淺談電力現(xiàn)貨交易下可再生能源發(fā)電對實時電價的影響

【摘要】對于國內(nèi)正在全面推進的電力現(xiàn)貨市場來說，其所進行的實時交易能夠使其充分發(fā)揮出相應的市場調(diào)節(jié)作用，進而實現(xiàn)快速增長的可再生能源消納，所以有必要對其展開深入分析。本文簡略闡述了基于特征所表示的多因素相關(guān)分析的理論基礎(chǔ)以及方法體系，并對展開了相應的實證分析，旨在明確可再生能源發(fā)電對于實時電價所產(chǎn)生的影響?！娟P(guān)鍵詞】電力現(xiàn)貨交易

可再生能源發(fā)電

實時電價引言：從目前來看，我國電力市場的建設(shè)相比從前已經(jīng)有所進步，市場模式也在逐漸開始呈現(xiàn)出現(xiàn)貨交易的趨勢，在該背景下有必要積極參照國外成功經(jīng)驗進行深入對比分析。筆者在此基礎(chǔ)上對德國電力現(xiàn)貨市場的實際情況進行了解，深入研究其可再生能源發(fā)電在實時電價方面的相關(guān)影響，這對于高效掌握市場運行規(guī)律有著積極意義。一、基于特征所表示的多因素相關(guān)分析（一）理論基礎(chǔ)1.時間序列特征表示方法特征表示主要指的是通過特征向量對時間序列展開相應的描述，通常情況下特征向量或涉及到熵、自相關(guān)性以及數(shù)值分布等數(shù)千個特征，有著龐大且繁雜的計算過程。2.基于貪婪算法的特征選擇基于特征對多因素相關(guān)性進行分析的關(guān)鍵點在于提取出能夠?qū)Ω饕蛩貢r間序列本身所具有的關(guān)鍵特征進行有效描述的F構(gòu)造分類器。對于特征的提取能夠充分實現(xiàn)類間差異的最大化，進而確保方法能夠充分發(fā)揮出其應有的價值，并對因素相關(guān)性來源進行解釋。本文主要是在貪婪算法特征的基礎(chǔ)上對方法進行選擇，該方法的應用本身具備著可解釋以及高效等優(yōu)勢。其算法的主要核心便是利用貪心策略，在每輪迭代的過程中選擇提供最大分類準確率改進的特征，指導其最終的誤分率達到0。若是對多個特征都呈現(xiàn)出相同的分類效果，那么便可以針對各個特征進行隨機選擇。（二）方法體系本文的方法體系主要的工作包含兩方面內(nèi)容，其一便是多因素相關(guān)，其二便是方法有效性檢驗。將原本的時間序列模型逐漸轉(zhuǎn)變成特征向量，然后針對其中所具有的關(guān)鍵特征進行提取。靈活運用線性支持向量機，即SVM，對基于特征對因素分類準確性進行詳細檢測，針對特征表示方法描述進行充分論證，同時還要科學系統(tǒng)地展開對于電力市場中各因素時間序列本身有效性的分析工作。在特征的基礎(chǔ)上針對多因素開展相關(guān)分析，主要指的是，基于全部特征降維，充分在二維空間對各因素進行描述，對其實際的分布展開相應的觀察，然后便可以得出其初步的相關(guān)性結(jié)論。給予全部特征以及關(guān)鍵特征，針對多因素開展層次聚類，并對聚類的演化過程進行詳細觀察，明確其各因素之間多具有的相關(guān)性。本文所應用的方法模型包含很多種，涉及到層次聚類、主成分分析以及線性SVM等，但該部分并不作為本文的重點進行詳細介紹，只會對其中間結(jié)果進行輸出。二、實證分析（一）數(shù)據(jù)收集本文在數(shù)據(jù)收集方面主要是針對德國的電力現(xiàn)貨市場進行調(diào)查，并開展相應的數(shù)據(jù)實證分析工作，之所以會選在德國主要是因為其本身有著市場規(guī)則簡單以及有著較小價格波動風險的特征，能夠有效同中國當下的交易模式進行銜接，基本上能夠同我國電力現(xiàn)貨市場建設(shè)現(xiàn)狀相符合。再者便是考慮到德國電力現(xiàn)貨市場有著豐富的可再生能源消納的經(jīng)驗，在近些年內(nèi)始終處在全世界范圍內(nèi)的領(lǐng)先位置。本文主要是收集的數(shù)據(jù)包括風力和太陽能發(fā)電量以及實時電價、負荷量以及發(fā)電量預測誤差等諸多類型因素，總共包括12條時間序列數(shù)據(jù)。其中全部有關(guān)發(fā)電量預測誤差的數(shù)據(jù)都分別來自德國的四大輸電系統(tǒng)運營商。由于風能以及太陽能有著明顯的季節(jié)分布特征，所以經(jīng)過詳細分析，本文在風能數(shù)據(jù)的選擇上選擇了2017年12月19日-25日，這段時間的風能資源比較豐富，同時還選擇了2017年8月19日-25日的太陽能數(shù)據(jù)，該段時間有著較為豐富的太陽能數(shù)據(jù)。（二）構(gòu)建特征模型筆者在原有12條時間序列的基礎(chǔ)上對其進行按日切割，最終產(chǎn)生168條段序列，具體可以按照因素將上述168條段序列劃分成六大類。包括價格序列、風力發(fā)電量預測誤差序列、太陽能發(fā)電量預測誤差序列、風力發(fā)電量序列、太陽能發(fā)電量序列以及負荷序列。1.特征表示方法有效性驗證特征表示方法有效性主要指的是其對于時間序列的描述能力，可通過分類準確率對其進行論證，靈活運用五倍交叉驗證線性SVM分類器，在7873個特征值的基礎(chǔ)上按照因素針對168條短序列開展相應的分類工作。其中分類準確率最高的單個特征編號是6536，準確率高達58.77%。該特征能夠高效實現(xiàn)對于太陽能發(fā)電量序列以及價格序列的區(qū)分，這便代表從高斯過程回歸出發(fā)，電陽能發(fā)電量同實時電價有著較差的相關(guān)性。而風力發(fā)電量預測誤差序列通價格序列之間也存在著一定的重疊，這代表風力發(fā)電量預測誤差極有可能同實時電價之間有著比較強烈的相關(guān)性。但是在經(jīng)過相關(guān)研究之后，并不能充分明確該類相關(guān)性的來源。2.關(guān)鍵特征提取筆者主要遵循著“類間差異最大化、類內(nèi)差異最小化”的原則開展關(guān)鍵特征提取工作，先針對關(guān)鍵特征最大化因素之間的差異進行提取，接下來在與關(guān)鍵特征的基礎(chǔ)上進行相關(guān)的分析。在上文中筆者介紹了基于貪婪算法的特征選擇，可以在該算法的基礎(chǔ)上對關(guān)鍵特征進行提取，便可以得到39各關(guān)鍵特征。其中主要會涉及到偏自相關(guān)函數(shù)、自回歸過程以及傅里葉變換等關(guān)鍵特征。通常情況下諸如時間序列預測等傳統(tǒng)時域觀察比較關(guān)注偏自相關(guān)函數(shù)特征以及自回歸過程，而傅里葉變換則是在最近幾年以來模式識別方面所重點關(guān)注的內(nèi)容。在實際進行關(guān)鍵特征提取的過程中應當注意，因為對特征選擇算法進行設(shè)計時，會對多個特征所產(chǎn)生相同的分類效果開展隨機選擇，所以每次所提取出來的關(guān)鍵特征極有可能存在較大差異性。筆者經(jīng)過多次試驗之后對其結(jié)論的正確性進行了充分驗證。三、結(jié)論綜上所述，對于現(xiàn)貨市場的實時電價來說，其受到風力發(fā)電量預測誤差的影響較大，二者之間的相關(guān)性主要