周理翔ZHOU Li-xiang

（上海勘測(cè)設(shè)計(jì)研究院有限公司，上海200335）

0 引言

電力資源是我國水電業(yè)重要能源消耗之一，電力供應(yīng)和電力價(jià)格對(duì)水電施工及工程造價(jià)影響重大[1]。隨著我國電力市場(chǎng)不斷推進(jìn)深化改革，健全我國目前電力市場(chǎng)交易體系，深化電力交易市場(chǎng)化是目前電力系統(tǒng)改革的首要目標(biāo)之一[2，3]。然而，電力市場(chǎng)出清價(jià)影響因素眾多，電力市場(chǎng)波動(dòng)大，對(duì)水電項(xiàng)目購買電價(jià)影響顯著，因此應(yīng)提出準(zhǔn)確高效的電價(jià)預(yù)測(cè)方法以推動(dòng)市場(chǎng)主體資源配置，為建設(shè)項(xiàng)目工程造價(jià)及運(yùn)營成本管理提供有效的理論支撐。

高效準(zhǔn)確的電網(wǎng)電價(jià)預(yù)測(cè)算法是實(shí)現(xiàn)精準(zhǔn)電力資源配置和深化電力交易市場(chǎng)化的關(guān)鍵，國內(nèi)外眾多學(xué)者開展了廣泛的研究。黃元生等[4]提出一種基于BP 神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)的短期電價(jià)預(yù)測(cè)方法，能夠提供更精確的電價(jià)預(yù)測(cè)；趙培等[5]考慮實(shí)時(shí)電價(jià)對(duì)電網(wǎng)負(fù)荷的影響，基于灰色加權(quán)和支持向量機(jī)提出了實(shí)時(shí)的電力負(fù)荷預(yù)測(cè)模型；J drzejewski Arkadiusz 等[6]考慮季節(jié)因素對(duì)電力負(fù)荷的影響，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法提出了基于季節(jié)變化的電價(jià)預(yù)測(cè)模型?？娪崛氐萚7]基于增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合ReliefF算法和互信息有效提升智能電網(wǎng)電價(jià)預(yù)測(cè)算法精度。

以上研究為電網(wǎng)電價(jià)預(yù)測(cè)算法和提升電價(jià)預(yù)測(cè)精度提供了豐富的理論依據(jù)。然而上述研究集中于電力市場(chǎng)買賣雙方競(jìng)價(jià)策略和浮動(dòng)電價(jià)預(yù)測(cè)方法，較少考慮水電市場(chǎng)電力資源采用及水電建設(shè)項(xiàng)目與電力市場(chǎng)交易策略和影響因素，容易出現(xiàn)電力采購價(jià)格尖峰產(chǎn)生，影響成本管理和工程造價(jià)方案準(zhǔn)確性。鑒于此，本文基于水電行業(yè)背景特征，充分考慮水電行業(yè)電力資源采用相關(guān)影響因素，基于我國電力市場(chǎng)化和智能電力交易市場(chǎng)發(fā)展背景，提出水電市場(chǎng)短期電價(jià)預(yù)測(cè)方法，以期為提升水電項(xiàng)目工程造價(jià)及運(yùn)用成本精細(xì)化管理提供一定理論參考。

1 水電工程電價(jià)預(yù)測(cè)特征指標(biāo)分析

水電工程建設(shè)對(duì)電力資源需求較大，同時(shí)電力使用時(shí)間和消耗特征與常見居民用電與商業(yè)用電區(qū)別較大?？紤]電力市場(chǎng)化買賣雙方競(jìng)價(jià)策略，如采用同質(zhì)化競(jìng)價(jià)策略，易產(chǎn)生電價(jià)尖峰，影響水電工程電價(jià)預(yù)測(cè)準(zhǔn)確度。鑒于此，本文基于水電工程項(xiàng)目實(shí)際背景，充分梳理對(duì)水電工程電價(jià)影響的有關(guān)潛在因素，基于水電工程背景因素、用電時(shí)間因素、天氣因素、以及工程效益因素分析重要電價(jià)影響因素，以提供準(zhǔn)確的電價(jià)預(yù)測(cè)特征值，提升電價(jià)預(yù)測(cè)算法精度和有效性。

1.1 工程因素

不同類型水電工程差異巨大，用電策略和用電成本不盡相同。水電工程項(xiàng)目區(qū)域通常在偏遠(yuǎn)山區(qū)，水電項(xiàng)目施工區(qū)域與施工位置對(duì)輸電成本影響巨大，市區(qū)和山區(qū)等不同施工區(qū)域?qū)旊娋€路和輸電設(shè)備提出了更高的要求。同時(shí)，不同項(xiàng)目階段所需施工設(shè)備和用電需求差異巨大，因此應(yīng)根據(jù)項(xiàng)目實(shí)施階段充分考慮對(duì)電價(jià)的影響。此外，水電項(xiàng)目用電設(shè)施和項(xiàng)目現(xiàn)場(chǎng)供電設(shè)施完備程度也顯著影響項(xiàng)目供電成本。

1.2 時(shí)間因素

水電工程施工過程與施工時(shí)間對(duì)電力消耗影響巨大，部分施工過程用電區(qū)間與居民用電高峰差異顯著。例如混凝土澆筑作業(yè)通常在夜間進(jìn)行，同時(shí)水電項(xiàng)目節(jié)假日用電與居民節(jié)假日用電存在一定差異。水電施工項(xiàng)目通常為階段性施工作業(yè)，然而居民用電和商業(yè)用電呈現(xiàn)明顯的周周期性（雙周用電相似性），水電施工項(xiàng)目難以呈現(xiàn)周周期性效應(yīng)，因此對(duì)于供電需求和成本存在一定的差異。

1.3 氣象因素

氣象因素顯著作用于水電施工項(xiàng)目用電消耗量。高低溫天氣和極端天氣可能導(dǎo)致水電工地暫停危險(xiǎn)施工任務(wù)，降低施工設(shè)備用電量，然而散熱或取暖需求會(huì)進(jìn)一步增加水電項(xiàng)目用電需求。同時(shí)極端天氣會(huì)顯著影響工地附近市區(qū)居民用電量，達(dá)到供電負(fù)荷高峰，顯著影響當(dāng)?shù)仉娋W(wǎng)供電能力和用電需求價(jià)格。歷年氣溫和氣溫趨勢(shì)也會(huì)影響當(dāng)?shù)鼐用窈退姽さ靥崆斑M(jìn)行設(shè)備采購和防范措施，對(duì)用電需求產(chǎn)生影響。

1.4 工程效益

水電工程效益能夠影響施工用電的期望電價(jià)水平。水電項(xiàng)目環(huán)境效益要求水電項(xiàng)目對(duì)土地開發(fā)，環(huán)境保護(hù)，防塵噪音等方面加大投入，提升用電需求；社會(huì)效益評(píng)估建設(shè)項(xiàng)目對(duì)社會(huì)的主要貢獻(xiàn)，能夠?yàn)樵u(píng)價(jià)電力需求和供電效益提供一定的參考；經(jīng)濟(jì)效益能夠影響建設(shè)項(xiàng)目對(duì)施工用電的期望水平和接受范圍，經(jīng)濟(jì)效益好壞可以決定是否通過提升用電價(jià)格以滿足用電需求，或調(diào)整用電區(qū)間和用電量以降低用電成本，進(jìn)而綜合影響采購電價(jià)。

基于上述分析，本文構(gòu)建工程因素，時(shí)間因素，氣象因素，和工程效益四個(gè)主要影響方面，并細(xì)化建立15 個(gè)主要影響因素，以期挖掘水電工程用電特征，構(gòu)建電價(jià)預(yù)測(cè)特征因素，提升電價(jià)預(yù)測(cè)算法的泛化范圍，提高電價(jià)預(yù)測(cè)算法的預(yù)測(cè)精度和準(zhǔn)確性。本文構(gòu)建的水電工程電價(jià)影響指標(biāo)如圖1 所示。

圖1 水電工程項(xiàng)目電價(jià)影響指標(biāo)

2 研究方法

2.1 基于灰色關(guān)聯(lián)度的多因素處理

為提升水電工程電價(jià)預(yù)測(cè)特征值準(zhǔn)確性，排除關(guān)聯(lián)度較少的部分預(yù)測(cè)指標(biāo)，本文基于灰色關(guān)聯(lián)度方法評(píng)價(jià)上述研究指標(biāo)的重要性，以篩選無關(guān)指標(biāo)，提升神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果?；疑P(guān)聯(lián)度建模方法如下：

2.1.1 評(píng)價(jià)指標(biāo)權(quán)重及評(píng)判集的確定

設(shè)經(jīng)過數(shù)據(jù)處理后的參考數(shù)列為：

相比較的p 個(gè)數(shù)列為：

式中，n 為數(shù)列的數(shù)據(jù)長度，即為數(shù)據(jù)的個(gè)數(shù)。

2.1.2 評(píng)價(jià)指標(biāo)權(quán)重及評(píng)判集的確定

下面計(jì)算兩種序列之間的距離，衡量它們之間的線性偏離程度，通過分析兩者之間的作用強(qiáng)度大小，比較變量之間的相關(guān)程度。

式中：VT為V 的轉(zhuǎn)置。

2.2 水電工程電價(jià)預(yù)測(cè)小波神經(jīng)網(wǎng)絡(luò)構(gòu)建

2.2.1 神經(jīng)元節(jié)點(diǎn)數(shù)確定

小波神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)是隱含層的重要組成部分，為確定合適的節(jié)點(diǎn)個(gè)數(shù)，本文采用如下公式：

式中：隱含層的節(jié)點(diǎn)數(shù)目由m 表示，輸入層的節(jié)點(diǎn)個(gè)數(shù)由l 表示，輸出層的節(jié)點(diǎn)個(gè)數(shù)由s 表示。

2.2.2 改進(jìn)的神經(jīng)元函數(shù)確定

假定小波神經(jīng)網(wǎng)絡(luò)輸入層由L 表示、隱含層由M 表示、輸出層由S 表示。其中小波神經(jīng)網(wǎng)絡(luò)中第i 個(gè)輸入層到第j 個(gè)隱含層的權(quán)值由wij表示，其中總訓(xùn)練樣本數(shù)由N表示，訓(xùn)練網(wǎng)絡(luò)輸入層的維度由l 表示，oi表示訓(xùn)練神經(jīng)網(wǎng)絡(luò)中第i 個(gè)輸入節(jié)點(diǎn)的閾值，aj與bj分別對(duì)應(yīng)隱含層小波基函數(shù)的伸縮和平移參數(shù)，其神經(jīng)元輸出的函數(shù)為：

式中：netj為神經(jīng)元的凈激活值，可以表示為：

Maxican Hat 小波基函數(shù)與Morlet 小波基函數(shù)均為非尺度函數(shù)，具有結(jié)構(gòu)對(duì)稱、表達(dá)清晰簡單等優(yōu)點(diǎn)，本文基于Maxican Hat 小波基函數(shù)與Morlet 小波基函數(shù)采用加權(quán)的方法構(gòu)建兼具兩種函數(shù)優(yōu)點(diǎn)的神經(jīng)元節(jié)點(diǎn)函數(shù)。兩種小波基函數(shù)運(yùn)行后的時(shí)域波形圖如圖2 所示。

圖2 Morlet 小波與Maxican Hat 小波時(shí)域比較圖

神經(jīng)元節(jié)點(diǎn)函數(shù)可以表示為：

2.2.3 小波神經(jīng)網(wǎng)絡(luò)算法公式推導(dǎo)

令隱含層的第j 個(gè)節(jié)點(diǎn)到輸出層的第k 個(gè)節(jié)點(diǎn)之間的權(quán)重比值為vjk，而隱含層的第j 個(gè)隱節(jié)點(diǎn)的閾值設(shè)為gj，若設(shè)定第k 個(gè)網(wǎng)絡(luò)輸出層的基點(diǎn)的閾值為為神經(jīng)網(wǎng)絡(luò)的輸出層，其中k=1，2，L，S，小波神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)數(shù)由S 表示：

計(jì)算小波神經(jīng)網(wǎng)絡(luò)的隱含層的第j 個(gè)節(jié)點(diǎn)的輸入值netj；

隱含層第j 個(gè)節(jié)點(diǎn)的輸出值計(jì)算如下：

輸出層第k 個(gè)節(jié)點(diǎn)的輸出值計(jì)算如下：

誤差評(píng)價(jià)規(guī)定誤差值為δ，當(dāng)E＜δ 時(shí)，即實(shí)際誤差值大于預(yù)定誤差值，此時(shí)，得到預(yù)測(cè)結(jié)果；當(dāng)E＞δ 時(shí)，也就是實(shí)際誤差值大于預(yù)定誤差值，此時(shí)需要進(jìn)行反向傳播。進(jìn)一步修正輸入層權(quán)值，引入學(xué)習(xí)率η 以動(dòng)量系數(shù)β，以保證在小波神經(jīng)網(wǎng)絡(luò)在運(yùn)行過程及收斂速度，推導(dǎo)公式如下：

2.2.4 小波神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)

基于電價(jià)預(yù)測(cè)和小波神經(jīng)網(wǎng)絡(luò)相關(guān)文獻(xiàn)[8，9]，本文采用均方誤差（MSE）和均方根誤差（RMSE）作為評(píng)價(jià)小波神經(jīng)網(wǎng)絡(luò)模型的主要方法，推導(dǎo)過程如下

3 結(jié)果與討論

3.1 灰色關(guān)聯(lián)度因素分析

為提升小波神經(jīng)網(wǎng)絡(luò)泛化精度和預(yù)測(cè)準(zhǔn)確性，本文基于灰色關(guān)聯(lián)度方法，評(píng)價(jià)水電工程電力價(jià)格相關(guān)影響因素關(guān)聯(lián)度，以排除部分關(guān)聯(lián)度較小的影響因素，減少小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)因素范圍，減少訓(xùn)練時(shí)間并提升收斂性。本文基于相關(guān)因素，以工程領(lǐng)域承包人、業(yè)主為主要調(diào)查對(duì)象，采用問卷調(diào)查方式進(jìn)行數(shù)據(jù)收集，共發(fā)放問卷18 份，收集有效分卷15 份，采用5 級(jí)李克特量表進(jìn)行主觀評(píng)價(jià)，對(duì)于打分結(jié)果進(jìn)行灰色關(guān)聯(lián)度評(píng)價(jià)分析，因素關(guān)聯(lián)度結(jié)果如表1 所示。

表1 因素關(guān)聯(lián)度結(jié)果

3.2 小波神經(jīng)網(wǎng)絡(luò)算例構(gòu)建與訓(xùn)練

為提升小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度，本文基于表一灰色關(guān)聯(lián)度結(jié)果，選取關(guān)聯(lián)度大于0.9 的八項(xiàng)重要影響指標(biāo)。實(shí)驗(yàn)訓(xùn)練集來自于美國PJM 電力市場(chǎng)開源數(shù)據(jù)，并結(jié)合美國當(dāng)?shù)亟ㄔO(shè)項(xiàng)目相關(guān)文件資料、建設(shè)用電數(shù)據(jù)等構(gòu)建小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，訓(xùn)練次數(shù)擬定為1000。影響因素及小波神經(jīng)網(wǎng)絡(luò)隱含層與輸入層權(quán)值如表2 所示。

表2 隱含層與輸入層權(quán)值

小波神經(jīng)網(wǎng)絡(luò)隱含層輸入層閾值如表3 所示，可知1000 次訓(xùn)練過程后，網(wǎng)絡(luò)所記憶的因素之間、因素與水電工程電價(jià)之間的關(guān)系。通過分析隱含層權(quán)值與輸出層權(quán)值，可知在對(duì)比隱含層及輸出層的閾值因素之間關(guān)聯(lián)性作用關(guān)系具有一定的限制，不同因素在相應(yīng)限制程度內(nèi)相互影響，具有相對(duì)穩(wěn)定性。

表3 隱含層輸入層閾值

3.3 小波神經(jīng)網(wǎng)絡(luò)算例用電負(fù)荷及電價(jià)預(yù)測(cè)預(yù)測(cè)

基于上述訓(xùn)練完成的加權(quán)小波神經(jīng)網(wǎng)絡(luò)模型，對(duì)美國PJM 電力市場(chǎng)開源數(shù)據(jù)進(jìn)行仿真分析，本文選取2018 年某日24 小時(shí)電力負(fù)荷數(shù)據(jù)進(jìn)行分析仿真分析，以預(yù)測(cè)24小時(shí)內(nèi)短期電力負(fù)荷和電力市場(chǎng)交易電價(jià)。電力負(fù)荷結(jié)果如表4 所示。

由表4 可知，本文構(gòu)建的加權(quán)小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)較為接近，MSE 和RMSE 均在可接受范圍之內(nèi)。為比較不同算法預(yù)測(cè)精度，本文將加權(quán)小波神經(jīng)網(wǎng)絡(luò)算法與單一Morlet 小波神經(jīng)網(wǎng)絡(luò)算法，Maxican Hat 小波神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)結(jié)果進(jìn)行比較，不同算法電力負(fù)荷和電價(jià)預(yù)測(cè)結(jié)果如圖3、圖4 所示。

圖3 不同算法電力負(fù)荷預(yù)測(cè)對(duì)比圖

圖4 不同算法電價(jià)預(yù)測(cè)結(jié)果對(duì)比圖

表4 加權(quán)小波神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)結(jié)果

3.4 結(jié)果討論

電力市場(chǎng)化是我國電力改革重要方向，然而我國水電行業(yè)對(duì)于電力資源消耗巨大，電價(jià)波動(dòng)將會(huì)對(duì)水電工程造價(jià)、成本管理等方面造成重要影響。以往電價(jià)預(yù)測(cè)研究通常集中于居民用電和商業(yè)用電價(jià)格預(yù)測(cè)，較少考慮水電工程用電特征，以構(gòu)建差異化的競(jìng)價(jià)策略，提升水電工程項(xiàng)目買房在電力市場(chǎng)競(jìng)爭(zhēng)實(shí)力。本文考慮水電工程施工背景，挖掘如施工時(shí)間、施工地點(diǎn)、氣象條件等具有水電工程特征的重要影響因素，能夠有效減少神經(jīng)網(wǎng)絡(luò)所需特征值，提升神經(jīng)網(wǎng)絡(luò)收斂性和精度。結(jié)果表明，本文提出的加權(quán)小波神經(jīng)網(wǎng)絡(luò)能夠有效的預(yù)測(cè)短期電力負(fù)荷和電價(jià)，能夠?yàn)樗娖髽I(yè)在今后電力市場(chǎng)化背景下采購電力資源提供一定的理論支撐。

4 研究結(jié)論

本文基于電力市場(chǎng)化改革背景，考慮水電工程用電特征，結(jié)合灰色關(guān)聯(lián)度和小波神經(jīng)網(wǎng)絡(luò)構(gòu)建水電工程電價(jià)預(yù)測(cè)算法，并基于美國PJM 電力市場(chǎng)開源數(shù)據(jù)進(jìn)行算例仿真。仿真結(jié)果表明，對(duì)比不同小波神經(jīng)網(wǎng)絡(luò)算法，本文提出的加權(quán)小波神經(jīng)網(wǎng)絡(luò)能夠有效的預(yù)測(cè)短期電力負(fù)荷和電價(jià)，為水電企業(yè)電價(jià)采購、成本分析、及工程造價(jià)提供了一定的理論參考。本文主要結(jié)論如下：

①本文構(gòu)建的灰色關(guān)聯(lián)度模型能夠有效評(píng)價(jià)不同影響因素關(guān)聯(lián)性，能夠及時(shí)發(fā)現(xiàn)部分無關(guān)變量以減少小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)及訓(xùn)練范圍，提高小波神經(jīng)網(wǎng)絡(luò)的收斂性和精度。

②本文基于Morlet 和Maxican Hat 構(gòu)建的加權(quán)小波神經(jīng)網(wǎng)絡(luò)算法相比單一的小波神經(jīng)網(wǎng)絡(luò)算法具有更好的精度，能夠較好預(yù)測(cè)水電工程短期電力負(fù)荷和電價(jià)，所提出的算法能夠?yàn)樗姽こ讨付娏Y源采購策略和制定購買電價(jià)范圍提供理論依據(jù)。

③本文針對(duì)水電工程背景，考慮對(duì)出清電價(jià)相關(guān)影響，提出短期電價(jià)預(yù)測(cè)算法。然而由于目前我國店里現(xiàn)貨市場(chǎng)已經(jīng)初步開始建設(shè)運(yùn)營，獲取相關(guān)數(shù)據(jù)難度較大，本文使用美國PJM 電力市場(chǎng)開源數(shù)據(jù)作為訓(xùn)練集。今后將考慮結(jié)合我國實(shí)際工程項(xiàng)目，構(gòu)建本土化的電價(jià)預(yù)測(cè)算法，為當(dāng)?shù)亟ㄔO(shè)項(xiàng)目及管理部門構(gòu)建電力市場(chǎng)提供一定理論參考。