2017年中国电机工程学会年会能源互联网专题研讨会于11月23日在广西南宁国际会展中心召开。来自电网公司、发电企业、科研机构、高等院校、设备企业、学会组织、新闻媒体等相关单位的参会代表齐聚一堂，围绕能源互联网的战略政策、发展模式、落地示范、关键技术、装备设备等展开交流探讨。能见App对本次大会进行全程直播。
国电南京自动化股份有限公司研发中心智慧能源所所长李鹏出席会议，并发表了题为《基于快速自适应的竞价预测学习模型研究》的主旨演讲。
以下为发言内容：
李鹏：各位领导大家下午好，我的题目是基于快速自适应的竞价预测学习模型研究，我是国电南京自动化股份有限公司，隶属于华电集团，我们的主要产品范围覆盖了整个电力产品线，最近这几年我们公司在智慧能源方面也进行了一些有效的探索，我今天讲的是一些工作，跟各位领导和专家汇报一下。
今天上午有一个同仁问了一个问题，是电力市场在互联网时期有什么作用。其实这个问题在这儿我想这样回答，从2015年3月份电改之后，主体越来越独立，诞生了一个新的事物，叫电力市场。在电力市场里释放的是价格信号，这些价格信号对于互联网以什么样的形态进入，我理解中有三方面，第一个方面是能源互联网的规划，我们做规划，除了技术指标、技术方案之外，还有一点是你的经济性分析。
以工业园区为例，一个经济性分析，电力是你主要的能源消费的形态，你从哪里拿到电，价格是多少，你从哪里拿到的天然气，这些价格是多少，直接影响了你的经济性。在电改之后售电公司的形态，尤其是小售电公司，他们是拿不到电的，获得电量的途径是市场竞价，跟你签的是多少钱，如果我在市场拿不到这个电，或者我竞不到电，我一度电给你多少钱，会造成售电公司的生存空间非常艰难。
据统计，从电改到今年，最近的数据已经注册售电公司2300多家，公章注册8千多家，这个数目很大。同样的，开始出现了倒闭推出转让的业务，广东第一批售电公司大概有六分之一或将退出。更重要的是我们在能源互联网建设之后，很重要的是运维，2015年电改之后我们有各种各样的试点，这些试点建设之后如何运维，可能有多种形态，如果我的分布式有光伏、有储能，我什么时候有光伏，我什么时候用储能，同样情况下，如果我们在这个月度在市场上拿到非常便宜的电，我们自用电多少，如果这个时候又没有拿到便宜的电，这个时候又是怎样。也就是说，这种价格信号会影响你在区域网络或者区域企业的运维工作。所以，电力市场这几个部分影响到能源互联网的建设和运维。
其实电力市场还是一个新事物，存在着我们对于规则不明了，对于参与的人，规则本身有的时候有变化，参与的人也有变化，但是价格信号对参与者，不管是发电商或是售电公司还是用户，都是非常重要的，价格直接决定了经济效益。
另外一个，市场竞价越来越难了，我们可以从途中看出，广东的月度竞价从2010—2017年要求越来越高。对月度竞价而言，对于所有的参与方是最关心的一个指标，这个指标想要预测它难不难？这是从新闻、网站中截下来了，深究现阶段的电量预测为什么那么难，为什么说广东电力集中竞价交易价格难以预测？这类的问题有主要两个可能，一是不可能，二是非常难。没有人说可以预测，跟用户交流的时候，他开玩笑说有一个厂商跟大家说，我们有售电管理，有辅助预价，如果准的话可以花一千万买下来，但是就没有后文了。
预测为什么难？我们认为有四点，第一是交易频率低、要电少，以广东为例，从今年改变了交易规则之后，最多十个样本。第二用户的行为差异比较大，本身是新生事物，大家的理解偏差很大，有的激进，有的保守，各种参与非常大，对用户的行为变化是一定要考虑的。第三，市场状态一直在改变，结合第一点，这是一个小样板多参数的数据集，这对于预测来说是非常大的挑战。第四是外界影响因素复杂，对于你预测影响的因素，几乎我们想象到很多东西都会影响到价格，能源的价格、煤炭的价格、天然气的价格等等，很多因素可以影响这些价格，比如发电商，我看了今年的任务完成了七七八八，我要追求利润率了，竞价的话可以适度激进，提高一下利用率，但是年底我有很多任务没有完成，对我的考核比较厉害，这样的话一定要上电，不计较成本，只要成交。这种情况下，采取的策略是完全不同的。
对于用户而言，它需要分析工具帮助他解决问题。在这种场景里，当你看到有这些交易的时候，你起码告诉我市场是什么样的，参与者该怎么调整自己，在我现在决定的基础上你能够给我辅助性的建议。未来开展的情况，和哈佛大学联合开展了基于快速快适应的竞价预测学习模型研究，今天给各位专家汇报一下，希望给大家一些启迪和参考。
前面讲的是背景，现在看看我们的目标，背景确定之后，我们对于建立模型的目标是比较清楚的，我们的模型目标，样本数据量少的情况要适应，市场变化自适应，用户特征学习，自我修正机制。针对这四点，我们要设置遗忘机制、惯性机制、自我验证机制和过拟合。首先是遗忘机制，在座的很多人应该做过复合预测，这对于数据希望你的数据越来越多，基本上的复合预测需要半年的数据，最好是三四年前的数据。
为什么我们要遗忘你的历史数据？这个时候我们希望和你的市场，交易时间越长对我的预测影响越小，为什么？这是人的记忆曲线，交易和预测有本质差异，交易是人的行为决定的，不是单纯的数据和机器决定的，在这里我们要考虑人的因素性。在这里，我们也可以想一下，如果大家没有做交易可能理解不直观，大家都玩过股票，如果你想做三五天的货，你会不会关注它的月线、周线，不会，你最多关注日线、30分钟线和60分钟线。所以，在这里用的主要方式是监督学习算法，我们根据这样的思路，我们特定在算法中设计了FT，就是进行历史数据的遗忘，这种遗忘的模型有很多，像线性、指数的，现在只贴了最简单的线性的遗忘机制。在监督学习的基础上增加递进的带加权的历史样本考量，这是遗忘机制设置的初衷。
第二个是惯性机制，这是我们在观察市场比较有趣的情况，已经完全交易了，这时候还没有碰到供需价格的底线，第一幅图按照惯性，我可以试试你的底，实际的交易数据反映这样更加保守，交易的所有方在供方稍微往上探的，下探的空间往后移了。同样的道理出现在右侧，已经没有雏形，已经没有交易，按道理来说下次应该上移报价曲线促成成交。以交易数据来说解释不了这些事情，更多的是人心理的决策作用，也就是说出现第一次保守的时候可能在想别人不保守，下一次激进的时候不想冒险，恰好这样的自卫方式，大家叠加之后就形成了惯性思维。所以，通过这种方式，我们设计了惯性机制，预测出了惯性机制的延迟。
这种延迟在3、4月份很保守，到了5月份发现你们全在保守，我激进一下，结果大家都激进，这样的惯性机制，在我们的设计中引入惯性机制，模拟市场的反应。引进改进的正则化参数避免预测的过拟合，我们避免这种情况，这些参数有的是几十有的几百有的几百万，我们都放在一个曲线里，我们把明显的特征值处理一下，减少线性变量。
第四个设计的是自我验证机制修正不合理的预测误差，这是呈现流程图，我们预测出一个价格之后，我们通过市场实际的价格反馈，看到预测值不合理的情况下，我们反馈我们的预测。有一个公式，X是我们的预测基本参数，监督学习是把一个目标值拆成了变量与参数的线性之和。在这里，预测外和叠加预测外，或者实际预测的价格偏差比较大的情况下，我们引入了反馈变量的更新，监督你的预测模型，通过这样一种迭代的话，这样会有效减轻异常情况，对我们实际预测中的影响。
这是我们的目标，当我们的目标确定之后，我们的思路和算法就水到渠成，第一步把实际的交易数据进行了测量，变成了可观数据集。在这里有合理性的假设，不管是供方还是需方起码是有基本理性的交易方，在看到你的观测的时候而改变竞价行为，我们做了比较合理的假设。
通过不同时刻的不同观测量的非线性作用，产生有重要意义的参数作为输入值，除了本身的参数，我们设计的惯性指标和延迟指标都作为特征值纳入到的序列参数里。当我们已经拿到了这个月数据集的时候，我们输入得到输出，会训练出我们的拟合参数，通过拟合参数，我们作为下个月的输入，通过拟合参数拿到下个月的X，我们会来预测下个月的预测价格。特别强调的是预测价格不是直接预测你的价格，而是预测供需方的最低和最高报价，因为这跟交易规则有关，只有成交需方完全成交，不可能是供方完全成交，特指需方的报价。
我们预测价格之后，我们的实际输出和预测输出进行比较，反馈得出一个修正量，我们把它加入到我们的术语当中，作为新的变量，通过下一次的修正和叠加，得出我们新的预测输出。这个预测输出如果满足条件的话，这个时候就可以得出我们的结论，我们认为这期的结果是多少。
下面是一个仿真的结果，前面看得不明显，但是7、8月份是非常结果，紫色的是实际数据，蓝色的是算出的数据，绿色的是反馈数据，7月份的数据突然间下降，导致了在传统算法中，8月份开得非常大，几乎已经失控了，但是加入反馈之后，数据有限收敛到星之间，使我们的竞价空间更加的小。在这里，虽然一开始比较慢，但是后来区间逐渐缩小，这个时候7月份到8月份，这次没有加反馈数字的时候，造成了很大的负面影响，导致8月份的预测，虽然比传统学习算法预测好了很多，但还是偏差极核大。但是同样的情况，当出现在10月份的时候，10月份也产生了价格的偏差，但是对于11月份我们没有直接下坠，而且保持了向上的结果，这充分反映出反馈的延迟机制对于预测结果产生了比较好的影响。
特别强调的是这是置信区间，当你在置信区间再往下的时候，你无法成交的概率非常大，你在置信区间上的时候成交的概率非常大，但是这个价格会受到影响，在置信区间是你的成交概率和利润相对比较好的组合。
下面做一个总结，现在的模型虽然完成了很多工作，但是自我评价还欠缺了很多东西，比如新加入用户、份额影响、长期影响，后期我们想进行用户画像的工作，要进行集团竞价的工作。
我们做竞价侧的时候也做了其他工作，做了辅助决策、交易组合、大数据分析等等，进行了系统对接，我们希望通过系统对接把我们的价格信号传导到应用系统和控制系统，也想通过应用系统把这些数据能够反馈出来，也想研究一下运行数据对于市场行为的影响。
我们在区域能源互联网里做的工作，时间关系，不详说了，基本上我们的互联网产品的组成有六个核心产品，配王自动化、智慧能源数据中心、园区能源管理系统、需求侧响应、分布式能源结构等。我们属于管理集团，围绕着产品希望协助所有的发电商，从你的传统火电、新能源，从能源供应商转化为能源服务商，从技术开始转型，我今天的介绍就到这里，谢谢大家。
