【正文】 和電量日費用的這種分擔即可確定低谷電價、中等電價和高峰電價。所謂邊際成本是指每增加一單位產(chǎn)量所增加的總成本。在電力系統(tǒng)中，計算邊際成本，首先是要有一個符合精度要求的長期負荷預測，然后運用LOLP模型，計算某電能在同一可靠度下避免成本每年的容量替代，重新運用電源規(guī)劃模型，計算某電站的容量避免成本；同樣運用發(fā)電成本模型，計算某電站的能量避免成本。采用邊際成本法定價最大優(yōu)點是電價與規(guī)劃期內(nèi)的資源消耗或節(jié)約相聯(lián)系。我國理論界與電力行業(yè)的許多專家也傾向于這種定價法。 根據(jù)影響電價的各種因素采用預測模型進行測算影響上網(wǎng)電價的因素很多，除了財務因素外，還要受到供電區(qū)域電力市場現(xiàn)狀及其發(fā)展的影響，包括受電省、市經(jīng)濟發(fā)展、電力供需、電源電網(wǎng)布局、平均銷售電價、獨立電廠上網(wǎng)電價、電力用戶用電狀況及其承受能力等等；另外國家政策因素對電站上網(wǎng)電價也有較大的影響，特別是目前正值我國社會經(jīng)濟市場經(jīng)濟體制逐步建成和完善的時期，國家的財政、金融、稅收、物價、外匯等政策必將有大的調(diào)整和變動，這些對上網(wǎng)電價都將產(chǎn)生一定程度的影響。這方面的研究成果較多，概括起來，一般有以下幾種方法。 采用地區(qū)宏觀經(jīng)濟最優(yōu)發(fā)展規(guī)劃模型測算影子電價建立一定區(qū)域內(nèi)的電力供應與該區(qū)域的國民經(jīng)濟收入的變量線性關系，求得相應約束條件下的影子電價。在實際操作中，這種模型的數(shù)據(jù)輸入相當復雜，不是哪一個國民經(jīng)濟部門(如電力部門)所能單獨解決的，然而，在過去的十余年中，我國許多省市的有關機構(gòu)已在這方面做了大量細致的工作(包括模型結(jié)構(gòu)的考慮、基本數(shù)據(jù)資料的收集與整理)，為這種模型的建立奠定了基本基礎。在能源短缺時期，需求對供應影響還表現(xiàn)得不是十分明顯，或者供需之間的矛盾暫時被掩蓋；而一旦電力市場進入平衡期甚至進入買方市場的情況下，這種矛盾就會表現(xiàn)得十分突出。同時若電價過高，將致使一些用戶轉(zhuǎn)而采用其它能源代替電力，如建設自備電廠和自備柴油機組等。在實際操作中，可在項目供電區(qū)域內(nèi)選擇幾種行業(yè)類型的典型企業(yè)進行分析，著重分析這些企業(yè)的成本利潤水平以及電在總成本中的地位和作用、相關能源價格及替代的可能、企業(yè)對于未來電價的預期等因素。 電價預測的基本方法和理論隨著全球電力市場化大趨勢的到來，電力行業(yè)逐漸由壟斷經(jīng)營走向競爭，作為電力市場的核心因素—電價，也發(fā)生了相應的變化。電價預測按不同的分類標準可以作以下幾種不同的劃分。由于電價預測的難度較難．其對應的時間段相對來講則要小得多。 按內(nèi)容，電價預測按內(nèi)容分類隨不同的市場模式不同而不同，以美國加州電力市場的模式為例，可以分為)市場競標電價預測、輔助服務電價預測等等。 電價預測方法１．時間序列法時間序列是被研究對象在不同時間的觀察或記錄值按時間先后順序排列而成的時間數(shù)列，它是一種動態(tài)序列。它的基本思路是根據(jù)對象的不同特征，選擇適當?shù)臄?shù)學模型和模型參數(shù)來建立預測模型，利用模型進行趨勢外推預測，而后對模型預測值進行評價和修正，得到預測結(jié)果。時間序列法有較系統(tǒng)的理論，在長期廣泛的應用中積累了豐富的經(jīng)驗，因而方法成熟且簡單實用。２．回歸分析法回歸分析法是一種應用廣泛、理論性較強的定量預測方法。由于有較嚴密的理論基礎和較成熟的計算分析方法，所以，如果模型建立得當，則可得到比較精確的預測結(jié)果?！　』貧w預測的缺點是：（１）對實際數(shù)據(jù)一視同仁，認為各數(shù)據(jù)對預測對象的影響程度相同，這是不符合實際的；（２）計算工作量較大，出現(xiàn)新數(shù)據(jù)時，一般要重新估計回歸方程和進行相關分析；（３）回歸變量選取時的主次要因素在實際建模時較難把握，變量因素的量化也是一個難點。試驗表明，預測結(jié)果與實際值的誤差在177。３．多層遞階回歸分析法　　多層遞階預測方法是運用現(xiàn)代控制理論中的系統(tǒng)辨識方法而提出的一種預測理論，它突破了一般統(tǒng)計預測方法中所使用的固定參數(shù)預測模型，而將預測對象看成是隨機動態(tài)的時變系統(tǒng)，其基本思想是把時變系統(tǒng)的狀態(tài)預測分離成對時變參數(shù)的預測和在此基礎上對系統(tǒng)的狀態(tài)預測兩部分，對時變參數(shù)的預測導致狀態(tài)預測誤差的減小。它依據(jù)大量的歷史資料進行序列的多層分析，使預測模型的建模過程所依據(jù)的信息大大增加，使所得的模型能較好地反映系統(tǒng)的歷史演變規(guī)律，從而有利于提高模型對長期預測的適應性。預測實踐證明，該模型的預測精度和預測穩(wěn)定度都較為理想。4回歸分析法 現(xiàn)在一般用回歸兩個字來表明一種現(xiàn)象伴隨著另一種現(xiàn)象的變化而發(fā)生變化的現(xiàn)象。它是在定性研究的基礎上，對實際調(diào)查的定量資料進行分析，找出事物發(fā)展的內(nèi)部因素，確定自變量與因變量以及它們之間的相互關系，得到一個回歸方程，然后利用回歸方程進行預測。回歸問題可以分為只有一個解釋變量情況的一元回歸問題和多個解釋變量情況的多元回歸問題。這是兩種不同的分類方法。其中后四種方法屬于非線性的回歸問題。一元線性回歸 其中，：預測值； x：樣本值或自變量；a,b為參數(shù)。用數(shù)理統(tǒng)計中的回歸分析方法對變量的觀測數(shù)據(jù)統(tǒng)計分析，從而實現(xiàn)對未來的負荷進行預測。其中，線性回歸用于中短期電價預測。缺點是：①規(guī)劃水平年的工農(nóng)業(yè)總產(chǎn)值很難詳細統(tǒng)計；②用回歸分析法只能測算出綜合電價的發(fā)展水平，無法測算出各供電區(qū)的電價發(fā)展水平，也就無法進行具體的電網(wǎng)建設規(guī)劃。以灰色系統(tǒng)理論為基礎的灰色預測技術(shù)，可在數(shù)據(jù)不多的情況下找出某個時期內(nèi)起作用的規(guī)律，建立負荷預測的模型。 普通灰色預測模型是一種指數(shù)增長模型，當電力負荷嚴格按指數(shù)規(guī)律持續(xù)增長時，此法有預測精度高、所需樣本數(shù)據(jù)少、計算簡便、可檢驗等優(yōu)點；缺點是對于具有波動性變化的電價，其預測誤差較大，不符合實際需要?；疑Ｐ头ㄟm用于短期電價預測。缺點：是當數(shù)據(jù)離散程度越大，即數(shù)據(jù)灰度越大，預測精度越差。 6．人工神經(jīng)網(wǎng)絡（ＡＮＮ）人工神經(jīng)網(wǎng)絡是模擬人腦神經(jīng)網(wǎng)絡的結(jié)構(gòu)與功能特征的一種技術(shù)系統(tǒng)。在預測領域中應用最廣泛的人工神經(jīng)網(wǎng)絡模型是前向網(wǎng)絡模型（即ＢＰ網(wǎng)絡模型），由輸入層、隱蔽層、輸出層組成，可以看成是輸入與輸出集合之間的一種非線性映射，而實現(xiàn)這種非線性映射關系并不需要知道研究對象的內(nèi)部結(jié)構(gòu)，而只要通過對有限多個樣本的學習來達到對研究對象內(nèi)部結(jié)構(gòu)的模擬。其缺點是把復雜的研究對象看成一個“黑箱”，并根據(jù)“黑箱”對外來刺激的反應方式來研究它的性質(zhì)和結(jié)構(gòu)，模型建成后不易修改，不能利用最新的數(shù)據(jù)對原有的參數(shù)進行修正，預測人員無法參與預測過程。它一般適用于中、短期預測，預測精度較高。ANN應用于短期負荷預測比應用于中長期負荷預測更為適宜。而長期負荷預測可能會因政治、經(jīng)濟等大的轉(zhuǎn)折導致其模型的數(shù)學基礎的破壞。缺點是：①初始值的確定無法利用已有的系統(tǒng)信息，易陷于局部極小的狀態(tài)；②神經(jīng)網(wǎng)絡的學習過程通常較慢，對突發(fā)事件的適應性差。早在本世紀40年代初期，心理學家McCulloch、數(shù)學家Pitts就提出了人工神經(jīng)網(wǎng)絡的第一個數(shù)學模型，從此開創(chuàng)了神經(jīng)科學理論的研究時代。8指數(shù)平滑法指數(shù)平滑法是用以往的歷史數(shù)據(jù)的指數(shù)加權(quán)組合來直接預報時間序列的將來值。a小時，是強調(diào)過去歷史數(shù)據(jù)的作用；a大時，是強調(diào)新近數(shù)據(jù)的作用。在極端情形下，a＝1，則以往數(shù)據(jù)對預報沒有任何影響，此時 寫成序貫預報公式為：或 對于電力系統(tǒng)負荷預測，重要的是曲線越接近目前時刻，就應當越準確，而對于過去很久的數(shù)據(jù)，不必要作很精確的擬合。指數(shù)平滑預報方法序貫計算公式表明：可利用前一時刻的預測值和現(xiàn)在時刻的實績值x(t)對未來t+1時刻進行預測。顯然，這種預測的速度極快，適用于動態(tài)變形快速預測。但其不宜用于過長時期的預測。一元回歸預測也稱單因素回歸預測。如果影響預測對象的諸多因素中有一個因素是基本的、起決定性的作用，那么就可以考慮應用一元回歸模型來預測對象的發(fā)展變化規(guī)律，進而預測其未來發(fā)展趨勢。一元回歸預測分為一元線性回歸預測和一元非線性回歸預測兩類。在這所有的回歸曲線中中一元線性回歸是最簡單、最基本的一種形式。數(shù)據(jù)研究法是對兩維數(shù)據(jù)中，若兩維分別為目標函數(shù)和因素，因素 X 的變化引起目標函數(shù) Y 變化，這種變化可分為六種情況(如圖)。 第一種 線性增加，隨因素 X 增加，因素 Y 勻速增大。第二種 線性減少，隨因素 X 增加，因素 Y 勻速減小。Y = a0 + a1 Xk第二種情況顯然 a0 0 時，a1 ＜ 0、k ＝ 1過上述分析總結(jié)，確定回歸參數(shù)(即每一元)的數(shù)學式，可根據(jù)兩種情況中 a0、aa2選擇回歸參數(shù)注意問題當一因素數(shù)據(jù)中有 0 值時， 此因素數(shù)據(jù)不可作除數(shù)和取對數(shù)。當一因素數(shù)據(jù)中有負數(shù)都有時，此因素數(shù)據(jù)不可做回歸計算。 設（x 1, y 1 ), (x 2, y 2), …, (x n, y n)是直角平面坐標系下給出的一組數(shù)據(jù)，若x 1x 2…x n,我們也可以把這組數(shù)據(jù)看作是一個離散的函數(shù)。對個別觀察值來說，它可能是正的，也可能是負的?！鞍住笔侵感畔⑼耆阎弧昂凇敝感畔⑼耆粗?；“灰”則指信息部分已知﹑部分未知，或者說信息不完全，這是“灰”的基本意義?；疑到y(tǒng)理論是中國學者鄧聚龍教授1982年3月在國際上首先提出來的，題為“Control Problem of Grey Systems”，引起了國際上的廣泛重視。后來，為了搞好預測工作，研究了概率統(tǒng)計﹑時間序列等方法，發(fā)現(xiàn)時間序列法只致力于數(shù)據(jù)的擬合，不注重規(guī)律的發(fā)現(xiàn)，于是進行了用少量數(shù)據(jù)做微分方程的研究，后來他將歷史數(shù)據(jù)作了各處理，找到了累加生成，發(fā)現(xiàn)累加生成曲線是近似的指數(shù)增長曲線，而指數(shù)增長正好符合微分方程解的形式。從所建模型中，發(fā)現(xiàn)單數(shù)列微分模型有較好的擬和和外推特性，所需的最少數(shù)據(jù)只要四個，適合于預測。多數(shù)列的微分方程，揭示了系統(tǒng)各因素的動態(tài)關聯(lián)性，是建立系統(tǒng)綜合動態(tài)模型的基本方法。GM模型即灰色模型（GREY MODEL）。由于系統(tǒng)被噪音污染后，使得歷史數(shù)列呈現(xiàn)出離亂的情況?；疑碚撜J為能夠建立微分方程預測模型，其主要依據(jù)為以下幾個方面。（2）灰色理論將無規(guī)律的歷史數(shù)據(jù)經(jīng)累加生成后，使其變?yōu)橹笖?shù)增長規(guī)律的上升形狀數(shù)列，由于一階微分方程解的形式是指數(shù)增長形式，所以可對生成后的數(shù)列建立微分方程模型。（3）灰色理論通過灰數(shù)的不同生成方式，數(shù)據(jù)的不同取舍，不同級別的殘差GM模型，來調(diào)整﹑修正﹑提高精度。GM模型也是一階微分方程組成的灰色模型。 GM（1，1）模型的建立由于所設計的電價預測系統(tǒng)是基于GM（1，1）的模型，所以在此就只討論GM（1，1）模型的推導過程，關于多變量的GM（1，n）模型稍后會有介紹。建立GM（1， 1）模型只需要一個數(shù)列。因此，式（22）可改寫為[ (k+1)]+ [(k+1)+ (k)]。由于變量只有和u兩個，而方程個數(shù)卻有（n1）個，而（n1）2,故方程組無解。因此式（27）改寫為 =B+E （28）式中E—誤差項欲使 min=min(B)利用矩陣求導公式，可得 = （29）將所求得的﹑代回原來的微分方程，有+= （210）解之可得 (t)=[ (1)]+ (211)寫成離散形式（令），得下式(k+1)= [(1)]+ (k=0,1,2…) （212)式(211)﹑(212)統(tǒng)稱為GM(1,1)模型的時間響應函數(shù),他是GM(1,1)模型的具體計算公式,對此再做累減還原,得原始數(shù)列的灰色預測模型為== (1) () (k=0, 1, 2…) (213) 灰色預測程序代碼Dim i as Integer, j As Integer, k As Integer, n As Integer, m As IntegerDim s as SingleDim Data1 (1 To 8), Data2 (1 To 8), b(6, 1), b1(1, 6), c(1, 1), d(1, 1) As SingleDim e(1, 6), Y(6, 0), a(1, 0), x(1 To 13) As SinglePrivate Sub Form activate() intitalcmdEnd SubPrivate Sub intitalcmd()If = 0 Then = False = True = True=True Else = True = True = False = FalseEnd IfEnd SubPrivate Sub savecancel() = False=False