一、电力市场预测分析（论文文献综述）
王珂珂[1]（2021）在《计及新能源的电力现货市场交易优化研究》文中研究表明能源是社会进步和人类生存的物质基础,随着能源资源约束日益加剧,绿色低碳发展成为我国经济社会发展的重大战略和生态文明建设的重要途径,我国亟需加快建设以可再生能源为主导的清洁低碳、安全高效的能源体系,实现“30·60”双碳目标。电力工业在现代能源体系中处于核心地位,在减少温室气体排放方面发挥着重要作用,应加大力度发展以风电、太阳能为代表的绿色电力。但由于中国风能、光能富集区与需求区逆向分布,市场在优化资源配置中的作用发挥不够充分,亟需完善新能源参与的电力现货市场交易机制,构建高比例新能渗透的电力现货市场交易决策支持方法,以实现资源有效配置,促进新能源消纳。鉴于以上考虑,本文从新能源参与对电力现货市场影响、新能源发电功率预测与电力现货市场电价预测、计及新能源的中长期合约与现货日前市场的衔接与出清机制、电力现货市场各阶段市场的衔接与出清机制、碳交易权市场与电力现货市场的耦合机制等多个方面展开研究。本文主要研究成果与创新如下:（1）对新能源参与对电力现货市场的影响进行研究,基于电力现货市场价格信号的复杂性,构建由三个模块构成的新能源对电力现货市场影响分析模型,包括基于数据统计的相关性分析、基于小波变换与分形理论的全部特征值分析与基于关键因素提取的相关性分析。以丹麦两地区现货市场的历史数据进行验证,证实新能源发电对于电价影响高于常规历史数据;基于小波变换分析与分形理论求得全部特征值方法,计算两地区分类准确率为分别为80.35%,82.30%,分类结果表明负荷、新能源发电量序列与新能源发电量占比分类错误率较高;通过关键特征提取的相关性分析结果,重要程度位于前三的因素均存在新能源发电相关因素。因此研究中仅考虑负荷等常规因素不足以支撑电力现货市场电价预测、交易匹配与出清问题的研究。（2）对电力现货市场中新能源发电功率与电价预测进行研究,构建基于完全集成经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）与样本熵（sample entropy,SE）的数据预处理策略,基于和声搜索（harmony searchm,HS）算法优化的核极限学习机（kernel extreme learning machine,KELM）的混合新能源发电功率预测模型,基于相似日筛选与长短期记忆模型（long short-term memory,LSTM）的电力现货市场电价预测模型。针对非线性、非稳态的短期新能源发电功率预测,首先通过皮尔森相关系数筛选模型输入数据,减少数据冗余;而后,采用CEEMD-SE的组合数据预处理策略,对发电功率时间序列进行分解和重构,消除数据噪声,减少模型计算量;其次,采用HS-KELM模型对重构后的多个子序列进行建模预测,集成处理后得到最终的新能源发电功率预测值。基于CEEMD-SE-HS-KELM新能源发电功率预测模型具有更高的预测精度。针对电力现货市场电价预测,将新能源出力指标纳入电力现货市场电价预测中,首先采用CEEMD-SE对电价序列进行分解与重构;而后,构建基于随机森林（random forest,RF）与改进灰色理想值逼近（improved approximation ofgrey ideal values,IAGIV）的新能源出力影响量化模型,筛选出与待预测天数关联性较强的历史天作为输入集;其次,采用LSTM模型对重构后的多个子序列分别进行预测,基于CEEMD-SE-RF-IAGIV-LSTM预测模型对于电价序列的拟合效果较好,可为电力现货市场参与主体制定交易策略、现货市场出清撮合提供支撑,降低电力现货市场中的风险。（3）对计及新能源与中长期市场影响的现货日前电力市场优化模型进行研究。本文提出计及中长期合约电量分解与新能源参与的日前电力市场交易优化模型,首先构建考虑火电厂合约电量完成进度偏差的中长期合约电力分解模型,将分解得到的每日中长期合约电量作为约束引入日前市场的优化模型中,保证中长期合约电量物理执行;针对系统不确定性进行建模,在电力现货市场价格模拟中加入新能源渗透率,更精准地刻画能源参与对于电力现货市场的影响;构建新能源参与的日前市场多目标出清优化模型,利用模糊优选方法对多目标进行转换,较好地平衡经济性与节能减排目标;最后采用基于GA-PSO组合优化模型对构建模型进行求解。模型求解结果表明,本文构建的多目标优化函数能够在保证系统运行经济效益的基础上,实现环境效益最大化,达到节能减排的效果;同时随着新能源渗透率的增加,系统不确定性增加,常规机组的成交电量有所下降。（4）对计及新能源的日前市场与日内市场的衔接机制进行分析,并构建相应的出清优化模型。在日前市场与实时市场之间增加日内市场,以减少系统辅助服务成本、降低用于平衡间歇性、波动性新能源的化石燃料容量、灵活性资源配置与储能成本,以提高现货市场效率,更好的发挥市场对资源优化配置的作用。采用基于模型预测结果与误差分布函数结合的不确定性刻画模型,而后构建了基于拉丁超立方采样进行场景集生成法与改进谱聚类分析的场景集削减策略,能够选择出最具代表性的场景集。基于电力现货市场出清流程,将含有新能源较多的系统将引入日内市场,以减小实时市场的功率偏差,提高系统运行的经济性和稳定性,采用预测模型对新能源出力、电力负荷进行预测,结合预测误差分布函数刻画系统不确定性;构建日前市场和模拟日内市场联合出清优化模型,在各个日内市场考虑对应实时市场新能源偏差功率的不确定性、电价不确定性,建立各日内市场和模拟实时市场联合优化模型。（5）考虑到中国“30·60”双碳目标与宏观发展规划,本文构建一个基于STIRPAT模型碳排放影响因素分析与改进烟花算法（improved fireworks algorithm,IFWA）优化的广义回归神经网络（general regression neural network,GRNN）预测模型。基于不同的社会环境与政策环境,对碳排放影响因素进行模拟并设定,预测结果表示中国的碳排放总量将于2031年达到峰值。以此为基础分析现行政策下中国的碳减排压力,并进行相应的建设全国统一的碳交易权市场必要性分析。而后,基于电力市场和碳市场的建设现状,利用系统动力学模型进行碳交易对电力现货市场的影响分析,系统动力学模型分析结果证实电力市场价格与碳交易价格呈现正相关关系;最后,基于对于碳交易对电力市场作用机理的分析,提出碳交易机制与电力现货市场机制协同建设建议。
王姝睿[2]（2021）在《储能在区域电力系统中应用的经济性研究》文中研究说明随着环境问题的日益突出,社会对于提高能源效率、更有效地调度和使用电力、更多地使用可再生能源提出了更高的要求。电力系统关于能源的合理安排和战略调度对我国未来能源行业发展起到了决定性作用。可再生能源、储能、互联器在区域电力系统中的作用和经济价值有关研究,为当地电力系统参与方的风险控制以及规避进行支持、也为市场政策的拟定方提供重要理论依据、对国家未来清洁发电目标的稳健实现具有战略布局意义。本文对2030年典型区域电力系统进行技术经济、电力电价和CO2排放上的预测,并确定增加大量可再生能源发电消纳的好处,以及储能在其中的作用及技术经济性开展研究。采用的具体研究对象为内蒙古电力市场。该电力系统中的清洁发电占比相对较高,现有风电机组以及规划新增清洁能源发电机组容量增加,因此更加适合模拟电力系统中的高可再生能源渗透率。搭建了内蒙古电力系统模型,并对研究储能技术、可再生发电渗透率、互联容量等在电力市场中的经济价值评估。基于电力市场经济学理论,根据电网容量约束的要求,采用日前市场与日内市场联合模拟、省内市场与省间市场联合模拟的方法,构建竞争市场模型。采用不同时间粒度对市场进行模拟,使得模型结果更加接近于实际市场运行决策结果。采用地理上省内与省外联合模拟的方法,对互联器运行情况进行模拟,同时采用省外的容量模拟更好地辅助竞争市场省内的模型运行,使得省内运行结果精确度更高。确定了竞争电力市场模型的经济性分析评估指标主要包含年度批发系统边际价格（SMP）、总发电成本、总发电净收入和CO2排放量。使用经济性分析评估指标,采用模型验证的方式,验证了竞争性电力市场模型的可用性和准确性。研究建立了 2030年典型区域电力系统的三种情景,即可再生能源情景、储能情景、互联情景,并分别进行了一系列案例研究。情景建立是根据现有的政策预测,并结合情景规划方法进行推演得到。可再生能源情景评估了内蒙古地区具有不同水平的电力可再生能源（RES-E）目标时,对电力市场整体产生的技术经济性和环境上的影响。储能情景包含四个具有不同储能容量的案例研究,用来从经济性的角度预测对于内蒙古电力市场来说合适的储能类型和容量。互联情景设计了四种具有不同互联容量的案例,以确定内蒙古电力市场的2030年恰当的互联容量值。研究表明,实现2030年的高可再生能源发电目标可以降低消费者的电费,还可以实现总社会利益的最大化。模拟结果得出,内蒙古电力市场2030年的储能总容量在中等储能规模时可以最优化电力系统目标函数。更高容量的互联对降低电价、总发电成本和内蒙古电力市场的CO2排放具有有益的影响。对于典型区域电力系统进行敏感性情景分析,确定燃料价格波动因素、电力机组退役因素、储能成本因素以及储能政策因素对于模型结果的影响。采用经济性分析评估指标,在敏感性分析情景下进行模拟。结果表明该模型模拟结果鲁棒性较好,模型结果表现稳定。
吴静[3]（2021）在《分布式资源聚合虚拟电厂多维交易优化模型研究》文中研究表明化石能源的大规模利用在推动我国经济高速发展时,也加剧了能源与环境间的矛盾,可再生能源的高效利用成为能源结构优化的主要方向及可持续发展的重要支撑。为了进一步合理化能源结构、探索市场对资源配置的决定性作用,我国新一轮电力体制改革将充分发挥市场化功能,建立公平合理、竞争活跃的电力市场,挖掘发电侧多源竞争活力。而分布式可再生能源具有单体容量小、地域分散、出力波动的特点,增加了电网统一调度的难度,也为配网运行带来风险。因此,实现对分布式资源的聚合管理,提高可再生电力的消纳水平与市场竞争水平是未来分布式可再生资源发展的重要基础。基于此,本文结合虚拟电厂技术,聚合多分布式资源进行运行优化建模,同时,结合我国电力市场化改革路径,对虚拟电厂参与中长期电力市场、日前市场及日内-实时市场等进行交易优化建模,并基于我国未开展电力现货市场运行地区的实际情况,对虚拟电厂参与辅助服务市场交易进行了建模分析,从而形成了对虚拟电厂参与多级电力市场交易下的优化研究。本文的主要研究内容如下:（1）梳理了虚拟电厂的基本概念、特点、典型项目模式及类型功能。首先对虚拟电厂的定义及特点进行了详细介绍,分析了虚拟电厂的典型结构。其次,从国内和国外两方选取典型虚拟电厂项目展开研究,选择了德国、欧盟等国外虚拟电厂典型项目分析其结构及供能,同时结合上海、冀北、江苏及天津的虚拟电厂项目,总结了我国典型虚拟电厂项目的实施内容及突出效益。最后,总结虚拟电厂类别,提出虚拟电厂参与电力市场交易的主要可行路径,为后续章节虚拟电厂电力交易优化模型构建的研究做出铺垫。（2）提出了考虑“电-气”互转的虚拟电厂低碳运行优化模型。首先,结合“碳减排”的政策导向,考虑引入P2G技术后虚拟电厂中的能源流向,提出接入“P2G”设备的虚拟电厂结构。其次,结合虚拟电厂中的能量流向及初步测算,引入碳交易以实现碳原料的充分供给,基于“零碳排”目标及经济性目标,构建考虑“电-气”互转的虚拟电厂多目标运行优化模型。最后,设置多情景分析引入P2G设备的虚拟电厂运行方案,并进一步分析了碳交易价格对虚拟电厂运行影响的价格传导影响机理。（3）提出了中长期市场交易下虚拟电厂的交易策略。首先,分析了我国电力市场的两种模式,总结了中长期市场下的交易品种和交易方式;其次,梳理了目前市场中中长期合约电量分解的相关规则,提出固定电价合约与差价合约机制下虚拟电厂的收益模型;然后,结合可再生能源配额制及绿色证书交易机制,构建了计及可再生能源衍生品的虚拟电厂中长期合约交易优化模型;最后,在综合绿证交易、合约交易及各单元出力成本的基础上,计算不同可再生能源出力情景下虚拟电厂在集中式电力市场交易规则和分散式电力市场交易规则下参与中长期市场合约交易的收益。（4）提出了日前市场下虚拟电厂的交易优化模型。首先,建模分析了虚拟电厂参与日前市场交易的不确定性来源;其次,提出日前市场中虚拟电厂出力的不确定性综合模型,从发电预测方面进行预测方法的优化改进,构建了基于EEMD-CS-ELM方法的风光出力预测模型,并结合CVaR理论,构建基于预测方法优化与CVaR的虚拟电厂日前市场交易优化模型;最后,选取典型地区对进行算例分析,验证了改进预测方法的有效性和模型的可实现性。（5）提出了基于主从博弈的虚拟电厂三阶段交易优化模型。首先,分析日前市场、日内市场与实时市场的关联耦合关系,提出虚拟电厂可在日内交易中通过博弈达到优化均衡。其次,结合日前、时前、实时三个阶段,以虚拟电厂收益最大的目标,考虑不同阶段下的收益构成,分阶段构建相关优化模型。最后,参考北欧地区丹麦市场2020年4月的现货市场交易数据,设计进行虚拟电厂的市场交易算例,以验证所构建的三阶段交易优化模型的有效性。（6）提出了基于信息间隙决策理论的虚拟电厂辅助服务交易优化模型。首先,结合P2G技术与调峰补偿机制的联合优化,提出参与调峰辅助服务市场的含P2G虚拟电厂的交易路径及内部物理模型;其次,考虑市场交易中的负荷不确定性,分别以不考虑负荷不确定性及考虑不确定性两种前提条件下提出虚拟电厂的交易优化模型;最后,结合拉丁超立方抽样场景生成法和距离测算场景削减法,处理源侧不确定性,联合多目标粒子群算法、帕累托最优解筛选模型和模糊理论对所提模型进行求解,并设计算例进行多情景分析。
张枫[4]（2021）在《水电富集电力系统省间中长期购售电策略优化模型研究》文中研究说明我国电力市场化改革正在持续、有序推进,四川、云南等水电富集电力系统正面临省内电力供需“丰余枯缺”的市场形势,在电力市场建设方面存在诸多难解之题。巴西、智利和秘鲁等南美国家的电源结构和电力体制与四川和云南较相似,其成本型电力库市场模式具有可借鉴性。但是,南美国家既没有形成区域性电力市场,也较少开展跨市场的电力交易,而我国现阶段正在同时开展省域、省间电力市场建设,亟需通过省内、省间的电力现货交易和电力中长期交易实现发电资源的优化配置。在此背景下,开展基于成本型电力库市场模式的水电富集电力系统省间中长期购售电策略优化模型研究,具有重要的研究意义。本文提出了水电富集电力系统省间中长期购售电策略优化模型,优化模型实现了省间中长期购售电交易与省内电力市场协同优化,可为水电富集电力系统制定分时段的省间购售电交易策略提供理论方法。具体研究内容如下:一、分析水电富集电力系统运行特性,讨论水电富集电力市场模式。本文通过单座水电站的出力特性、调节性能及梯级水电站群的运行特征分析,阐述了水电富集电力系统的主要特征。简要分析了国际上典型电力市场模式的适用性,对智利电力市场的实践经验进行了较全面的综述。二、针对采用成本型电力库市场模式的水电富集电力市场,提出了一种优化省间电力中长期购售电策略的数学模型。整体优化模型以成本型电力库市场模式为应用前提,引入省间购售电成本和收益函数,以最小化本省综合购电成本为优化目标（将售电收益视为负的购电成本）分别构造长期、中期优化模型。基于等效水电站蓄能电量与实际水电站期末库容间的关系,推导出优化模型间动态嵌套耦合的表达式。梳理省间中长期购售电策略优化流程、设计软件功能架构,为研发相应的技术支持系统提供思路。三、推导模型求解算法,构造算例验证优化模型。采用随机对偶动态规划算法求解优化模型,推导利用对偶问题构造未来成本函数的方法。对本文所提出的优化模型进行算例验证,结果表明:利用所构建模型能够优化水电富集电力系统外送、购入电能交易计划,在保障满足省内枯期和枯水年用电需求的同时,谋求省内用户购电成本最小化和外送电收益最大化,并能够充分发挥清洁能源效用,促进节能减排。
高源[5]（2021）在《深度强化学习在电力市场参与者策略优化中的应用研究》文中认为近年来,随着中国新一轮电力体制改革的不断推进,电力市场结构与运行机制被显着改变。作为新环境下的市场主体,售电商通过各种方式参与市场交易并追逐收益最大化成为必然趋势。因此,合理的购售电策略是售电商决策中的核心问题。同时,分布式能源的广泛应用,为用户拥有的多余电量参与电力市场交易提供了渠道。在此背景下,研究电力用户的用电行为规律,对电力市场的完善具有重要的意义和价值。然而,随着改革的不断深入,电力市场的不确定性和波动性明显增强,对市场参与者的策略优化提出了巨大的挑战。因此,面对随机性电源、负荷以及各类电价导致的多重不确定性,如何根据现行的市场交易规则建立各类参与者更为通用的运行决策模型,选择科学的决策方法优化自身行为策略,寻求各利益主体收益最大化,成为电力市场领域中的急需解决的难题。目前,研究人员提出了一系列行之有效的优化决策方法。其中,基于场景的随机优化方法通过预设不确定量的概率分布生成随机场景,能够较好地应对复杂的电力市场环境,然而,这类方法存在计算时间长、概率分布误差大、模型维度高等问题。鲁棒优化方法仅考虑不确定因素的极端结果,具有计算效率高、所需信息少的优点。但是,这类方法忽略了不确定性的概率分布信息,其决策结果往往具有保守性。区间优化方法通过精确的概率分布模型刻画不确定性,并选取置信区间以兼顾决策结果的可靠性。但是不确定性的概率建模以及置信区间的选择存在一定难度。除此之外,机器学习算法被许多学者应用至电力市场领域。在此背景下,本文开展了深度强化学习在电力市场参与者行为策略优化中的应用研究。这类算法结合了强化学习和深度学习的思想,在应对高维不确定性问题的决策中表现出一定的优势。这类数据驱动的的无模型优化方法能够充分挖掘数据集中蕴含的有效信息,规避对不确定性因素的人为假设,进一步提升决策结果的有效性。本文的主要工作和创新成果如下所示:本文首先将电力市场交易行为的优化决策描述为马尔科夫决策过程,并阐述了深度强化学习框架下市场参与者的学习机制。其次,针对传统数学优化方法计算效率低、决策结果过于保守、建模误差大等问题,提出一种基于深度Q网络算法的电力现货市场售电商负荷申报方法。整个方法由大数据驱动,在优化过程无需表述或假设不确定性规律,避免了对不确定性的建模误差。同时,这类深度强化学习算法利用神经网络逼近或近似逼近不确定条件下的最优行为策略,提高了计算效率。然后,本文在深度Q网络算法的基础上,集成了竞争网络结构、双重Q学习、优先级采样等改进算法。最后,算例结果验证了改进的算法在应对不确定性问题上的有效性。进一步地,针对传统方法的不足以及深度Q网络离散化操作导致的误差,构建了基于深度确定性策略梯度算法的换电站充放电计划优化模型。其中,为了减少由于不确定的电价和电池需求造成的经济损失,引入了这类基于策略的算法来连续控制多个充电桩的实时充/放电功率。同时,为了进一步提升优化决策效果,本文还对深度确定性策略梯度的算法机制和参数设置进行了探索。通过与其他决策方法的比较,验证了建立的模型在优化电力市场参与者行为策略上的有效性。
郑宏[6]（2021）在《基于LSTM与XGBoost组合模型的电价预测研究》文中研究表明从当前电力市场发展情况分析,电力价格、市场参与者利益密切相关,因而电价预测成为亟待解决的问题。在电力价格变动下,使供给侧发电迎来新的发展问题,且影响用户侧的使用,电价管理作为市场杠杆调整的基础,通过精准合理的电价预测,能发挥关键功能和效果。现阶段,电力价格预测方法在周期性变动规律利用率并不高,对步长预测相对较短,导致电价预测本身存在偏差,为提高其准确性,本文做了如下工作:首先为了验证LSTM-XGBoost模型的有效性,本文先采用法国数据进行短期电价预测研究。选用法国电力市场2019年1月1日-2020年12月31日间的数据,每小时收集整合单点,即每天能整合24个点,对应量纲记作€,创建独立训练集训练模型,进行2021年1月1日BP、LSTM、XGBoost和LSTM-XGBoost预测模型与实际值的对比,从而得到通过误差倒数法进行组合的预测模型LSTM-XGBoost的预测精度最高。LSTM-XGBoost以RMSE为0.74的误差率远低于BP、LSTM的3.80、1.25和XGBoost的0.88相当,从而得到LSTM-XGBoost组合模型的预测精度最高。其次选取奥地利电力市场2020年11月至2021年1月的电价数据进行LSTM和XGBoost组合预测模型完成检验工作,结果表明:基于LSTM和XGBoost进行模型组合检测,MAPE标准在1.61%,显然要比单一预测模型LSTM4%低,比XGBoost模型1.83%低,证明了组合模型的优势。最后,通过收集整合美国PJM电力市场的数据变动,基于深度学习原理,同样选取2020年11月至2021年1月的电价数据,针对性提出以GRU、XGBoost为基础的组合模型,分析短期电力价格的变动,预测对应的结果。通过应用GRU-XGBoost模型,对比分析单一模型实验质量。结果显示,并不是所有单一的模型组合,均能促进预测精准度的提升,所以合理选择参与组合单一模型,能有效控制研究误差。GRU-XGBoost模型对应的平均误差MAE值为1.25高于GRU和XGBoost的1.07、0.56,而LSTM和XGBoost组合预测模型的MAE平均值为0.41,明显低于单一预测模型LSTM和XGBoost的0.89、0.56,证明了该组合模型明显优于GRU-XGBoost组合模型。本文提出的组合模型有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。
马皓[7]（2021）在《基于需求预测的青海省电力市场交易机制优化研究》文中认为电力工业的活力展现着社会整体发展的潜能,深化电力市场改革,激发电力交易活力对一个地区、一个国家尤为重要。目前青海省区域内交易机构已经完成组建,市场化交易电量逐步攀升,取得了初步的建立成果。但省内整体交易市场机智尚未建立完善,电力交易机制单一,难以满足当前全省用电量持续增长所带来的多样化市场购电需求。省内清洁能源装机与发电占比的逐步提升影响交易市场有效性,对全省电力运行及新能源消纳激励促进的正向引导作用不足。本文主要考虑当前青海省的电力交易市场运行情况,基于省内新能源并网对电力交易市场带来的灵活性要求及运用ARMA模型预测未来省内用电需求,提出适合青海省电力市场交易机制的优化方案。论文采用了文献研究法对国内外电力市场运营现状、交易机制进行了详尽的梳理,并结合新能源发电高速发展带来的冲击及挑战剖析了当前电力市场交易机制存在的问题。之后通过时间序列（ARMA）模型建立与运行,对青海省未来电力市场需求电力进行预测。基于预测结果得出研究结论如下:一是建议优化青海省中长期电力合约交易,在年度、月度合约交易中,对预测用电量匹配系数并优化合约。二是建议筹备全电力库模式的现货交易机制,依据新能源发电丰期开展日前市场与实时市场交易,并建立辅助服务市场来进行配合。三是不断设计研发新型交易机制例如期货交易机制,同现货市场配合一同搭建青海省初级电力交易市场。最后,为确保优化方案能够顺利实施,分别从交易机制保障、交易系统线上功能完善、电力交易市场风险方面提出实施及保障措施。本文所提出的青海省电力市场交易机制优化方案,能够在充分考虑省内电力市场发展前景的前提下对青海省电力市场交易优化提供理论依据,为青海省电力公司进一步提高电力交易市场运营管理水平提供有力的支撑,对青海省电力工业的发展有所助益。
欧雪梅[8]（2021）在《基于电力现货交易的办公建筑用能侧需求研究》文中研究说明随着电力市场的改革,电力现货交易市场开始逐步形成,越来越多的用能需求侧将参与到电力运行和电力交易中。掌握不同用户之间的用电规律差异,准确地预测用能侧用电负荷,并为用户提供科学合理的用电管理方案,对于确保用户安全、平稳的参与电力现货交易具有重要的意义。当前用电量预测对象一般是电网系统、区域整体用电量或者某个单体用户,而对于某一类型建筑的用电能耗需求分析的研究较少。因此,本文以办公建筑为研究对象,在分析电力市场交易机制特点的基础上,研究该类型建筑用能侧的用电特性,并采用智能算法建立办公建筑能耗预测模型。首先,概括介绍电力市场改革历程,中长期交易和现货交易机制,并从偏差电量考核和分时电价两方面分析了电力现货交易市场对用能需求侧的影响。其次,选取成都地区办公建筑为研究对象,建立物理模型,根据围护结构参数、室内热扰和空调系统设备对能耗的影响,对16因素4水平进行正交试验设计,再采用DeST软件对64组正交试验组合方案进行了全年逐时能耗模拟计算,并对办公建筑能耗模型进行了验证,确保模拟研究的合理性和可靠性。然后,采用灰关联-聚类分析方法研究同类型办公建筑不同建筑用户之间的影响因素对能耗影响程度的差异性及其能耗特性;再次,从整体性用电行为出发,分析办公建筑典型用电规律,研究办公建筑的不同用能模式及用电的季节性、时段性规律,将大型办公建筑工作日的总用电量划分为3类不同的典型模式,为后续能耗预测模型的构建提供基础。接着,通过公式法建立照明插座用电预测模型,基于空调负荷季节性变化规律采用python软件编制LM-BP神经网络算法分别建立了夏季、冬季空调用电负荷预测模型,夏季、冬季的预测值与模拟值之间的平均绝对百分比误差分别为5.74%、5%。并选取成都某办公大楼为实测对象,对LM-BP神经网络空调用电负荷预测模型的可靠性进行了检验,相对误差为6.6%,表明建立的LM-BP神经网络预测模型在办公建筑空调电能预测时具有较高的预测精度。最后,针对电力市场下的峰谷分时电价,分析办公建筑的需求响应效果及用电设备的调控策略,以引导用能侧在预测负荷后能及时调整用电结构,降低用电费用,结果表明分时电价能够激励用户减少用电量和用电成本。本文基于电力现货交易市场的发展需求,分析了大型办公建筑用电能耗规律和建立了用电能耗预测模型,使得能够掌握其电能使用情况、判断能耗的变化趋势,可为办公建筑用能侧用电结构的优化、用电方式合理的调整以及用户参与电力市场交易提供参考依据。
任慧[9]（2020）在《新电改背景下LCJ能源销售公司营销策略研究》文中研究表明2015年3月15日,《中共中央国务院关于进一步深化电力体制改革的若干意见》（中发[2015]9号）正式印发,开启了我国新一轮电力体制改革的序幕,掀起了我国电力市场建设发展的浪潮。新一轮电力体制改革方案设计了“管住中间、放开两头”的电力体制架构,提出了“三放开,一独立,三强化”的改革重点和路径。其中,售电侧市场化改革是新一轮电力体制改革的亮点和重点,《关于推进售电侧改革的实施意见》中明确指出向社会资本开放售电业务,多途径培育售电侧市场竞争主体,给发电侧和用户侧提供公平交易的渠道,提升售电服务质量和用户用能水平。新电改的积极有序推进,售电市场的逐步放开,给电力市场新兴主体售电公司带来了难得的发展机遇,创造了巨大的盈利空间。但售电公司普遍缺乏电力市场化交易技能与经验,同时,市场交易体制不完善、电改政策导向不明朗、售电市场复杂多变等因素都为售电公司的发展带来了巨大风险和挑战。本文基于新一轮电力体制改革实际推进情况,针对电力市场新兴主体售电公司,从市场营销的角度对其展开全面分析研究。LCJ能源销售公司作为国有大型发电企业的全资售电公司,研究其营销策略具有很强的代表性及理论意义。首先,研究新一轮电力体制改革背景、方案设计、改革进程,剖析LCJ能源销售公司营销现状及存在的问题。其次,利用PEST分析、波特五力模型分析对LCJ能源销售公司营销环境及竞争环境进行多角度分析,并通过对其营销业务的SWOT分析,识别出公司的竞争优劣势和风险。最后,开展全新的售电市场细分,目标市场选择和市场定位,进而制定公司市场营销策略,提升公司市场竞争力,为市场上同类型售电公司提高市场营销水平和市场竞争力提供依据。
邢通[10]（2020）在《大规模风电参与电力市场交易机制及优化模型研究》文中研究指明2015年3月中共中央国务院印发《关于进一步深化深化电力体制改革的若干意见》（中发[2015]9号）,新一轮电力体制改革开启,确定了“管住中间、放开两头”的体制架构,充分发挥市场在资源配置中的决定性作用。通过几年的发展,我国电力市场建设成效初显,中长期交易市场实现常态化运行,八个现货市场试点稳步推进,中长期交易为主、现货交易为补充的电力市场体系初具雏形。在此基础上,以风电为代表的新能源发展环境发生很大变化,随着发用电计划放开比例逐步扩大,传统的全额保障性收购政策将退出舞台,市场成为新能源消纳的重要途径。由于风电的波动性和随机性,风电参与市场存在天然劣势,如何根据我国实际情况设计风电参与中长期、现货、辅助服务等全市场体系交易机制,从而实现新能源消纳的目标,是我国电力市场建设需要重点解决的问题。因此,本文重点考虑风电的消纳问题,从中长期市场到现货市场,由日前市场深入到实时市场和辅助服务市场,研究电力市场交易机制及优化运行,针对我国可再生能源消纳保障机制研究省间风电交易策略,主要研究容如下:（1）概述了国内外电力市场发展现状及交易体系。首先从国外典型电力市场的发展现状展开研究,总结了美国、英国、北欧等国家电力市场的基本情况,分析了各国的电力工业概况和电力改革进程;然后,根据上述各国电力市场现状,从市场运营机构到市场管理等方面介绍了我国的电力市场交易体系;最后,立足电力体制改革的大环境,结合经济发展、资源禀赋等实际情况,基于风火打捆参与电力中长期合约交易、风光储协同参与短期交易电量、风电调峰辅助服务交易三方面分析了风电参与多级电力市场交易路径,为后续章节的电力交易优化模型和运营模式的研究做出铺垫。（2）提出了风电-火电参与电力中长期合约交易优化模型。首先,建立了年度双边协商交易、月度集中竞价交易、挂牌交易的电量确定和电价确定模型,简述了中长期市场合约电量的年分解到月、月分解到日、日分解到时的分解方式。然后,提出了风电和火电参与电力市场的两种方式,综合考虑系统备用、弃风惩罚、绿证交易等问题,基于此建立风火独立参与市场交易模型和联合参与市场交易模型,在满足功率平衡、系统备用等约束条件下研究发电侧收益最大的问题。最后,算例分析结果表明风电和火电联合参与电力市场与单独参与相比,具有额外效益,克服了风电出力波动给系统带来的威胁,有效提高能源利用效率。（3）提出了风险中立情景和风险非中立情景下的风-光-储参与电力日前交易优化模型。首先,建立了风-光-储系统不确定性分析模型及其处理方法;其次,分别构建了风险中立情景下的风-光-储独立参与日前交易和合作参与日前交易的优化模型。然后,构建了基于CvaR的风险非中立下风-光-储参与日前交易优化模型,研究在不同风险置信水平情景下,风-光-储协同参与电力日前交易的效益。最后,选取了典型地区进行了算例分析,提出了考虑清洁能源出力不确定性及风险性的风-光-储协同参与电力日前交易的最优策略。（4）提出了风电-抽水蓄能电站参与电力实时竞价交易模型。风电-抽水蓄能联营能够增加风力发电的消纳率,且风电-抽水蓄能系统由于具有了一定的功率调控能力,其参与电力实时市场获得了盈利的能力。针对风电-抽水蓄能联营参与多时间尺度电力现货市场竞价的问题,考虑风电出力及市场结算价格的不确定性,关注日前市场与实时市场的联动关系,构建了风电-抽水蓄能系统多时间尺度竞价优化模型,在长时间尺度风电-抽水蓄能竞价优化模型中,对风电出力及实时市场平衡价格的不确定性,分别使用随机优化技术和鲁棒优化技术进行处理,并构建了基于条件风险机制（Conditional Value at Risk,CVaR）的日前出力申报决策优化模型;在短时间尺度风电-抽水蓄能竞价优化模型中,引入模型预测控制（model predictive control,MPC）方法,基于支持向量机模型（Support Vector Machines,SVM）对风电出力及实时市场平衡价格进行滚动预测,并构建了实时出力申报决策优化模型对控制变量（实时市场出力申报量）进行控制优化,最后,加入反馈矫正环节形成闭环控制,从而实现实时市场竞价的滚动优化过程,通过滚动优化,实现不确定性变量的提前预测值与实际发生值的逼近,保证实时竞价优化结果的准确性。（5）提出了火电-储能-需求响应联合参与风电调峰交易和效益补偿优化模型。从源荷两侧入手,引入需求响应机制,提出火电机组不同调峰阶段能耗成本模型,构建火电、储能与需求响应联合开展风电调峰交易优化模型;进一步,对比分析火电、储能、风电和需求响应合作和非合作时的运营收益,通过分析不同主体的效益变动情况,引入Sharply值法,构造火电、储能、需求响应联合调峰交易补偿机制;最后,选择中国东北某局域电网作为仿真对象。所提多源调峰交易成本测算模型,有效描述了不同调峰源的调峰成本。所提火电、储能、需求响应多源调峰交易多目标优化模型,能够兼顾调峰交易的经济性和环境性。相比火电、储能、需求响应独立调峰情景,当火电、储能和需求响应联合调峰时,调峰交易方案达到最优,表明两者间具有协同优化效益。所提火电、储能、需求响应多源调峰交易补偿机制,实现各调峰主体均能按照贡献率获取增量收益,实现调峰效益的最优化分配。（6）分析了风电参与跨省区电力市场消纳交易保障机制。首先,从政策内容解析、政策制定历程与调整、政策作用影响三个方面展开,梳理了可再生能源电力消纳保障机制政策。然后通过分析累计消纳权重达标值和测算电力交易需求量,建立了跨省区需求量交易模型和风电消纳水平评估模型,并以某省电网为研究对象进行实例分析,结果表明,进一步完善可再生能源电力市场交易机制能够打破省间市场交易屏障,通过市场化方式提升可再生能源消纳量。最后,从市场机制短期发展、运行机制短期发展、可再生能源消纳机制远景三个方面给出风电参与可再生能源消纳机制的发展建议,针对可再生能源参与市场面临的问题,需要不断完善市场交易机制,形成科学合理的消纳权重责任考核机制,促进清洁能源消纳量。
二、电力市场预测分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、电力市场预测分析（论文提纲范文）
（1）计及新能源的电力现货市场交易优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 新能源对电力现货市场的影响研究 |
| 1.2.2 新能源发电功率预测研究 |
| 1.2.3 电力现货市场电价预测研究 |
| 1.2.4 新能源参与电力现货市场交易研究 |
| 1.2.5 计及碳交易的电力现货市场研究 |
| 1.3 论文主要研究内容和技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 1.3.3 主要创新点 |
| 1.4 本章小结 |
| 第2章 电力现货市场交易优化相关理论基础 |
| 2.1 典型国家电力现货市场发展概述 |
| 2.1.1 美国电力现货市场 |
| 2.1.2 英国电力现货市场 |
| 2.1.3 北欧电力现货市场 |
| 2.2 中国电力现货市场发展概述 |
| 2.2.1 能源电力现状分析 |
| 2.2.2 电力现货市场现状分析 |
| 2.2.3 建设基本原则 |
| 2.2.4 建设关键问题 |
| 2.2.5 未来发展方向 |
| 2.3 电力预测理论基础 |
| 2.3.1 经典预测方法 |
| 2.3.2 机器学习预测方法 |
| 2.3.3 深度学习预测方法 |
| 2.4 系统优化理论基础 |
| 2.4.1 模糊规划 |
| 2.4.2 鲁棒优化 |
| 2.4.3 随机规划模型 |
| 2.5 SD模型及其应用 |
| 2.6 本章小结 |
| 第3章 新能源对电力现货市场的影响分析 |
| 3.1 新能源对电力现货市场的影响分析模型 |
| 3.1.1 基于统计数据的影响分析 |
| 3.1.2 基于小波变换与分形理论的特征表示 |
| 3.1.3 基于SVM的特征因素分类 |
| 3.1.4 基于因子分析的特征提取 |
| 3.1.5 影响分析模型框架与流程 |
| 3.2 新能源对现货市场电价影响的实证分析 |
| 3.2.1 数据收集 |
| 3.2.2 基于统计数据的影响实证分析 |
| 3.2.3 基于全部特征的影响实证分析 |
| 3.2.4 基于关键特征的影响实证分析 |
| 3.3 本章小结 |
| 第4章 电力现货市场中新能源发电功率预测与电价预测 |
| 4.1 基于CEEMD-SE-HS-KELM的新能源发电功率预测模型 |
| 4.1.1 CEEMD-SE模型 |
| 4.1.2 HS-KELM模型 |
| 4.1.3 CEEMD-SE-HS-KELM |
| 4.1.4 实例分析 |
| 4.2 基于相似日筛选与LSTM的现货市场电价预测模型 |
| 4.2.1 电价影响因素初选 |
| 4.2.2 基于RF的新能源影响量化 |
| 4.2.3 基于改进灰色关联的相似日筛选 |
| 4.2.4 RF-IAGIV-CEEMD-SE-LSTM模型 |
| 4.2.5 实例分析 |
| 4.3 本章小结 |
| 第5章 计及新能源与中长期市场影响的现货日前市场交易优化 |
| 5.1 计及新能源与中长期市场的日前市场交易模式 |
| 5.2 中长期合约电量分解模型 |
| 5.2.1 目标函数 |
| 5.2.2 约束条件 |
| 5.3 系统不确定性分析及建模 |
| 5.3.1 新能源出力不确定性 |
| 5.3.2 电力现货价格不确定性 |
| 5.4 计及新能源与中长期合约电量分解的现货日前市场出清模型 |
| 5.4.1 目标函数与约束条件的建立 |
| 5.4.2 多目标函数的模糊优选处理 |
| 5.4.3 基于GA-PSO的优化模型求解算法 |
| 5.5 实例分析 |
| 5.5.1 算例设置 |
| 5.5.2 中长期合约电量分解结果 |
| 5.5.3 系统不确定性求解 |
| 5.5.4 现货日前电力市场出清结果 |
| 5.5.5 惩罚系数对多目标优化结果的影响 |
| 5.5.6 新能源渗透率对多目标优化结果的影响 |
| 5.6 本章小结 |
| 第6章 计及新能源的现货日前与日内、日内与实时市场交易优化 |
| 6.1 现货日前、日内与实时市场的组合及及关联分析 |
| 6.2 系统不确定性建模 |
| 6.2.1 系统不确定性模拟 |
| 6.2.2 拉丁超立方生成场景集 |
| 6.2.3 基于改进谱聚类算法的场景削减策略 |
| 6.3 计及新能源的电力现货市场两阶段交易优化模型 |
| 6.3.1 计及新能源的日前与日内市场联合优化模型 |
| 6.3.2 计及新能源的日内与实时市场联合优化模型 |
| 6.4 实例分析 |
| 6.4.1 算例设置 |
| 6.4.2 场景集生成与削减 |
| 6.4.3 日前与日内市场联合优化出清结果 |
| 6.4.4 日内与实时市场联合优化出清结果 |
| 6.5 本章小结 |
| 第7章 计及碳市场影响的电力现货市场建设路径分析 |
| 7.1 碳排放相关政策梳理 |
| 7.2 现行政策下碳排放压力分析 |
| 7.2.1 碳排放预测模型 |
| 7.2.2 碳排放预测效果检验 |
| 7.2.3 碳排放总量及碳排放强度预测 |
| 7.2.4 基于碳排放预测结果的政策建议 |
| 7.2.5 碳排放市场建设必要性分析 |
| 7.3 碳交易实施对电力现货市场的影响分析 |
| 7.3.1 碳交易市场现状 |
| 7.3.2 碳交易对电力现货市场的影响分析 |
| 7.4 碳交易与电力现货市场的协同建设建议 |
| 7.5 本章小结 |
| 第8章 研究成果与结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）储能在区域电力系统中应用的经济性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国际电力市场发展现状与趋势 |
| 1.2.2 中国电力市场发展现状与趋势 |
| 1.2.3 电力储能发展现状与趋势 |
| 1.3 本文研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 第2章 竞争电力市场经济分析与评估模型 |
| 2.1 竞争电力市场运行机制及交易模型 |
| 2.1.1 区域电力市场及交易模型 |
| 2.1.2 互联电力市场及交易模型 |
| 2.2 竞争电力市场建模 |
| 2.2.1 建模方法与逻辑 |
| 2.2.2 经济性分析指标 |
| 2.3 模型验证 |
| 2.3.1 综合单一电力市场 |
| 2.3.2 英国大不列颠电力市场 |
| 2.3.3 法国电力市场 |
| 2.3.4 模型验证结果 |
| 2.4 本章小结 |
| 第3章 中国典型区域电力市场情景分析 |
| 3.1 情景建立 |
| 3.1.1 可再生能源情景 |
| 3.1.2 储能情景 |
| 3.1.3 互联情景 |
| 3.2 可再生能源情景结果分析 |
| 3.2.1 系统边际价格 |
| 3.2.2 平准化电力成本 |
| 3.2.3 系统总发电成本 |
| 3.2.4 电力系统净利润 |
| 3.2.5 碳排放 |
| 3.3 储能情景结果分析 |
| 3.3.1 系统边际价格 |
| 3.3.2 平准化电力成本 |
| 3.3.3 系统总发电成本 |
| 3.3.4 电力系统净利润 |
| 3.3.5 碳排放 |
| 3.3.6 储能在区域电力系统中的作用 |
| 3.4 互联情景结果分析 |
| 3.4.1 系统边际价格 |
| 3.4.2 系统总发电成本 |
| 3.4.3 电力系统净利润 |
| 3.4.4 碳排放 |
| 3.5 本章小结 |
| 第4章 敏感性情景分析 |
| 4.1 燃料价格 |
| 4.2 电力机组因素 |
| 4.3 储能成本因素 |
| 4.4 储能政策因素 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 主要研究结论 |
| 5.2 研究创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）分布式资源聚合虚拟电厂多维交易优化模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 虚拟电厂研究现状 |
| 1.2.2 电力市场发展现状 |
| 1.2.3 虚拟电厂市场交易研究现状 |
| 1.3 论文主要研究内容和创新点 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文研究技术路线 |
| 1.3.3 论文主要创新点 |
| 第2章 虚拟电厂发展现状及功能分析 |
| 2.1 虚拟电厂概述 |
| 2.1.1 虚拟电厂理论基础 |
| 2.1.2 虚拟电厂的组成与结构 |
| 2.2 典型虚拟电厂项目总结 |
| 2.2.1 国外典型虚拟电厂项目 |
| 2.2.2 国内典型虚拟电厂项目 |
| 2.3 虚拟电厂类型与功能 |
| 2.3.1 需求响应虚拟电厂 |
| 2.3.2 供给侧虚拟电厂 |
| 2.3.3 混合资产虚拟电厂 |
| 2.3.4 虚拟电厂参与电力市场的交易路径分析 |
| 2.4 本章小结 |
| 第3章 考虑碳减排目标的虚拟电厂运行优化模型 |
| 3.1 引言 |
| 3.2 虚拟电厂构成单元建模 |
| 3.2.1 微型燃气轮机 |
| 3.2.2 风电机组 |
| 3.2.3 光伏机组 |
| 3.2.4 电转气设备 |
| 3.2.5 需求响应 |
| 3.2.6 储能系统 |
| 3.3 考虑电-气互转的虚拟电厂运行优化模型 |
| 3.3.1 考虑电-气互转的虚拟电厂多目标运行优化模型 |
| 3.3.2 约束条件 |
| 3.3.3 线性化处理 |
| 3.4 算例分析 |
| 3.4.1 基础数据 |
| 3.4.2 算例分析 |
| 3.5 本章小结 |
| 第4章 虚拟电厂电力中长期合约交易优化模型 |
| 4.1 引言 |
| 4.2 中长期电力市场特点 |
| 4.2.1 电力市场模式 |
| 4.2.2 中长期市场交易品种 |
| 4.2.3 中长期电力市场交易方式 |
| 4.3 虚拟电厂参与中长期电力市场交易优化分析 |
| 4.3.1 中长期市场交易合约机制 |
| 4.3.2 固定电价合约下虚拟电厂收益分析 |
| 4.3.3 差价合约下虚拟电厂收益分析 |
| 4.4 计及可再生能源衍生品的虚拟电厂中长期合约交易优化分析 |
| 4.4.1 可再生能源配额制及绿色证书机制影响量化分析 |
| 4.4.2 计及可再生能源衍生品的虚拟电厂中长期合约交易决策模型 |
| 4.4.3 算例分析 |
| 4.5 本章小结 |
| 第5章 虚拟电厂日前电力市场交易优化模型 |
| 5.1 引言 |
| 5.2 日前交易下虚拟电厂不确定性分析 |
| 5.2.1 虚拟电厂不确定性分析及建模 |
| 5.2.2 结合CVaR的日前市场不确定性综合模型 |
| 5.3 基于EEMD-CS-ELM及CVAR方法的虚拟电厂日前交易优化模型 |
| 5.3.1 虚拟电厂内部不确定性处理 |
| 5.3.2 计及CVaR的虚拟电厂日前交易优化模型 |
| 5.3.3 基于蚁群算法的多目标优化模型求解 |
| 5.4 算例分析 |
| 5.4.1 基于EEMD-CS-ELM的风光出力预测 |
| 5.4.2 虚拟电厂日前交易结果分析 |
| 5.4.3 不同置信水平对虚拟电厂日前交易优化结果的影响 |
| 5.5 本章小结 |
| 第6章 虚拟电厂日内-实时交易优化模型 |
| 6.1 引言 |
| 6.2 电力日内-实时市场概述 |
| 6.2.1 日前市场与日内市场关联分析 |
| 6.2.2 日前市场与实时市场关联分析 |
| 6.2.3 虚拟电厂日内市场交易博弈行为分析 |
| 6.3 虚拟电厂参与日前电力市场交易建模 |
| 6.3.1 虚拟电厂参与日前-时前-实时市场交易 |
| 6.3.2 虚拟电厂多阶段交易优化模型 |
| 6.3.3 基于人工鱼群算法的模型求解方法 |
| 6.4 算例分析 |
| 6.4.1 基础数据 |
| 6.4.2 情景设置 |
| 6.4.3 结果分析 |
| 6.5 本章小结 |
| 第7章 虚拟电厂参与辅助服务市场交易优化模型 |
| 7.1 引言 |
| 7.2 调峰辅助服务市场环境下虚拟电厂参与路径 |
| 7.2.1 调峰辅助服务市场概述 |
| 7.2.2 虚拟电厂参与辅助服务市场 |
| 7.2.3 虚拟电厂物理模型 |
| 7.3 虚拟电厂辅助服务交易优化模型 |
| 7.3.1 不考虑负荷不确定性下交易优化模型 |
| 7.3.2 计及负荷不确定性基于IGDT的交易优化模型 |
| 7.3.3 优化结果评价指标 |
| 7.4 模型求解算法 |
| 7.4.1 风光不确定性处理算法 |
| 7.4.2 基于PSO的多目标优化模型求解算法 |
| 7.5 算例分析 |
| 7.5.1 情景设置 |
| 7.5.2 基础数据 |
| 7.5.3 确定性优化模型结果分析 |
| 7.5.4 不确定性优化模型结果分析 |
| 7.6 本章小结 |
| 第8章 结论与展望 |
| 8.1 研究成果与结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）水电富集电力系统省间中长期购售电策略优化模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水火电系统优化调度研究现状 |
| 1.2.2 省间电力中长期交易研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 水电富集电力系统及电力市场 |
| 2.1 引言 |
| 2.2 水电富集电力系统的运行特性 |
| 2.2.1 水电站的基本特性 |
| 2.2.2 水电富集电力系统的主要特征 |
| 2.3 水电富集电力市场模式 |
| 2.3.1 水电富集电力市场的主要问题 |
| 2.3.2 典型电力市场模式及适应性分析 |
| 2.3.3 智利电力市场国际实践 |
| 2.4 本章小结 |
| 第3章 水电富集电力系统省间中长期购售电策略优化 |
| 3.1 整体优化模型的构建思路 |
| 3.2 长期优化模型 |
| 3.2.1 目标函数 |
| 3.2.2 约束条件 |
| 3.3 中期优化模型 |
| 3.3.1 目标函数 |
| 3.3.2 约束条件 |
| 3.4 优化模型的动态嵌套耦合 |
| 3.5 省间中长期购售电策略优化流程与系统软件功能架构 |
| 3.6 本章小结 |
| 第4章 求解算法及算例分析 |
| 4.1 引言 |
| 4.2 随机对偶动态规划算法 |
| 4.3 算例分析 |
| 4.3.1 参数设定及模型预处理 |
| 4.3.2 模型优化结果 |
| 4.3.3 优化结果分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）深度强化学习在电力市场参与者策略优化中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 课题研究现状与评述 |
| 1.2.1 市场参与者行为策略研究 |
| 1.2.2 当前研究存在的问题 |
| 1.3 研究内容与技术路线 |
| 1.3.1 本文的主要工作 |
| 1.3.2 研究思路与技术路线 |
| 1.4 本章小结 |
| 第二章 面向电力市场的深度强化学习算法 |
| 2.1 强化学习与深度学习 |
| 2.1.1 强化学习与马尔科夫决策过程 |
| 2.1.2 深度学习以及高维场景下的应用 |
| 2.2 深度强化学习 |
| 2.2.1 深度强化学习研究综述 |
| 2.2.2 电力市场参与者学习机制 |
| 2.2.3 深度强化学习算法 |
| 2.3 本章小结 |
| 第三章 基于DQN算法的电力现货市场售电商负荷申报研究 |
| 3.1 方法概述 |
| 3.1.1 电力现货市场环境下售电商交易模式 |
| 3.1.2 负荷申报优化流程 |
| 3.2 深度Q网络算法及改进 |
| 3.2.1 Deep Q Network算法 |
| 3.2.2 算法机制改进 |
| 3.3 深度强化学习在售电商日前负荷申报中的应用 |
| 3.3.1 状态空间 |
| 3.3.2 动作空间 |
| 3.3.3 奖励函数 |
| 3.3.4 售电商运行约束与惩罚费用 |
| 3.3.5 实现流程 |
| 3.4 算例分析 |
| 3.4.1 算例数据 |
| 3.4.2 学习环节 |
| 3.4.3 应用环节 |
| 3.4.4 不同优化控制方法的比较分析 |
| 3.5 本章小结 |
| 第四章 基于DDPG算法的电动汽车换电站充放电计划研究 |
| 4.1 方法概述 |
| 4.1.1 换电站结构 |
| 4.1.2 研究现状 |
| 4.1.3 优化模型框架 |
| 4.2 深度确定性策略梯度算法及改进 |
| 4.2.1 Deterministic Policy Gradient算法 |
| 4.2.2 算法机制改进 |
| 4.3 优化模型 |
| 4.3.1 模型假设 |
| 4.3.2 模型公式 |
| 4.4 深度强化学习在换电站决策中的应用 |
| 4.4.1 马尔科夫决策过程 |
| 4.4.2 学习环节 |
| 4.4.3 应用环节 |
| 4.5 算例分析 |
| 4.5.1 参数设置 |
| 4.5.2 学习环节 |
| 4.5.3 应用环节 |
| 4.5.4 比较与分析 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的论文及参与的项目 |
| 学位论文评阅及答辩情况表 |
（6）基于LSTM与XGBoost组合模型的电价预测研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 课题研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.4 本文的主要研究内容 |
| 第二章 相关技术综述 |
| 2.1 集成学习理论 |
| 2.1.1 集成学习基本概念 |
| 2.1.2 监督集成学习模型 |
| 2.2 XGBoost模型 |
| 2.2.1 XGBoost原理介绍 |
| 2.2.2 XGBoost的优势 |
| 2.3 深度学习理论 |
| 2.3.1 深度学习基本概念 |
| 2.3.2 深度学习基本模型 |
| 2.4 循环神经网络RNN |
| 2.4.1 循环神经网络RNN |
| 2.4.2 BP神经网络 |
| 2.4.3 循环神经网络的缺陷 |
| 2.5 短期记忆网络LSTM |
| 2.5.1 LSTM原理介绍 |
| 2.5.2 LSTM的优势 |
| 2.6 神经网络GRU |
| 2.7 Adam优化算法 |
| 第三章 电价预测流程及数据预处理技术 |
| 3.1 电价预测形式化 |
| 3.2 电价的数据来源 |
| 3.3 电价预测流程 |
| 3.4 数据预处理技术 |
| 3.5 数据处理和模型构造 |
| 3.5.1 基于LSTM预测的数据处理 |
| 3.5.2 基于LSTM算法模型的构造 |
| 3.5.3 XGBoost建立回归树拟合 |
| 3.5.4 结合XGBoost进行模型构造 |
| 3.5.5 模型参数设置 |
| 第四章 电价预测模型与方法 |
| 4.1 电价预测实现过程 |
| 4.2 模型的评估方法 |
| 第五章 实验及结果分析 |
| 5.1 案例一:基于法国电力市场的电价预测比较 |
| 5.1.1 基于BP模型电价预测 |
| 5.1.2 基于LSTM模型电价预测 |
| 5.1.3 基于XGBoost模型电价预测 |
| 5.1.4 基于LSTM-XGBoost模型电价预测 |
| 5.1.5 实验结果与分析 |
| 5.2 案例二:基于奥地利电力市场的电价预测比较 |
| 5.2.1 模型可视化探索分析 |
| 5.2.2 模型可视化验证分析 |
| 5.3 案例三:基于美国PJM电力市场的电价预测比较 |
| 5.3.1 案例数据分析 |
| 5.3.2 美国PJM电力市场结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文与研究成果 |
（7）基于需求预测的青海省电力市场交易机制优化研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 研究思路与技术路线 |
| 1.3.1 研究思路 |
| 1.3.2 研究技术路线 |
| 第二章 相关理论及文献综述 |
| 2.1 相关概念界定 |
| 2.1.1 电力市场的定义 |
| 2.1.2 电力市场交易机制的定义 |
| 2.2 相关理论 |
| 2.2.1 运营管理理论 |
| 2.2.2 电力金融市场理论 |
| 2.2.3 电力需求预测理论 |
| 2.3 文献综述 |
| 2.3.1 国内相关研究文献综述 |
| 2.3.2 国外相关研究文献综述 |
| 第三章 青海省电力市场交易机制现状 |
| 3.1 青海省电力市场现状 |
| 3.1.1 省内电力行业发展 |
| 3.1.2 电力市场交易现状 |
| 3.1.3 清洁能源并网带来的挑战 |
| 3.2 青海省电力市场交易存在的问题 |
| 3.3 交易机制优化的必要性 |
| 第四章 基于ARMA模型的青海省电力市场需求预测 |
| 4.1 ARMA模型 |
| 4.1.1 ARMA模型建立 |
| 4.1.2 ARMA模型的平稳性 |
| 4.1.3 ARMA模型的识别 |
| 4.2 数据的选取与平稳化处理 |
| 4.2.1 数据的选取 |
| 4.2.2 数据的处理 |
| 4.3 模型的运行及检验 |
| 4.3.1 模型的识别与选择 |
| 4.3.2 模型的检验 |
| 4.4 需求的预测 |
| 第五章 基于需求预测的交易机制优化方案 |
| 5.1 优化目标、原则及思路 |
| 5.1.1 优化目标 |
| 5.1.2 优化原则 |
| 5.1.3 优化思路 |
| 5.2 中长期合约交易机制优化 |
| 5.2.1 年度合约交易机制优化 |
| 5.2.2 月度合约交易机制优化 |
| 5.2.3 中长期合约交易机制间的协调 |
| 5.3 现货交易机制优化 |
| 5.3.1 全电力库模式 |
| 5.3.2 日前、实时市场建设 |
| 5.3.3 新能源消纳 |
| 5.4 期货交易机制建立 |
| 5.4.1 期货交易模型 |
| 5.4.2 期货交易机制设计 |
| 5.4.3 期货和现货交易结合的交易模式 |
| 第六章 交易机制优化方案的实施与保障 |
| 6.1 交易机制优化方案的实施 |
| 6.1.1 中长期合约交易优化的保障措施 |
| 6.1.2 现货交易建立的保障措施 |
| 6.1.3 期货交易机制建立的保障措施 |
| 6.2 电力交易线上系统功能的保障 |
| 6.2.1 信息发布功能 |
| 6.2.2 交易管理功能 |
| 6.2.3 结算管理功能 |
| 6.2.4 数据追踪分析功能 |
| 6.3 交易市场运行的风险防控 |
| 6.3.1 完善的政策与监管体系 |
| 6.3.2 合规的市场准入条件 |
| 第七章 结论及展望 |
| 7.1 研究结论 |
| 7.2 研究不足与展望 |
| 7.2.1 研究的不足 |
| 7.2.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（8）基于电力现货交易的办公建筑用能侧需求研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 主要的研究内容 |
| 1.3.2 研究路线 |
| 2 电力市场特征及用能侧需求分析 |
| 2.1 电力市场改革发展历程 |
| 2.2 电力市场交易机制 |
| 2.2.1 中长期交易体制 |
| 2.2.2 现货交易机制 |
| 2.3 现货交易对需求侧的影响 |
| 2.3.1 偏差电量考核的影响 |
| 2.3.2 分时电价的影响 |
| 2.4 本章小结 |
| 3 典型办公建筑能耗模型 |
| 3.1 基于DeST的能耗模拟 |
| 3.1.1 办公建筑模型简化 |
| 3.1.2 典型办公建筑模型 |
| 3.1.3 室外气象参数 |
| 3.2 办公建筑能耗影响因素 |
| 3.2.1 围护结构 |
| 3.2.2 室内热扰 |
| 3.2.3 室内设计参数 |
| 3.2.4 空调系统 |
| 3.3 模拟方案 |
| 3.3.1 影响因素的取值 |
| 3.3.2 正交试验 |
| 3.4 模拟结果分析 |
| 3.5 本章小结 |
| 4 办公建筑用电能耗规律分析 |
| 4.1 灰关联-聚类用能分析 |
| 4.1.1 灰色关联分析 |
| 4.1.2 聚类分析 |
| 4.1.3 结果分析 |
| 4.2 办公建筑不同用电行为分析 |
| 4.2.1 办公建筑用电能耗构成分析 |
| 4.2.2 建筑逐月用电规律 |
| 4.2.3 典型日用电负荷变化 |
| 4.3 本章小结 |
| 5 办公建筑用电能耗预测模型 |
| 5.1 照明插座用电能耗预测 |
| 5.2 基于BP神经网络的空调能耗预测 |
| 5.2.1 空调用电 |
| 5.2.2 BP神经网络简介 |
| 5.2.3 LM-BP神经网络的数学算法 |
| 5.3 空调能耗预测模型 |
| 5.3.1 数据的选取及预处理 |
| 5.3.2 网络模型设计 |
| 5.3.3 神经网络模型评价指标 |
| 5.3.4 预测结果与分析 |
| 5.4 办公建筑能耗预测模型实例分析 |
| 5.4.1 实际建筑简介及能耗 |
| 5.4.2 围护结构 |
| 5.4.3 照明插座设备安装功率 |
| 5.4.4 室内热扰作息 |
| 5.4.5 空调系统 |
| 5.4.6 验证结果分析 |
| 5.5 本章小结 |
| 6 电力市场下用能侧需求响应及调控 |
| 6.1 用能侧节电响应 |
| 6.1.1 办公建筑电量需求价格弹性 |
| 6.1.2 需求响应效果 |
| 6.2 用能侧用电调控 |
| 6.2.1 照明插座设备 |
| 6.2.2 空调系统 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 本文的创新之处 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（9）新电改背景下LCJ能源销售公司营销策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景及意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 文献综述 |
| 一、国外研究综述 |
| 二、国内研究综述 |
| 三、研究评述 |
| 第三节 研究内容 |
| 第四节 研究思路与技术路线 |
| 一、研究思路 |
| 二、技术路线 |
| 第五节 主要创新点 |
| 第二章 相关理论基础及概念界定 |
| 第一节 概念界定 |
| 一、电力市场 |
| 二、市场营销基本概念 |
| 三、电力市场营销 |
| 第二节 市场营销理论及分析工具 |
| 一、4P营销理论 |
| 二、PEST分析 |
| 三、波特五力模型分析 |
| 四、SWOT分析 |
| 五、STP战略分析 |
| 第三章 新电改背景下LCJ能源销售公司营销现状及问题分析 |
| 第一节 公司简介 |
| 第二节 电力体制改革概述 |
| 一、我国电力体制改革 |
| 二、云南省电力体制改革 |
| 第三节 LCJ能源销售公司营销现状及问题分析 |
| 一、LCJ能源销售公司营销现状 |
| 二、LCJ能源销售公司营销存在的问题 |
| 第四章 LCJ能源销售公司营销形势分析 |
| 第一节 营销环境分析 |
| 一、PEST分析 |
| 二、波特五力模型分析 |
| 第二节 营销业务SWOT分析 |
| 一、优势 |
| 二、劣势 |
| 三、机会 |
| 四、威胁 |
| 第五章 LCJ能源销售公司营销策略研究 |
| 第一节 STP战略分析 |
| 一、售电市场细分 |
| 二、目标市场战略 |
| 三、市场定位战略 |
| 第二节 营销策略制定 |
| 一、产品策略 |
| 二、价格策略 |
| 三、渠道策略 |
| 四、促销策略 |
| 五、服务策略 |
| 第三节 营销策略的执行保障 |
| 一、构建新型电力营销体制 |
| 二、提升服务水平及质量 |
| 三、构建新型的营销信息化系统 |
| 四、建立风险防范长效机制 |
| 第六章 结论与展望 |
| 第一节 结论 |
| 第二节 展望 |
| 参考文献 |
| 致谢 |
（10）大规模风电参与电力市场交易机制及优化模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风电参与中长期合约交易研究现状 |
| 1.2.2 风电参与日前交易研究现状 |
| 1.2.3 风电参与实时竞价交易研究现状 |
| 1.2.4 风电调峰辅助服务交易研究现状 |
| 1.3 论文主要研究内容和创新点 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文研究技术路线 |
| 1.3.3 论文研究创新点 |
| 第2章 国内外风电参与电力市场交易现状及交易体系概述 |
| 2.1 国外电力市场发展现状及风电参与交易情况 |
| 2.1.1 美国电力市场现状及风电参与交易情况 |
| 2.1.2 英国电力市场现状及风电参与交易情况 |
| 2.1.3 北欧电力市场现状及风电参与交易情况 |
| 2.2 国内电力市场发展现状及风电参与交易情况 |
| 2.2.1 电力市场概况 |
| 2.2.2 电力市场改革进程 |
| 2.2.3 风电参与市场交易情况 |
| 2.2.4 电力市场未来发展方向 |
| 2.3 国内电力市场交易体系 |
| 2.3.1 中长期交易市场 |
| 2.3.2 日前现货交易市场 |
| 2.3.3 实时交易市场 |
| 2.3.4 辅助服务交易市场 |
| 2.4 风电参与多级电力市场交易路径 |
| 2.4.1 风火打捆参与电力中长期合约交易 |
| 2.4.2 风光储协同参与现货市场 |
| 2.4.3 风火调峰辅助服务交易 |
| 2.5 本章小结 |
| 第3章 风电-火电参与电力中长期合约交易优化模型 |
| 3.1 引言 |
| 3.2 中长期电力市场 |
| 3.2.1 中长期电力市场交易方式 |
| 3.2.2 中长期合约电量分解 |
| 3.3 风电-火电参与电力市场交易优化模型 |
| 3.3.1 风电与火电独立参与市场交易 |
| 3.3.2 风电-火电联合参与市场交易 |
| 3.3.3 约束条件 |
| 3.4 算列分析 |
| 3.4.1 基础数据 |
| 3.4.2 算例结果 |
| 3.4.3 结果分析 |
| 3.5 本章小结 |
| 第4章 风电-光伏-储能协同参与电力日前交易优化模型 |
| 4.1 引言 |
| 4.2 风-光-储系统不确定性建模及处理 |
| 4.2.1 风-光-储系统不确定性建模 |
| 4.2.2 风-光不确定性处理 |
| 4.3 风险中立情景下风-光-储参与电力日前交易优化模型 |
| 4.3.1 风-光-储参与电力日前交易机制 |
| 4.3.2 风险中立情景下风-光-储参与电力日前交易优化模型 |
| 4.3.3 算例分析 |
| 4.4 风险非中立下风-光-储参与电力日前交易优化模型 |
| 4.4.1 CVaR理论方法 |
| 4.4.2 风险非中立情景下风-光-储参与电力日前交易优化模型 |
| 4.4.3 算例分析 |
| 4.5 本章小结 |
| 第5章 风电-抽水蓄能电站参与电力实时竞价交易模型 |
| 5.1 引言 |
| 5.2 电力实时市场概述 |
| 5.2.1 日前市场与实时市场的联动关系 |
| 5.2.2 实时市场中的两种典型结算方式 |
| 5.2.3 多时间尺度竞价优化框架及基本假设 |
| 5.3 长时间尺度风电-抽水蓄能竞价优化模型 |
| 5.3.1 风电-抽水蓄能出力模型 |
| 5.3.2 风电-抽水蓄能日前竞价收益函数 |
| 5.3.3 基于CVaR的长时间尺度竞价优化模型 |
| 5.4 短时间尺度风电-抽水蓄能竞价优化模型 |
| 5.4.1 短时间尺度竞价优化流程 |
| 5.4.2 基于SVM的实时市场滚动预测模型 |
| 5.4.3 实时竞价策略的滚动优化模型 |
| 5.4.4 反馈矫正策略 |
| 5.4.5 算例分析 |
| 5.5 本章小结 |
| 第6章 大规模风电并网下火电-储能-DR联合调峰交易优化模型 |
| 6.1 引言 |
| 6.2 不同调峰源参与调峰交易成本 |
| 6.2.1 火电调峰成本 |
| 6.2.2 储能系统调峰成本 |
| 6.2.3 灵活性负荷调峰成本 |
| 6.3 火电-储能-DR联合调峰交易优化模型 |
| 6.3.1 多源调峰交易目标 |
| 6.3.2 多源调峰约束条件 |
| 6.3.3 算例分析 |
| 6.4 火电-储能-DR联合调峰交易补偿机制 |
| 6.4.1 不同主体角色分析 |
| 6.4.2 不同主体效益分析与测算 |
| 6.4.3 不同主体效益协调模型 |
| 6.4.4 算例分析 |
| 6.5 本章小结 |
| 第7章 风电参与跨省区电力市场消纳交易保障机制 |
| 7.1 引言 |
| 7.2 可再生能源电力消纳保障机制政策 |
| 7.2.1 政策内容解析 |
| 7.2.2 政策制定历程与调整 |
| 7.2.3 政策作用影响分析 |
| 7.3 风电参与跨省域市场消纳交易保障机制 |
| 7.3.1 累计消纳权重达标值 |
| 7.3.2 电力交易需求量测算 |
| 7.3.3 跨省区需求量交易模型 |
| 7.3.4 风电消纳水平评估模型 |
| 7.3.5 实例分析 |
| 7.4 风电参与可再生能源消纳机制发展建议 |
| 7.4.1 市场机制短期发展建议 |
| 7.4.2 运行机制短期调整建议 |
| 7.4.3 可再生能源消纳机制远景 |
| 7.5 本章小结 |
| 第8章 研究成果和结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、电力市场预测分析（论文参考文献）
- [1]计及新能源的电力现货市场交易优化研究[D]. 王珂珂. 华北电力大学(北京), 2021(01)
- [2]储能在区域电力系统中应用的经济性研究[D]. 王姝睿. 中国科学院大学(中国科学院工程热物理研究所), 2021(02)
- [3]分布式资源聚合虚拟电厂多维交易优化模型研究[D]. 吴静. 华北电力大学(北京), 2021(01)
- [4]水电富集电力系统省间中长期购售电策略优化模型研究[D]. 张枫. 华北电力大学(北京), 2021(01)
- [5]深度强化学习在电力市场参与者策略优化中的应用研究[D]. 高源. 山东大学, 2021(12)
- [6]基于LSTM与XGBoost组合模型的电价预测研究[D]. 郑宏. 太原科技大学, 2021(01)
- [7]基于需求预测的青海省电力市场交易机制优化研究[D]. 马皓. 兰州大学, 2021(02)
- [8]基于电力现货交易的办公建筑用能侧需求研究[D]. 欧雪梅. 西南科技大学, 2021(08)
- [9]新电改背景下LCJ能源销售公司营销策略研究[D]. 任慧. 云南师范大学, 2020(01)
- [10]大规模风电参与电力市场交易机制及优化模型研究[D]. 邢通. 华北电力大学(北京), 2020