) 一天共分 48 個交易時段，每一時段內(nèi)采取暗標拍賣的方式進行統(tǒng)一市場出清。各售電公司向 ETC 提交單調遞增的線性報價函數(shù)和最大售電量。用戶向 ETC 提交單調遞減的線性報價函數(shù)及最大購電量。報價越低的售電公司調度上網(wǎng)的優(yōu)先級越高，報價越高的用戶其下網(wǎng)購電的優(yōu)先級也越高。按此順序調度交易雙方，直至市場供需曲線有交點，則交易成功，對應點的電價即為統(tǒng)一出清電價 (uniform clearing price ， UCP) [15] 。若無交點，雙方需重新提交報價函數(shù)，直到獲得 UCP 。
4.2 基于暗標拍賣的貝葉斯競價博弈模型
4.2.1 暗標拍賣與貝葉斯納什均衡
售電公司在追求利潤最大化的過程中，只知道自己的成本函數(shù)和收益函數(shù)，不知道競爭對手的相關信息，可看作不完全信息靜態(tài)博弈問題。所以本文引入暗標拍賣的原理，采用靜態(tài)貝葉斯博弈的方法研究售電公司最優(yōu)報價策略問題。
暗標拍賣 (sealed-bid auction ， SA) 是指各投標人在互不了解的情況下各自出價，遞交密封標書，在同一時間開標，以標價最高者中標的一種拍賣形式。而貝葉斯納什均衡 (Bayesian Nash equilibrium ，BNE) 是指在已知自己的類型和對手類型的概率分布的情況下，使各博弈方的期望效用達到最大化，是各博弈方的最佳策略組合 [16] 。也是我們要求取的售電公司最優(yōu)競價策略。
4.2.2 模型的建立
為方便描述，此處考慮一個時段內(nèi)的競價情況。對該問題進行標準的靜態(tài)貝葉斯博弈描述。
1 ）行為空間 A i ：售電公司的報價 P i 。P i 在電力交易中心限制的最高和最低價格之間，則行為空間 A i =[f 1 , f 2 ] ， (f 1 , f 2 >0) 。
2 ）類型空間 T i ：本文中售電公司售電成本 C i包括發(fā)電成本和運營成本。C s ≤C i ≤C t ，則類型空間T i =[C s , C t ] 。而競爭對手的售電成本則可以通過泛在數(shù)據(jù)平臺提供的歷史數(shù)據(jù)進行更準確的概率估計。本文假設第 i 家售電公司的運營成本 c i * 的表達
5 算例分析
本文選擇電力市場發(fā)展較成熟的美國 PJM 市場的相關數(shù)據(jù)做算例驗證。為體現(xiàn)泛在電力物聯(lián)網(wǎng)大數(shù)據(jù)特性的影響，本文選取 2016 年 8 月 28 日—2016 年 10 月 15 日的 48 節(jié)點和 96 節(jié)點 2 組歷史電價數(shù)據(jù) ( 量綱為 $) ， 2010 年 1 月 1 日— 2016 年 10 月15 日 48 節(jié)點和 96 節(jié)點 2 組歷史負荷數(shù)據(jù) ( 量綱為MW) ，以及 2013 年 1 月 1 日— 2016 年 10 月 22 日氣象因素數(shù)據(jù) ( 日最高溫度、日最低溫度、日平均溫度、日相對濕度以及日降雨量 ) 為樣本，使用Matlab2014a 編程實現(xiàn)算例求解。
5.1 短期負荷預測
根據(jù)第 2 節(jié)的模型和方法可得到 2016 年 10 月16 — 22 日計及氣象因素影響的負荷值。將依托泛在物聯(lián)網(wǎng)數(shù)據(jù)平臺前后的負荷預測曲線，即 48 節(jié)點的負荷預測曲線和 96 節(jié)點的負荷預測曲線與預測輸入平均值進行對比，對應曲線見圖 4 。此外，MAPE 和 MSE 的對比分析見表 1 。
如圖 4 所示，依托泛在物聯(lián)網(wǎng)數(shù)據(jù)平臺前后的預測曲線，從某些細節(jié) ( 如圖 4 的時段 1~100 和時段300~400) 可見，通過泛在物聯(lián)網(wǎng)提供的更準確數(shù)據(jù)，預測曲線會更貼近預測輸入均值。且表 1 顯示，利用泛在數(shù)據(jù)的 MAPE 和 MSE 值比傳統(tǒng)數(shù)據(jù)情況下整體更小，因此證明了計及氣象因素可在一定程度上提高短期負荷預測精度。
5.2 短期電價預測
待聚類的樣本中的特性指標包括歷史日的同一預測點電價，同一預測點負荷，市場參與者數(shù)量，發(fā)電燃料成本和氣象類型值，以及 10 月 16 日待預測日的各預測點負荷，市場參與者數(shù)量，發(fā)電燃料成本和氣象類型值。考慮泛在電力物聯(lián)網(wǎng)大數(shù)據(jù)支持前后，待聚類的每個樣本中的特性指標從 9 個變?yōu)?29 個。通過對樣本集進行模糊聚類，分別選取7 類和 27 類與 16 日歐式距離最短的類別作為 2 個神經(jīng)網(wǎng)絡的輸入樣本。最大迭代次數(shù)為 3000 次，交叉概率 P c =0.9 ，變異概率 P m =0.001 。
利用 2 個神經(jīng)網(wǎng)絡分別對 10 月 16 日 48 個點進行實時電價預測。圖 5 為經(jīng)過利用泛在數(shù)據(jù)前后的出清電價預測值和真實電價值的三維對比圖。圖 6為三者對比的平面圖，即圖 5 的正視圖。
根據(jù)圖 6 結合計算結果可見，利用泛在電力物聯(lián)網(wǎng)數(shù)據(jù)得到的 GA-BP 神經(jīng)網(wǎng)絡預測值與真實值的 MAPE 為 3.42%~4.45% ，常規(guī)的電價預測值與真實值的 MAPE 為 7.76%~10.12% ?？芍劳蟹涸陔娏ξ锫?lián)網(wǎng)的大數(shù)據(jù)平臺可以更加準確的對電價進行預測，為售電公司報價提供更精確的指導。
5.3 售電公司的最優(yōu)報價策略
本文假設網(wǎng)絡不存在阻塞現(xiàn)象。電力市場存在5 家售電公司參與競爭，其相關參數(shù)見表 2 。市場需求電量為 100 MW 。
根據(jù)泛在電力物聯(lián)網(wǎng)可以獲得更準確的得到售電成本 C i (i=1, 2, 3, 4, 5) 均服從密度為 [0.3, 2] 的正態(tài)分布，通過 Matlab 2014a 編寫的 DFP 算法對式 (17) 進行求解計算，表 3 給出了當各售電公司自身達到貝葉斯納什均衡時，最終售電量，報價以及自身收益結果。
達到貝葉斯納什均衡后，若各售電公司均按表 3進行報價，不考慮網(wǎng)絡約束， ETC 按各售電公司所報電價由低到高進行錄用，售電公司 1 、 2 、 4 售出全部電量，售電公司 3 售出部分電量，而售電公司由于報價太高而沒有被選中。各售電公司采用本文模型制定的報價均低于市場出清價，最終報價與市場出清的MAPE 值見表 4 。
6 結論
泛在電力物聯(lián)網(wǎng)建設為綜合能源型售電公司優(yōu)化電力營銷策略提供了良好的思路和有利的平臺，本文依據(jù)泛在數(shù)據(jù)平臺提供的全面海量精準的大數(shù)據(jù)，對短期負荷和市場出清電價進行了預測。
由結果分析可知，采用基于“氣象相似日”的帶自適應動態(tài)規(guī)劃校正的 WNN 模型進行負荷預測時，在泛在電力物聯(lián)網(wǎng)的大數(shù)據(jù)支撐下，負荷預測精度有所提高。而采用基于模糊聚類的 GA-BP 神經(jīng)網(wǎng)絡進行短期電價預測時，依托泛在電力物聯(lián)網(wǎng)的全時空數(shù)據(jù)后，電價預測值與實際值偏差變小，更具參考價值。通過泛在平臺的海量數(shù)據(jù)可以對售電成本進行更加準確的概率描述，使得求解貝葉斯競價博弈模型時得到了質量較好的納什均衡解。
（來源：電網(wǎng)技術 作者：彭謙，周曉潔，楊睿，賈梧桐）
