电力市场出清价格预测Task1（datawhaleAI夏令营学习笔记）

赛题解读：

电力现货市场，泛指短时间内的电能量交易市场。在电力现货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。本次比赛提供某市场的出清价格以及市场参与主体相关参数信息，期待选手使用Agent-based model根据历史市场需求、外部环境以及主体基本信息对主体博弈行为进行刻画，预测未来情景下的市场出清价格。

electricity price给出每个时间节点上市场的电力需求量和出清价格

unit给出了549个发电机组的发电功率、年均发电时间、单位发电耗煤量和发电率（单位时间内耗电量比发电量）

模型解读

出清机制

在电力现货市场中，各个机组报价，市场按机组报价从低到高成交，直至成交总和大于市场需求；此时取最高报价为整个市场所接受的出清价格。

出清价格由市场需求和每个机组的报价决定；而机组报价由发电成本及其他市场信息决定。因此关键是确定机组报价模型。

ABM模型

ABM模型(agent-based modeling)是一种基于个体的建模方法，用于模拟系统的行为。它通过模拟个体行为和相互作用来研究系统整体的动态变化，常常应用于复杂系统中。ABM模型主要包含以下四个要素：
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。

在本题中，各发电机组为代理人，每个机组都有自己的报价标准。ABM的核心是“涌现现象”，即个体的行为涌现出了总体的变化。在助教给出的程序中，我们采用边际成本法定价，利用数据中给出的耗煤量，以生产一度电所消耗的煤碳量为唯一报价依据，建立报价与耗煤量之间的线性回归关系，并根据市场需求给出出清价格预测。

改进思路

通过查阅ABM模型在电力现货市场出清价格预测机制相关文献，可以看出在实际应用研究中，主体运行状态手多个因素影响；因此采用ABM模型预测出清价格需要多个参数设置，例如主体的策略转化、主体对价格的敏感度以及政策影响等。而赛题中所给出的数据仅包含各机组的单位电力耗煤量和转化效率，即成本相关参数。市场主体报价分为真实报价和策略性报价；真实报价即按照边际成本报价，策略性报价考虑电力系统中更多参数，并采用合适的机器学习算法模拟代理人的决策结果。因此若想继续用ABM模型对出清价格进行预测，应收集外部数据，并改进主体的决策模型（例如使用电力市场中常用的BRP模型）。但影响个体决策的原因较复杂，若通过ABM模型无法得出与真实值较接近的预测结果，也可尝试建立时间序列模型。