从零入门AI for Science（AI+经济）Datawhale暑期训练营-CSDN博客

本文链接：https://blog.csdn.net/ffhhsxvhh/article/details/140757476

训练营介绍：

从零入门 AI for Science（AI+经济）是 Datawhale 2024 年 AI 夏令营第三期的学习活动，基于阿里云天池平台“第二届世界科学智能大赛社会科学赛道：市场博弈和价格预测” 开展的实践学习。

学习内容方向：

数学建模方案（主体建模 Agent-based model）到强化学习方案。

AI+社会科学是近年来非常前沿的方向，主要结合博弈论、复杂系统、强化学习、系统动力学、市场经济等领域知识，对个体在环境中的行为进行模拟，探索群体的涌现现象，从而指导现实社会的政策制定、资源分配等。

在接下来的学习中，我们将进一步了解ABM（Agent-Based-Modeling）这一简洁而有趣的建模复杂世界的方法。学习如何结合博弈论、市场经济、时间序列挖掘等知识，帮助解决复杂的电力现货市场定价问题，体验计算社会科学的神奇之处。

通过魔塔社区的内置jupterlab进行了一次baseline的跑通，初步认识了

第二届世界科学智能大赛社会科学赛道：市场博弈和价格预测赛题背景

此次比赛主要针对“电力现货市场”（可以类比证券交易市场），泛指短时间内的电能量交易市场。

市场中有大量发电机组（供给者，会发电并卖出电力）按照交易规则，在指定的平台上采取集中竞价的方式确定电能的交易量和价格。这些电能会被输送给个体户、商业用户等，从而利用市场机制实现资源优化配置。

在最理想的情况下，市场完全竞争（市场参与者众多，以至于没有任何一方能够影响价格，不存在控制价格的可能性），没有任何博弈行为。每个发电机组都诚实报价，市场出清价格稳定可靠，达到最优效率。

但现实中，电力现货市场有以下特点：

寡头竞争（几家电力公司独大，对价格有显著影响）
不完全信息（不同机组信息不互通，存在打信息差牟利的可能）
非合作博弈（机组之间各谋其利，追求各自的利益最大化）
参与者有限理性（受限于经济知识和对市场的了解，机组不一定能做出最优决策）

从而不同机组之间有复杂的博弈行为，这就让市场出清价格难以估计。

因此，本次比赛要求针对电力现货市场价格和市场博弈主体（549个发电机组）的信息，用ABM方法建模这些机组在报价上的博弈行为，使最终模拟的市场出清报价接近现实中的市场出清价格。

赛题数据

electricity price.csv：电力市场的市场出清价格，市场需求等信息。训练集范围为2021年12月1日到2023年7月1日，共计55392个点；测试集范围为2023年7月1日到2024年4月18日，共计28228个点

Day/Time：交易时间，中国电力现货市场15分钟结算一次，一天共96个交易点
demand：区域内电力总负荷（总需求），单位为MW
clearing price (CNY/MWh)：市场出清电价，单位为元/MW·h

简要介绍ABM（Agent-Based-Modeling）

注意，这里ABM的Agent不是大语言模型中的Agent，更接近强化学习中的Agent概念

ABM（Agent-Based Modeling），即基于个体的建模，是一种模拟系统复杂行为的工具。它通过模拟个体（代理）的行为和相互作用，来研究系统整体的动态变化。

ABM有很多应用案例，例如康威的生命游戏（Game of Life），新冠传染病传播模型、政府企业博弈模型、鸟群模型……

你会发现这和DW数学建模教程中的微分方程和动力系统如此相似，事实上二者一脉相承，不过ABM不关注复杂的数学，只关注如何用简单的交互规则模拟复杂系统。

例如在模拟两种生物种群相互作用的捕食者-被捕食者（Predator-Prey）模型中，数学建模用洛特卡-沃尔泰拉（Lotka-Volterra）方程来描述作用关系，并用数值方法解微分方程观察结果：

被捕食者种群变化率：$$\frac{dN}{dt} = rN - aNP$$，被捕食者种群的增长率来自自身的自然增长（rN）和捕食者捕食造成的减少（aNP）
捕食者种群变化率：$$\frac{dP}{dt} = baNP - mP$$，捕食者种群的增长率来自捕食被捕食者获得的增长（baNP）和自身的自然死亡（mP）

但现实中，并不是所有模型都能用方程表示，尤其在交互更加复杂，参数逐渐增多的时候。因此ABM提供了一个更简单的方案——从简单的个体交互规则涌现系统的复杂性。在ABM中，实现相似的模拟结果，只需要三个规则：

每个智能体有初始的能量，移动会消耗能量，进食会增加能量
当能量过低，智能体死亡；当能量足够高，智能体会繁育
如果移动后遇到食物（对于羊来说是青草，捕食者来说是羊），则吃下它

哇哦ABM真神奇，想不想试试写一个Datawhale宣传传播模型？(｀∀´)

总结来说，一个典型的ABM模型由以下几个部分组成：

代理（Agent）：系统中的基本个体，每个代理都有自己的属性和行为规则。
环境（Environment）：代理活动的空间或网络，可能影响代理的行为。
交互规则（Interaction Rules）：代理之间、代理与环境之间的相互作用规则。
时间步（Time Steps）：系统按离散的时间步推进，模拟出系统的动态变化过程。

定义了这些规则后，我们就可以开始模拟，并从模拟中发现ABM的核心“涌现现象”，即个体的行为涌现出了总体的变化。

当然，这里只简要说明ABM的概念，具体我们将在Task2中进一步实践ABM建模୧(๑•̀◡•́๑)૭

市场出清价格（Market Cleaning Price）如何形成

注意，这里假设了只有数据集中的火电厂存在。但现实中火电厂会受风电、水电、太阳能等电力替代品竞争，同时总负荷一部分会被如跨省调电、蓄电等方式消耗，这些我们没有考虑在Baseline中。

电力市场的出清价格形成类似证券市场早上9:15-9:25的集合竞价，由于赛题只提供了总需求，我们可以认为需求曲线是一条直线。

出清价格的形成步骤如下：

所有发电机组申报自己卖出的电价和电量
市场根据机组报价，从低到高排序，依次从低价开始成交
当成交的容量和大于等于总需求时，达到市场出清（供需平衡），这时候最后一个达成交易的机组报价为市场出清价格

我们用一个实际案例来解释，假如市场总需求为3000MW，四个机组依次报价报量如下：

机组1：报价150元，容量500MW
机组2：报价200元，容量500MW
机组3：报价250元，容量2000MW
机组4：报价400元，容量2500MW

按价格从低到高，机组1先成交，随后是机组2、机组3，此时容量和等于总需求，不再有额外的电力需求，市场达到出清状态，市场出清价格为250元。

这里我们还可以发现一些现象：

机组4由于过高的价格竞标失败，导致没有卖出任何电力。现实中机组4不得不停掉一些发电机。但煤电机组频繁关停会影响设备寿命和性能，还可能延误后续高价时段的正常发电，最终只能亏本卖出。
机组1实际上能卖更多钱，如果他能预料到机组2和3报价为200和250，他就可以报价300元，保证最后一个出清的是他，而不是只能卖150元（但它无法报特别高的价，因为电力是公共物品，受政府管控，设置了价格上下限）

因此报价本身就是一个充满策略博弈的行为，就像在股市中总想做买入价格最低，卖出价格最高的那个人。

价格帽

根据上面内容，我们会想：“那如果用电特别紧缺”，机组不是能开特别高价来获利吗？

为了解决这个问题，并且保证市场稳定，电力现货市场中存在价格帽，即规定：

报价上限为：1300元/MWH
报价下限为：-80元/MWH
出清价格上限：1500元/MWH
出清价格下限：-100元/MWH

通过观察数据我们也能发现，数据中有4512个-80元的交易点，最低价格为-85元。而最高价格是1296元，接近价格上限。

边际成本定价策略

实际边际成本并不会保持不变，由于边际报酬递减规律，其会随着发电量的增加而增加。但在该比赛中假设了边际成本不变。

在baseline中，我们选择了最简单的边际成本定价策略作为每个Agent的策略，在这里我们解释这样做是最朴素但也最稳健的原因，当然这种简单的策略没有包含智能体之间的交互以及与环境的交互。

边际成本的定义是生产额外一单位产品（这里是一度电）带来的成本增加，机组报出的电价不能低于边际成本，否则就会亏损。

假设机组突然报一个低价，原来边际成本是300元，现在报200元，最后发现市场以350元出清，导致自己损失了本来可能赚的150元
现在机组抬价，报1000元，然后发现低价的都先成交了，市场以400元出清，自己竞价失败，只能亏本售电。而电能具有难存储性，必须保证用电发电平衡，如果无法售出只能弃电，相当于成本价都无法收回。

因此长期来看，所有机组都会选择边际成本定价，至少能保证不亏不赚

但实际的电力市场并没有这么理想，不按边际成本报价才是正常的，具体来说发电机组可能产生如下行为：

分析供需关系，在预期电力需求上升时提高报价以获取更高收益；在预期电力供应过剩时降低报价以抢占市场份额
在成本价的基础上，乘以一个系数以获取额外利润
根据其他机组过去的边际价格，估计市场边际电价，并在该基础上报一个低价，保证自己的电量能完全卖出
预测其他机组的报价来提高自己报价
跟随大部队报价

这些策略可能被应用于后续的效果提升中

day time demand clearing price (CNY/MWh)

2021/12/1 0:15 40334.18 350.8

2021/12/1 0:30 40523.15 350.8

2021/12/1

0:45

40374.74

350.8

unit.csv：存放市场供给者（各发电机组）的参数信息

机组数据包含549个不同的火电机组

unit ID：每个机组唯一的ID
Capacity（MW）：机组的额定容量（额定功率），越高机组的发电能力越强
utilization hour (h) ：电厂的年平均运行小时数，需要注意多个机组可能共同属于一个电厂，有相同的值
coal consumption (g coal/KWh)：每发一度电需要耗费多少煤炭，为成本参数
power consumption rate：电厂单位时间内耗电量与发电量的百分比，例如单位时间耗电量为500度电，发电量为10000度电，利用率就是500/10000=5%。

unit ID	Capacity (MW)	Utilization Hour (h)	Coal Consumption (g coal/KWh)	Power Consumption Rate (%)
1	110	2069.12	266.07	6.91
2	160	5509.22	292.7	6.91
3	160	3562.79	293.35	6.91

比赛任务

比赛本质是一个回归（预测目标为连续值，例如根据年龄预测身高）问题，需要预测2023年7月1日到2024年4月18日每15分钟的市场出清价格，虽然可以纯粹依靠时间序列模型完成，但比赛方称期待参赛成员使用ABM模型建模获取市场出清价格，因此可以在两方面进行尝试上分（ps：如果感觉ABM较难，可以专注于时间序列挖掘哦）。