电力市场改革初期，月度竞价由于可供研究的数据少、环境变化大、市场参与者行为不确定等特点难以分析预测。
本文将监督式机械学习算法与当前电力市场规则和竞价者行为特征相结合，提出了一种具有自适应能力的竞价预测方法，引入遗忘机制和惯性机制来模拟真实市场参与者竞价行为，设计了自我验证机制修正不合理的预测结果，改进了正则化参数，有效避免了过拟合的发生。本文实验算例采用广东月度竞价的实验市场数据，验证了所提方法的有效性。
随着我国生产结构的转型，电力需求增速减缓。为了进一步优化产能结构，我国自2015年开始正式起动新一轮电力市场改革（电改“9号文”）[1-3]。本轮改革中，国家陆续出台了一系列指导规章和准则，建立了大范围的电力综合改革试点和售电市场试点。根据世界其他开展电力市场改革区域的经验[4-6]，电力市场从时间上主要划分为中长期市场和现货市场。
目前，中国电力市场发展尚处于初始阶段，市场的参与者都期待采用优化的竞价策略来最大化利润，并避免因错误竞价策略而导致损失。然而，当前月度竞价存在以下特点：①市场规则存在变数；②准入供需比不断调整；③用户不理性报价。这些特点使用户难以预测和把握市场走向，进而无法找到最优的竞价策略。
因此，如何帮助售电公司和发电集团找到优化的竞价策略成为热门话题[7-10]。文献[7]通过用随机规划方法来考虑电价的不确定性，研究了有自发电设备的电力大用户在联营混合型市场和双边交易市场下的购电策略。
文献[8]从售电公司购售两侧来研究售电公司参与市场的最优化策略，通过条件风险价值（CVAR）方法对风险进行处理，并使用混合整数随机规划方法求解出最优购电和售电价格。
基于时间序列模型理论，文献[9]主要是建立自回归积分滑动平均模型（ARIMA）对电价序列进行表示，并利用最小均方误差为准则对其预测。
为了减少原始数据中可能存在不良数据对预测结果造成不利影响，文献[10]在对序列进行ARIMA预测之前先通过小波变换过滤掉不良数据，再通过逆小波变换得到时间连续的电价预测值。
本文将机器学习方法与广东电力市场规则、用户行为特征相结合以及市场初期月度竞价表现出的特点，即数据少、用户行为差异大、竞价存在学习过程，提出了一套基于时间序列的自适应竞价预测监督式学习算法策略。
本策略全面考虑了用户不成熟的市场行为和用户竞价延后性的实际问题，仅需要根据少量市场的数据，就可以学习用户行为并适应市场变化，通过自我修正机制，给出有价值的竞价决策建议。今后随着市场逐渐成熟，可将该算法推广应用于其他省份的月度电力市场竞价以及现货市场中。
图2 反馈修正流程图
结论
本文提出一套基于监督式学习的自适应竞价预测模型。该策略下，采用改进的时间序列加监督式学习算法。为了模拟逐渐成熟的市场行为，引入了遗忘机制，通过加入遗忘机制，削减历史拟合误差的权重来起到“遗忘”的作用。
针对用户的延后反应，本文将独立生成一组现有参数非线性组合产生的新参数最为额外的输入，在保持优化模型线性特征的情况下，实现更准确地预测。
针对数据量少而出现的过拟合问题，除了提出具有多重共线性特征的输入来避免过拟合外，还加入了正则化参数。同时进行辅助反馈变量更新，使监督预测模型价格向优于前时间节点方向移动从而进行反馈修正。
经算例验证可知，可将该策略有效应用于广东电力交易市场中。这对售电公司及大用户在今后电力现货市场中的竞价具有一定的借鉴意义。
手机扫描二维码
