电力市场环境下发电商报价策略研究

 2022-05-23 20:51:07

论文总字数:22638字

摘 要

ABSTRACT 6

第一章 绪论 1

1.1. 选题背景 1

1.2. 研究意义 2

1.3. 发电商报价策略研究现状 2

1.3.1. 基于成本分析的方法 3

1.3.2. 基于预测市场出清电价的方法 3

1.3.3. 估计竞争对手报价行为的方法 3

1.3.4. 基于博弈论的方法 4

1.4. 本文主要工作 5

第二章 电力市场迭代竞价机制 6

2.1. 电力市场的出清机制 6

2.1.1. 电力市场的出清方式 6

2.1.2. 市场出清价的形成 7

2.2. 电力市场中的迭代竞价机制 8

2.2.1. 迭代竞价流程 8

2.2.2. 发电商初始投标 9

2.2.3. MO市场出清 9

2.2.4. 发电商迭代报价修正 10

2.3. 本章小结 10

第三章 贝叶斯学习模型在发电商报价中的应用 11

3.1. 贝叶斯学习模型 11

3.1.1. 贝叶斯公式 11

3.1.2. 贝叶斯学习模型的要素分析 11

3.2. 获取先验概率 13

3.3. 计算条件概率和后验概率 14

3.4. 报价上下限的设置 15

3.4.1. 报价上限 15

3.4.2. 报价下限 15

3.5. 选择竞价策略 15

3.5.1. 发电商的发电成本 15

3.5.2. 发电商的申报电量 16

3.6. 算例分析 16

3.6.1. 迭代竞价机制下发电商贝叶斯学习模型算例验证 16

3.6.2. 算例结果分析 22

3.7. 本章小结 25

第四章 总结与展望 26

4.1. 总结 26

4.2. 展望 27

参考文献 28

致 谢 30

摘 要

电力市场虽然不是完全竞争的市场,但是更靠近寡头垄断市场。有博弈的行为和一些未知和不确定的因素。电力生产商可以通过策略性报价将企业的利润最大化。如何制定估价策略,对发电公司来说是需要紧急解决的问题。目前,对有关电力生产商的报价策略有许多研究。本文主要使用如何利用市场动态信息,缩短迭代竞价机制下的迭代时间,以及在迭代竞价机制的市场下建立发电企业的贝叶斯学习模型的方法,以市场统一出清的边际电价的分布区间作为学习对象,使用贝叶斯公式,结合主观判断和条件概率获得后验概率。发电商根据后验概率调整投标策略,最大限度地提高收益,使得收益最大化,并在迭代过程中不断缩小学习范围,并提供更精确的预期修改报价,从而减少不必要的时间浪费,构建迭代竞价机制下发电商的贝叶斯学习模型,设计算例进行验证,从而证明贝叶斯学习模型能够有效地减少迭代次数,缩短迭代时间,提高降价效率。

关键词:报价策略;迭代竞价;贝叶斯学习模型;电力市场

ABSTRACT

The electricity market is not a completely competitive market, but closer to oligopoly market. There are game behaviors and some unknown and uncertain factors. Power producers can maximize their profits through strategic bidding. How to formulate quotation strategy has become an urgent problem for power generation companies. At present, there are many studies on Bidding Strategies of power suppliers. This paper mainly studies how to shorten the iteration time by using dynamic market information. A Bayesian learning model of power suppliers under the iteration bidding mechanism is established. Taking the distribution interval of marginal electricity price as the learning object, the subjective judgment of bidding probability is an important factor affecting the selection of bidding strategies. Using Bayesian formula,the posterior probability is obtained by combining subjective judgment with conditional probability, and the bidding strategy is adjusted by the posterior probability to maximize the revenue. Continuously narrowing the learning scope to modify the quotation more accurately in anticipation, thus reducing unnecessary waste of time. Combined with an example, it is shown that the Bayesian learning model can effectively reduce the number of iterations, shorten the iteration time and improve the bidding efficiency for generators under the iterative bidding mechanism.

Key words: quotation strategy; iterative bidding;Bayesian learning model;electricity market

绪论

选题背景

由于电力的特殊性,电力行业是世界上所有国家传统的垄断产业。无一例外地,这是实现垄断结构的传输、传输、分配和销售的垂直整合。随着现代科技和经济理论的发展,从二十世纪八十年代末开始,电力行业改革的浪潮已经席卷全球。电力改革的关键是建设有竞争力的电力市场,引进竞争机制,打破传统的垂直一体化垄断产业结构。电力改革的目标是提高电力生产效率,降低电价,优化资源配置,最大限度地发挥社会效益。放宽限制,引入竞争机制,电力行业市场化是不可逆转的历史趋势。

20世纪初,电力行业充分显示其规模的经济和垄断能为用户提供便宜可靠的电源。但是,到了20世纪末,随着材料科学和制造技术的进步,电力行业的经济规模也渐渐干涸,发电机的效率达到了极限。规模经济逐渐减弱后,这种垄断经营模式的弊病愈发明显。譬如,在业界活力不足,生产效率低,生产成本增加,服务的质量坏。因此,从20世纪80年代开始,为了提高电力行业的活力、提高效率、降低电价、提高服务质量,很多国家在世界范围内改革电力行业体系、打破垄断、建立电源市场是公平的。有利于竞争。早在1978年,智利开始改革放松电力行业管制,于1982年颁布了新的功法。电力行业在英国,这是1990年由新自由主义经济理论指导的改革,给世界带来了很大的影响。改革的浪潮已经向欧洲、北美、南美、澳大利亚、新西兰、亚洲等几个国家和地区蔓延。全球电力行业改革形成。具体条件因国家而异,例如,发达国家主要集中在欧美通过市场竞争来抑制电力过度投资。发展中国家主要希望消除电力市场化改革的腐败,提高电力行业的生产效率,吸引投资。可是,那个全体的目标一致。通过市场开放,打破垄断,鼓励竞争,提高效率,优化资源配置,优化电力平衡发展和国家经济,最终为消费者带来利益,保护投资者和经营者和法律上的权利。

电力工业根据国情在一定程度上被开放,分布和电力市场的模型也不同。但是,无论采用什么样的模式,都有相同的地方。即,发电领域开放,存在各种生产点和各种经济形式的各种发电站,能够引进竞争机制。与垄断期相比,发电公司的商业模式和电力市场环境的经济战略差异很大,面临着前所未有的机遇和挑战。新电力市场的

环境对电力行业提出了更高的要求,许多话题更值得研究。一般来说,电力市场的理

剩余内容已隐藏,请支付后下载全文,论文总字数:22638字

您需要先支付 80元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找;