《郑州大学现代远程教育《电力市场》课程考核要求》由会员分享，可在线阅读，更多相关《郑州大学现代远程教育《电力市场》课程考核要求（11页珍藏版）》请在金锄头文库上搜索。
1、郑州大学现代远程教育电力市场课程考核要求说明：本课程考核形式为撰写课程论文，完成后请保存为WORD 2003格式的文档，登陆学习平台提交，并检查和确认提交成功（能够下载，并且内容无误即为提交成功）。一 论文撰写要求电力市场课程是知识型系列讲座，在很多方面仍然仁者见仁、智者见智，因此适于采用课程论文考查的方式来考核学员的学习状态。1. 总体要求作为课程论文，不需要大家做特别复杂的数学推导，关键是有自己的思想，同时采用严肃的学术型的语言表达，防止口语化、感性化、口号化的表达方式。另一方面，课程论文不是工作总结，大胆提出自己的看法、想法和意见。通过课程论文，使大家学以致用，并接受一定的学术研究训练，
2、促进形成勤思考、大胆创新的思维方式。关于写作角度，对于目前已经在电力系统工作的学员，建议根据自己的岗位特点，谈电力市场改革对自己工作岗位的影响、在未来这个岗位将具有与目前哪些不同的特点；等等。也可以就某一个具体的方面，开展比较深入的研究。2关于引用参考文献引用参考文献一定要注明。需要强调的是：1）引用别人的思想，或者直接引用别人的语言，一定要注明。未注明视为抄袭。2）一定要在真实引用处注明，比如，“电价是电力市场中的杠杆”，第一次言及这句话的文献是哪篇文献，就在此处注明。不能在文章结尾，一次注明“本文引用如下文献：”3）参考文献数不少于15篇。3 关于篇幅篇幅没有严格限制，但一般应在3千字7千
3、字之间。4关于文章应包含的部分文章应由标题、引言、主要思考内容和结论几部分构成。n 标题：应简洁。n 引言：简单介绍本研究的背景、意义、其他研究人员与已有文献所做的相关的工作、本文的创新点等方面。n 主要内容：是论文的主体部分。n 结论：简单总结所取得的成果（或者自己所提出的思想概要）。二、参考题目1. 介绍、分析当地电力市场建设的概况及对本人工作的影响2. 国外电力市场改革对我国电力市场建设有哪些借鉴意义？3. 厂网分开后，电网企业的生产管理发生了哪些变化？4. 厂网分开后，电厂企业的生产管理发生了哪些变化？5. 厂网分开后，电力调度发生了哪些变化？6. 用户参与市场有哪些形式？7. 用户参
4、与市场有哪些条件？8. 辅助服务有何意义？9. 各种辅助服务如何参与市场运行？10. 电力市场改革对辅助服务有什么影响？11. 电力市场条件下风险管理问题12. 电力市场条件下如何规避和控制市场风险？13. 电力市场中如何协调电源与电网规划？14. 需求侧管理有什么意义？15. 电力市场中需求侧管理与计划方式下的需求侧管理具有什么新特点？16. 需求侧管理中存在的问题及改进措施17. 你认为合理的电价机制具有什么特点？18. 我国目前的电价机制分析19. 电力市场条件下，电力监管与传统的监管有什么新特点？20. 电力市场条件下负荷预测问题21. 电力市场条件下电价预测问题22. 金融衍生产品交
5、易在电力市场中作用23. 电力市场条件下输电服务与传统体制下的输电服务有哪些不同？24. 输电阻塞的管理方法25. 网损分摊问题讨论26. 电力市场中发电商市场力分析与控制27. 发电商的报价策略分析28. 就电力市场技术支持系统的某个模块进行功能设计和分析。电力市场条件下负荷预测问题摘要：负荷预测是电力市场的基础，系统地综述了负荷预测的分类、负荷模型、负荷预测的方法及其发展动态、电力市场下对负荷预测的新要求关键词：负荷预测;电力市场;预测模型;小波分析;综合法引言电力负荷预测(loadforecastofpowersystem),是电力市场的重要组成部分,实质是对电力市场需求的预测。它主要是
6、指在考虑系统运行特性、自然条件、社会条件和地区经济状况等重要因素影响的条件下,利用历史负荷值经过一系列的数学计算,在满足一定精度和速度的情况下,决定未来某特定时刻的负荷，负荷预测对电力系统控制、运行和计划都很重要，负荷预测是电力市场有效运作的基础:(1)在电力市场下高精度的负荷预测是有效的维护各实体经济利益的前提条件之一;(2)准确的负荷预测为发电商投标竞价提供了一个真实的依据,它可以使发电商和电网公司签订的预购合同更接近实际交易合同,避免了因合同变更而产生的交易费用;(3)准确的负荷预测能够使电网公司在保证电网安全的前提下,减少冗余的旋转备用,从而降低电网公司的运营成本;(4)准确的负荷预测
7、在电网公司与其他电网公司进行功率交换谈判时起着非常重要的指导作用;(5)准确的负荷预测对电力市场的投资规划提供决策依据;(6)负荷预测是电价预测的基础和未来电力市场预测期货交易的基础。1负荷预测的分类及负荷模型1.1负荷预测的分类 负荷预测可按周期、社会用电情况、负荷特性、地理位置等进行分类。按预测的周期可以分为: 1.1.1长期预测(一年以上,预测的基本时间单位是年),主要为电源电网规划提供决策依据1.1.2中期预测(一月以上,预测的基本时间单位是月),主要为期货交易、水库调度、检修、燃料计划提供决策依据1.1.3节假日预测(提前115天预测节假日期间连续10天左右的负荷)1.1.4短期预测
8、(1天1周,预测的基本时间单位是小时或半小时),主要为现货交易(预调度计划)提供决策依据1.1.5超短期预测(5分钟60分钟,预测的基本时间单位是5分钟),主要为实时调度、实时电价预测提供决策依据1.2电力系统基本负荷模型电力系统总负荷一般可描述为:L(t)=B(t)+W(t)+S(t)+V(t) 其中,L(t):t时刻的系统总负荷;B(t):t时刻的基本正常负荷分量;W(t):t时刻的天气敏感负荷分量;S(t):t时刻的特别事件负荷分量;V(t):t时刻的随即负荷分量。2负荷预测的一般方法 负荷预测与气象预测一样具有一定程度的不可预见性，但从长期的运作实践中,可以总结出影响负荷预测的各种因素
9、,诸如负荷水平、气象条件、季节因素、社会与经济环境等。每个地区的负荷受各种因素影响的比重大不相同。譬如,南方地区受气象条件和小水电状况的影响比北方地区受的影响要强烈些。为了提高负荷预测的精度,人们探讨和研究了许多科学的预测方法,这些方法综合起来主要有以下几种: 2.1传统模型法2.1.1时间序列模型 时间序列模型分为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累积式自回归-动平均(ARIMA)模型。模型辨识的基本途径是对原时间序列的相关分析也就是计算序列的均值、自相关和偏相关函数,从而确定模型的类型。模型辨识后,就要利用原序列有关的样本数据,对模型参数进行估计。2.1.2指数平
10、滑模型 指数平滑法也是一种序列分析法,其拟合值或预测值是对历史数据的加权算术平均值,并且近期数据权重大,远期权重小,因此对接近目前时刻的数据拟合得较为精确。一次指数平滑只适用于下一步的预测,一般用于预测的是二次指数平滑。设时间序列为X1,X2,Xn,取平滑系数为(0.1)指数平滑的方法、模型较多,一般采用Brown单一参数线性二次指数平滑法,其步骤为: 对原始序列进行一次指数平滑:Xt!=Xt+(1- )Xt-1!2 tn其中可取X!1=X1一次平滑序列作二次指数平滑:Xt= X!t+(1-)Xt-12tn其中可取X1=X1! 对最末一期数据,计算两个系数:An=2Xn!-Xn Bn=a 1-
11、a(Xn !-Xn)建立如下的预测公式:Xn+i xn+i=An+Bni(i 1,为自n以后的时间序 号) 2.1.3回归分析模型2.1.3.1一元线性回归 一元线性回归是分析x、y两变量之间线性关系的数学方法,其模型为:y=b0+bx.式中,y预测值,又称因变量的估计值;x与y有关的自变量b0、b回归方程的回归系数,由最小二乘法估计得.令: sx2=#n i=1(xi-!x)2=#n i=1xi2-1n(#n i=1xi)2 sy2=#ni=1(yi-!y)2=#n i=1yi2-1n(#ni=1yi) 2 sxy=#ni=1(xi-!x)(yi-!y)=
12、#ni=1xiyi-1n(#n i=1xi)(#n i=1 yi) 则由最小二乘法,即残差平方和Q最小可确定b0、b，其中: Q=#n i=1 (yi-y)2=#n i=1 (yi-b0-bxi)2 结果为: b0=!y-b!x、b=Sxy Sx22.1.3.2非线性回归 在实际问题中,有时两个变量的内在关系并不是线性关系,这时选择恰当类型的非线性函数拟合比直线拟合更符合实际情况，对这种非线性回归问题,往往通过变量的变换转化为线性回归问题来求解2.1.4状态空间及卡尔曼滤波(Kalman)模型卡尔曼滤波方法,是建立状态空间模型,把负荷作为状态变量,用状态方程和测量方程来描述。卡尔曼滤波算法递推
13、地进行计算,适用于在线负荷预测。这是在假定噪声的统计特性已知的情况下得出的,估计噪声的统计特性是应用该方法的难点所在。上述传统模型法方法简单、实用,所需历史信息较少,但预测的广泛适应性差。2.2人工智能法 2.2.1人工神经网络模型 人工神经网络(ArtificialNeuralNetworks,ANN或NN),是对人脑或自然神经网络(NatureNeuralNetwork)若干基本特征的抽象和模拟，或者说,人工神经网络技术,根据所掌握的生物神经网络的基本知识,按照控制工程的思路和数学描述方法,建立相应的数学模型,并采用适当的算法,有针对性地确定数学模型的参数(如连接权值、阀值等),以便获得某
14、个问题的解。现有的神经网络已达近百种,它们是从各个角度对生物神经系统不同层次的描述和模拟，神经元是神经网络的基本处理单元,它是一个多输入、单输出的非线性器件。神经元的数学模型如下图其输入输出关系可简化描述为:Si=#n i=1wjixj-i,yi=f(Si)式中,Xj(j=1,2, ,n)为从其它神经元传来的输入信号,i为阀值,wji为从神经元j到神经元i的连接权值,f()为传递函数(节点作用函数). 由上述神经元结构组成的巨大的神经网络,其实质的信息是储存在wji的权值矩阵中,当然前提是传递函数f已定,f可选择线性或非线性函数,可根据实际情况而定。在电力系统的负荷预测中,一般采用误差反向传播
15、学习算法(Back-PropagationTraingingAlgorithm)的前馈多层网络,通常称为BP网络节点的作用函数通常选用S型函数,如:f(x)= 1 1+e-x ,其基本原理为:BP算法是一种有 教师的学习算法,这种算法实质是一种最小二乘算法的最陡下降梯度。在BP网络中,学习过程由正向传播和反向传播组成，在正向传播过程中,输入信号从输入层经隐层单元逐层处理,并传向输出层,每一层神经元的状态只影响下一层神经元状态。如果在输出层不能得到期望的输出,则转入反向传播,将输出信号的误差沿原来的连接通路反回。通过修改各层神经元的权值,使得误差信号最小。BP网络使用的激活函数是连续可微的非线性函数,所划分的区域是有非线性超平面所组成的区域，当输入所有P个样本对时,经过训练后网络建立的连接权W为各个样本建立的交集:W=%p i=1w p非线性映射函数f()是一复杂的非线性函数,其解不是唯一的,从而它们的交W也有一定的容错能力。利用ANN进行负荷预测是目前为止研究较多的一个课题,由于其自学习和自适应的能力,预测
