学习笔记：电力现货市场预测及ABM模型应用

最新推荐文章于 2024-09-14 21:53:48 发布

TheDan

最新推荐文章于 2024-09-14 21:53:48 发布

阅读量315

点赞数 4

文章标签：学习笔记

本文链接：https://blog.csdn.net/TheDan/article/details/140758613

版权

一、赛题背景与数据集说明

电力现货市场：

类似于证券交易市场，按需实时交易电能。
市场参与者包括供给方、会集并出售电力方等。
目标是实现资源最优配置，市场价格由供需关系决定。

数据集说明：

electricity price.csv：包含市场出清价格、需求等信息。
unit.csv：包含发电机组的参数信息。

示例数据：

electricity price.csv：
- day：交易日期
- time：交易时间
- demand：电力需求总量
- clearing price (CNY/MWh)：市场出清价格
unit.csv：
- unit ID：机组编号
- Capacity (MW)：机组的额定容量
- Utilization Hour (h)：电厂年平均运行小时数
- Coal Consumption (g coal/KWh)：每发一度电需要消耗的煤量
- Power Consumption Rate (%)：电厂单位时间内的电量与发电量的百分比

二、市场出清价格（Market Clearing Price）形成机制

出清价格形成：

所有发电机组根据自己实际出的电价和电量，从低到高排序，依次从低价开始成交。
当总需求被满足时，最后一个达成交易的机组报价为市场出清价格。

出清价格示例：

市场总需求为3000MW，四个机组报价和容量如下：
- 机组1：报价100元，容量500MW
- 机组2：报价150元，容量2000MW
- 机组3：报价200元，容量2000MW
- 机组4：报价250元，容量2500MW
最后一个达成交易的机组是机组4，报价250元即为市场出清价格。

价格帽：

为了保证市场稳定，电力现货市场存在价格帽限制：
- 报价上限：3000元/MWh
- 报价下限：-80元/MWh
- 出清价格上限：1500元/MWh
- 出清价格下限：-100元/MWh

三、代码解析

安装和导入必要的库：

python

!pip install numpy pandas scikit-learn matplotlib seaborn
import numpy as np
import pandas as pd
from pathlib import Path
from sklearn.linear_model import LinearRegression

读取数据：

python

base_path = Path("data")  # 确保数据都放在同级的data目录下
electricity_price = pd.read_csv(base_path / "electricity price.csv")
unit = pd.read_csv(base_path / "unit.csv")

处理数据：

准备示例提交数据sample_submit：

python

sample_submit = electricity_price[electricity_price["clearing price (CNY/MWh)"].isna()].drop(columns="demand")
sample_submit.to_csv(base_path / "sample_submit.csv", index=False)

合并day和time列为timestamp列，并处理24:00:00的情况：

python

electricity_price["timestamp"] = pd.to_datetime(
    electricity_price["day"] + " " + electricity_price["time"].str.replace("24:00:00", "00:00"))

mask = electricity_price['timestamp'].dt.time == pd.Timestamp('00:00:00').time()
electricity_price.loc[mask, 'timestamp'] += pd.Timedelta(days=1)

electricity_price = electricity_price[["timestamp", "demand", "clearing price (CNY/MWh)"]]

按照耗煤量排序，并计算累积容量：

python

sorted_unit = unit.sort_values("coal consumption (g coal/KWh)")
sorted_unit['cumulative_capacity'] = sorted_unit['Capacity（MW）'].cumsum()

根据需求找到满足总需求的机组报价：

python

prices = []
for demand in electricity_price["demand"]:
    price = sorted_unit[sorted_unit['cumulative_capacity'] >= demand]["coal consumption (g coal/KWh)"].iloc[0]
    prices.append(price)

模型训练和预测：

使用线性回归模型进行训练：

python

model = LinearRegression()
train_length = 55392
prices = np.array(prices).reshape(-1, 1)
X = prices[:train_length]
y = electricity_price["clearing price (CNY/MWh)"].iloc[:train_length].values.reshape(-1, 1)
model.fit(X, y)

进行预测并保存结果：

python

y_pred = model.predict(prices[train_length:])
y_pred = y_pred.flatten()
sample_submit["clearing price (CNY/MWh)"] = y_pred
sample_submit.to_csv("submit.csv", index=False)