基于GARCH模型的電力市場(chǎng)風(fēng)險(xiǎn)分析.pdf

1、在實(shí)行“廠網(wǎng)分離，競(jìng)價(jià)上網(wǎng)”的電力市場(chǎng)中，發(fā)電企業(yè)必須經(jīng)過(guò)報(bào)價(jià)才能上網(wǎng)，以期回收成本并獲得一定的利潤(rùn)，發(fā)電企業(yè)希望通過(guò)一定的策略來(lái)實(shí)現(xiàn)自身利益的最大化，但是由于不確定因素的存在，使得電力市場(chǎng)中的風(fēng)險(xiǎn)難以度量。發(fā)電企業(yè)希望能夠在利潤(rùn)一定的情況下降低風(fēng)險(xiǎn)或者在風(fēng)險(xiǎn)一定的情況下最大化利潤(rùn)。本文研究出清電價(jià)的預(yù)測(cè)和電價(jià)波動(dòng)帶來(lái)的電力市場(chǎng)風(fēng)險(xiǎn)的度量。
　　 價(jià)格作為一種經(jīng)濟(jì)手段，是調(diào)節(jié)供求關(guān)系的杠桿。電價(jià)預(yù)測(cè)是優(yōu)化決策的基本條件之一，對(duì)市

2、場(chǎng)統(tǒng)一出清電價(jià)的準(zhǔn)確預(yù)測(cè)有利于發(fā)電企業(yè)進(jìn)行合理的報(bào)價(jià)決策，但電價(jià)受很多因素的影響，其預(yù)測(cè)難度較大。本文將加權(quán)馬爾科夫鏈與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法用于對(duì)市場(chǎng)統(tǒng)一出清電價(jià)的組合預(yù)測(cè)，該方法充分利用了馬爾科夫鏈中的轉(zhuǎn)移概率能夠較好地反映隨機(jī)因素影響，以及BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的適應(yīng)性，并用實(shí)例表明該方法有較好的預(yù)測(cè)結(jié)果。
　　 電力市場(chǎng)中發(fā)電商的風(fēng)險(xiǎn)很大程度來(lái)源于市場(chǎng)出清電價(jià)的波動(dòng)，本文介紹了風(fēng)險(xiǎn)及風(fēng)險(xiǎn)度量的方法，利用廣義自回歸條件異方

3、差(Generalized AutoregressiveConditional Heteroskedasticity，GARCH)模型在時(shí)間序列分析上的優(yōu)點(diǎn)，通過(guò)對(duì)PJM電力市場(chǎng)電價(jià)數(shù)據(jù)的對(duì)數(shù)差分處理，并對(duì)得到的電價(jià)收益率序列進(jìn)行分析，得出其存在異方差特性，運(yùn)用赤池信息準(zhǔn)則和施瓦茨準(zhǔn)則選擇合適的自回歸條件異方差族模型，來(lái)捕捉收益率序列的波動(dòng)性，求出收益率序列在不同分布函數(shù)下的標(biāo)準(zhǔn)方差值。在給定置信水平下，結(jié)合電價(jià)序列的不同分布，比較了不