摘 要：采用非线性系统理论对电力系统历史边际电价数据序列进行了特征分析，根据边际电价时间序列具有分数维D2及最大Lyapunov指数l1大于零，发现电力系统边际电价具有混沌特性。按照本文给出的相空间近邻等距方法，对某电网实际电价数据进行了预测，结果与实际相符，为电力系统电价预测提供了一种新的预测方法。
关键词：电力系统；边际电价；电力市场；混沌；相空间；李雅普诺夫指数
1 引言
系统边际电价（system marginal price，SMP）是电力市场中反映电力商品短期供求关系的统一价格。从系统购电方来看，SMP构成了它的单位购电成本，SMP的预测使自身的动态成本控制成为可能；从发电方来看，SMP是它的产品价格，其利润依赖于准确把握短期市场的走向，把握市场的关键是对SMP的准确预测。因此，电价预测就成了电力市场中急待研究和解决的课题之一[1,2]。在电力市场中，SMP不是一个按正常规律变化的量，它不仅与负荷曲线、系统可用的发电容量、发电商的报价模式、系统和机组的约束条件等因素密切相关，而且还与物价、通货膨胀等因素有关。正是由于影响电价变化因素的多样性和随机性很难用数学模型表示，所以给电价预测的准确预测带来了很大的困难。
本文利用电价数据的时间序列，不考虑与负荷相关的随机因素，直接对含有影响电价的各种因素的电价的历史数据进行分析，根据得到的客观性特征规律进行预测。
2 边际电价的混沌特性分析
2.1 电价吸引子的相空间重构
系统边际电价数据是以一定时间采样而得到的离散时间序列。按照相空间重构的理论，设有单变量时间序列X(1), X(2), …, X(n)，则由此序列嵌入m维相空间，得到一系列m维相空间的相点：
式中 t =kDt(k=1, 2, …)为延迟时间；Dt为采样时间；nt =n-(m-1) t 表示由n个X点构成m维相点的个数。
式(1)把单变量时间序列嵌入到了m维的相空间中，而m维相空间中各个相点的变化描述了系统在相空间中的演化轨迹。
在重构相空间的过程中，对t 的选取要考虑二者的平衡，既不能使t 过大，也不能使t 过小[3-5]。本文利用自相关系数首次过零时的延迟作为t 的选取，对某网局的边际电价数据（以后均用此数据）进行相关分析，其自相关系数曲线所示。可以看出自相关系数首次过零时t =8。
2.2 电价吸引子的分形维数
对耗散系统来说，虽然运行状态是千变万化的，但是在相空间体积是收缩的，系统最终会趋于某个吸引子。因此，可以从吸引子的结构着手，来给出系统混沌的判据。利用G-P算法[6]，对系统边际电价数据进行处理，得到不同维数时斜率D2的lnC(r)-lnr曲线，所示。
由图2看出，曲线lnC(r)~lnr有一段直线性很好。当m较小时，曲线的直线部分斜率较小，彼此间的间隔较大，随着m的增加，这些直线的斜率逐渐增大，其间隔变小，且逐渐靠拢。当m≥10时，各条直线密集且相互间趋于平行，可算出曲线的直线部分的斜率趋于稳定值D2=3.27。可见电力系统是个多维系统，其系统边际电价吸引子的分数维是确定系统负荷具有混沌特性的重要参数之一。
2.3 系统边际电价最大Lyapunov指数(l1) 的提取
混沌系统对于初始条件的敏感性可以描述为吸引子上相邻2点随时间的演化将产生指数分离，l1刻画了这种分离的程度。在混沌系统中至少有1个λ1大于零。假若1个n阶耗散系统的λ1谱为λi子在相空间中产生折叠、回转、拉伸等过程，使混沌系统在短期内可以预测。从某电网局2000年10月14日~2000年12月1日的2352个数据中提取Lyapunov指数计算，取时滞t=8，嵌入维数m的值从5到15、20、25，按照文[7]的方法计算，结果见表1。可以看出，最大的Lyapunov指数(l1)均为正的。因此，此序列是混沌的。
总之，系统边际电价的关联维数D2为分数，电价的最大l1是正数，因此边际电价具有混沌特性，这使得电力系统负荷的短期预测成为可能。
3 嵌入相空间的边际电价预测
3.1 预测步骤
本文采用相空间近邻等距法[8-11]对系统边际电价作预测。对于时间序列x(ti) (i=1,2,…,n)，假设已知xn，要预测xn+1，则
（1）根据最小嵌入维数m，延迟时间t，对边际电价的历史数据x(ti) (i=1,2,…,n)进行相空间重构。
（2）找出包含xn的m维矢量Y (n)，并按照式(2)找到距离Y(n)最近的相点Ynbt(n)，即
（3）将矢量Y(n)和它的最近邻态Ynbt(n)各自向前演化一步，得到Y(n+1)和Ynbt(n+1)，由于演化时间相对于t 来说很短，所以近似认为态Y(n+1)和Ynbt(n+1)仍相差很小，即
显然对于式(3)来说，只有一个未知量x(n+1)。获得x(n+1)以后，即可继续构造下一个m维空间的相矢，继续用上述方法计算下一点的预测值。
3.2 预测结果
利用近似相矢的混沌时间序列预测方法[8]，对某网局2000年某天边际电价进行了48个数据点的预测，其结果所示。图中实线代表实际电价，虚线表示预测电价。误差曲线见图4，预测误差一般都小于3%，预测误差大于3%的点有3个，误差大于5%的有3个。由图中可以看出，越是前面的数值吻合得越好，在晚上负荷高峰时，预测值与实际值误差较大，一方面因为在负荷需求很大的晚上，恶性竞争或过度投机造成的系统边际电价偏离正常的供求关系；另一方面存在着误差累加。一般来说，在一个机制健全的有效市场中，系统的总体报价模式在短期内是稳定的，由于系统边际电价数据序列具有混沌特性，所以只能做短期的预测。
表2是2000年11月6日~12日的运行统计结果。由表中可以看出其精度是很好的，很少有误差大于4%预测数据结果。为了说明本文所给方法的优劣，采用了文[12]中介绍的神经网络预测模型进行预测，结果、图4所示。显然采用本文所给方法得到的预测结果精度有比较明显的提高。
4 结论
本文通过某电网系统边际电价数据的分析和计算，得出以下结论：
（1）系统边际电价的最大l1大于零，其相空间吸引子的关联维数是分数，系统边际电价具有混沌特性；
（2）按照基于混沌特性时间序列的零点近似方法，对某电网系统边际电价的预测结果表明，预测值与实测值吻合较好；
（3）算法的优点在于进行电价数据预测时是使用根据数据序列本身计算出来的客观规律，即：Lyapunov指数，而不是像以前那样选择数据序列的主观模型，因此通过实际网络的计算，边际电价预测精度明显提高；
（4）算法本身的参数如延迟时间和嵌入维数等在相空间理论中还值得进一步研究和探讨，这些参数选择得较好会使预测精度得到进一步改善。
参考文献
[1] Szkuta B R，Sanabria L A，Dillon T S．Electric price short-term forecasting using artificial neural networks [J]．IEEE Trans on PWS， 1999，14(3)：851-857．
[2] 黄日星，康重庆，夏清（Huang Rixing，Kang Chongqing，Xia Qing）．电力市场中的边际电价预测（System marginal price forecasting in electricity market）[J]．电力系统自动化（Automation of Electric Power System），2000，24(22)：9-12．
[3] 李天云，刘自发（Li Tianyun，Liu Zifa）．电力系统负荷的混沌特性及预测（The chaotic property of power load and is forecasting）[J]．中国电机工程学报（Proceedings of the CSEE），2000，20(11)：36-40．
[4] 周佩玲，储阅春，吴耿锋，等（Zhou Peiling，Chu Yuechun，Wu Gengfeng，et al）．相空间重构在股票短期预测中的应用（Stock prediction based on method of phase construction）[J]．中国科学技术大学学报（Journal of China University of Science and Technology），1999，29(3)：357-362．
[5] 顾圣士，王志谦，程极泰（Gu Shengshi，Wang Zhiqian，Cheng Jitai）．太阳黑子数时间序列的分形研究及预测（The fractal research and predicating on the time series of sunspot relative number）[J]．应用数学和力学（Applied Mathematics and Mechanics），1999，20(1)：79-84．
[6] 黄润生．混沌及其应用[M]．武汉：武汉大学出版社，2000．
[7] 梁志珊，王丽敏，付大鹏，等（Liang Zhishan，Wang Limin，Fu Dapeng，et al）．基于Lyapunov指数的电力系统短期负荷预测（Electric power system short-term load forecasting using lyapunov expo-nents technique）[J]．中国电机工程学报（Proceedings of the CSEE），1998，18(5)：368-371．
[8] 姚建刚，陈亮，戴习军，等（Yao Jiangang，Chen Liang，Dai Xijun，et al）．混沌神经网络负荷建模的理论研究（Academic research of load modeling with chaotic network）[J]．中国电机工程学报（Proceedings of the CSEE），2002，22(3)：99-102．
[9] Farmer j D,Sidorowich J J.Predicting chaotic time series[J].Phys.Rev.Lett.,1987,59(8):845-848.
[10] 权先璋，蒋传文，张勇传(Quan Xianzhang,Jiang Chuanwen,Zhang Yongchuan).电力负荷的混沌预测方法(Power load forecasting based on chaotic theory)[J].华中理工大学学报(Journal of Huazhong University of Science & Tecnology),2000,28(7):92-94.
[11] 吴彤(Wu Tong).非线性动力学混沌理论方法及其意义(Chaos theory of nonlinear dynamics and its significance)[J].清华大学学报（哲学社会科学版）(Journal of Tsinghua University(Philosophy and Social Sciences),2000，15（3）：72-79.
[12] 杨正东(Yang Zhengdong).火力发电厂竞价上网辅助决策系统的研究(Studies on auxiliary decision-making system for power plants price competition)[D].华北电力大学(North China Electric Power University(Beijing)Master Degree Thesis),2000.
