马保峰

【摘要】对于国内正在全面推进的电力现货市场来说，其所进行的实时交易能够使其充分发挥出相应的市场调节作用，进而实现快速增长的可再生能源消纳，所以有必要对其展开深入分析。本文简略阐述了基于特征所表示的多因素相关分析的理论基础以及方法体系，并对展开了相应的实证分析，旨在明确可再生能源发电对于实时电价所产生的影响。

【关键词】电力现货交易  可再生能源发电  实时电价

引言：从目前来看，我国电力市场的建设相比从前已经有所进步，市场模式也在逐渐开始呈现出现货交易的趋势，在该背景下有必要积极参照国外成功经验进行深入对比分析。笔者在此基础上对德国电力现货市场的实际情况进行了解，深入研究其可再生能源发电在实时电价方面的相关影响，这对于高效掌握市场运行规律有着积极意义。

一、基于特征所表示的多因素相关分析

（一）理论基础

1.时间序列特征表示方法

特征表示主要指的是通过特征向量对时间序列展开相应的描述，通常情况下特征向量或涉及到熵、自相关性以及数值分布等数千个特征，有着庞大且繁杂的计算过程。

2.基于贪婪算法的特征选择

基于特征对多因素相关性进行分析的关键点在于提取出能够对各因素时间序列本身所具有的关键特征进行有效描述的F构造分类器。对于特征的提取能够充分实现类间差异的最大化，进而确保方法能够充分发挥出其应有的价值，并对因素相关性来源进行解释。本文主要是在贪婪算法特征的基础上对方法进行选择，该方法的应用本身具备着可解释以及高效等优势。其算法的主要核心便是利用贪心策略，在每轮迭代的过程中选择提供最大分类准确率改进的特征，指导其最终的误分率达到0。若是对多個特征都呈现出相同的分类效果，那么便可以针对各个特征进行随机选择。

（二）方法体系

本文的方法体系主要的工作包含两方面内容，其一便是多因素相关，其二便是方法有效性检验。

将原本的时间序列模型逐渐转变成特征向量，然后针对其中所具有的关键特征进行提取。灵活运用线性支持向量机，即SVM，对基于特征对因素分类准确性进行详细检测，针对特征表示方法描述进行充分论证，同时还要科学系统地展开对于电力市场中各因素时间序列本身有效性的分析工作。

在特征的基础上针对多因素开展相关分析，主要指的是，基于全部特征降维，充分在二维空间对各因素进行描述，对其实际的分布展开相应的观察，然后便可以得出其初步的相关性结论。给予全部特征以及关键特征，针对多因素开展层次聚类，并对聚类的演化过程进行详细观察，明确其各因素之间多具有的相关性。本文所应用的方法模型包含很多种，涉及到层次聚类、主成分分析以及线性SVM等，但该部分并不作为本文的重点进行详细介绍，只会对其中间结果进行输出。

二、实证分析

（一）数据收集

本文在数据收集方面主要是针对德国的电力现货市场进行调查，并开展相应的数据实证分析工作，之所以会选在德国主要是因为其本身有着市场规则简单以及有着较小价格波动风险的特征，能够有效同中国当下的交易模式进行衔接，基本上能够同我国电力现货市场建设现状相符合。再者便是考虑到德国电力现货市场有着丰富的可再生能源消纳的经验，在近些年内始终处在全世界范围内的领先位置。本文主要是收集的数据包括风力和太阳能发电量以及实时电价、负荷量以及发电量预测误差等诸多类型因素，总共包括12条时间序列数据。其中全部有关发电量预测误差的数据都分别来自德国的四大输电系统运营商。由于风能以及太阳能有着明显的季节分布特征，所以经过详细分析，本文在风能数据的选择上选择了2017年12月19日-25日，这段时间的风能资源比较丰富，同时还选择了2017年8月19日-25日的太阳能数据，该段时间有着较为丰富的太阳能数据。

（二）构建特征模型

笔者在原有12条时间序列的基础上对其进行按日切割，最终产生168条段序列，具体可以按照因素将上述168条段序列划分成六大类。包括价格序列、风力发电量预测误差序列、太阳能发电量预测误差序列、风力发电量序列、太阳能发电量序列以及负荷序列。

1.特征表示方法有效性验证

特征表示方法有效性主要指的是其对于时间序列的描述能力，可通过分类准确率对其进行论证，灵活运用五倍交叉验证线性SVM分类器，在7873个特征值的基础上按照因素针对168条短序列开展相应的分类工作。其中分类准确率最高的单个特征编号是6536，准确率高达58.77%。该特征能够高效实现对于太阳能发电量序列以及价格序列的区分，这便代表从高斯过程回归出发，电阳能发电量同实时电价有着较差的相关性。而风力发电量预测误差序列通价格序列之间也存在着一定的重叠，这代表风力发电量预测误差极有可能同实时电价之间有着比较强烈的相关性。但是在经过相关研究之后，并不能充分明确该类相关性的来源。

2.关键特征提取

笔者主要遵循着“类间差异最大化、类内差异最小化”的原则开展关键特征提取工作，先针对关键特征最大化因素之间的差异进行提取，接下来在与关键特征的基础上进行相关的分析。在上文中笔者介绍了基于贪婪算法的特征选择，可以在该算法的基础上对关键特征进行提取，便可以得到39各关键特征。其中主要会涉及到偏自相关函数、自回归过程以及傅里叶变换等关键特征。通常情况下诸如时间序列预测等传统时域观察比较关注偏自相关函数特征以及自回归过程，而傅里叶变换则是在最近几年以来模式识别方面所重点关注的内容。在实际进行关键特征提取的过程中应当注意，因为对特征选择算法进行设计时，会对多个特征所产生相同的分类效果开展随机选择，所以每次所提取出来的关键特征极有可能存在较大差异性。笔者经过多次试验之后对其结论的正确性进行了充分验证。

三、结论

综上所述，对于现货市场的实时电价来说，其受到风力发电量预测误差的影响较大，二者之间的相关性主要是来源于时间序列中的离散符号化、小波变换以及傅里叶变换等特征而太阳能发电量预测误差则未能对实时电价产生较为深远的影响。除此以外，实时电价同风力发电量、太阳能发电量以及负荷量之间有着比较弱的相关性，其主要是会采用预测误差来间接对实时电价产生影响。