CN105005828A - 电力交易决策数据的处理方法和系统 - Google Patents
电力交易决策数据的处理方法和系统 Download PDFInfo
- Publication number
- CN105005828A CN105005828A CN201510467880.8A CN201510467880A CN105005828A CN 105005828 A CN105005828 A CN 105005828A CN 201510467880 A CN201510467880 A CN 201510467880A CN 105005828 A CN105005828 A CN 105005828A
- Authority
- CN
- China
- Prior art keywords
- epsiv
- data
- dynamic change
- forall
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明涉及一种电力交易决策数据的处理方法和系统。其中方法包括:根据电力交易决策数据构建所述电力交易决策数据处理的参数模型;根据所述电力交易决策数据的参数模型及预设的条件风险价值模型建立电力交易决策数据处理的目标函数;其中,所述目标函数为:<maths num="0001"></maths>利用一般性代数仿真系统对所述目标函数进行求解,并根据求解后的方案确定电力交易决策数据的处理结果。本发明的技术,可以在一定的风险价值之内,在相对固定的数据、动态变化的数据及单位成本值数据三者之间找到最佳平衡点,进而实现对电力交易决策数据的处理结果达到最优化。
Description
技术领域
本发明涉及电力技术领域,特别是涉及一种电力交易决策数据的处理方法和系统。
背景技术
电力交易决策数据类型多样化,包括:相对固定的数据、动态变化的数据及单位成本值数据等。其中,相对固定的电力交易决策数据较为稳定;动态变化的数据波动大、更灵活;单位成本值数据有一定的大小限制;综上三种数据的特点,在对电力交易决策数据的处理进行处理时,需要在三者之间寻求最佳均衡点,因此需要对电力交易决策数据的处理方法进行优化。
在电力交易决策数据的处理方法方面,现在多采用的做法是:仅以动态变化的数据及单位成本值数据作为电力交易决策数据的处理考虑的因素,这种做法相对简单,但难以在相对固定的数据、动态变化的数据及单位成本值数据三者之间找到最佳平衡点,以至于对电力交易决策数据的处理结果难以达到最优化。
发明内容
基于此,有必要针对上述问题,提供一种可以在一定的风险价值之内,在相对固定的数据、动态变化的数据及单位成本值数据三者之间找到最佳平衡点,进而实现对电力交易决策数据的处理达到最优化的电力交易决策数据的处理方法和系统。
一种电力交易决策数据的处理方法,包括如下步骤:
根据电力交易决策数据构建所述电力交易决策数据处理的参数模型;其中,所述电力交易决策数据包括:固定的第一数据、动态变化的第一数据及动态变化的单位成本值;所述参数模型包括:固定的第一交易量数据模型、动态变化的第一交易量数据模型及动态变化的单位成本值模型;
根据所述电力交易决策数据的参数模型及预设的条件风险价值模型建立电力交易决策数据处理的目标函数;其中,所述目标函数为:
式中,Ca(ε1)为固定的第一交易量数据模型,为动态变化的第一交易量数据模型,为动态变化的单位成本值模型,ε1为动态变化的第一数据的波动值,χ(ε1)为动态变化的第一交易量数据的概率值;ω为权重因子,Eα-CVaR为条件风险价值模型;
利用一般性代数仿真系统对所述目标函数进行求解,并根据求解后的方案确定电力交易决策数据的处理结果。
一种电力交易决策数据的处理系统,包括:
构建模型模块,根据电力交易决策数据构建所述电力交易决策数据处理的参数模型;其中,所述电力交易决策数据包括:固定的第一数据、动态变化的第一数据及动态变化的单位成本值;所述参数模型包括:固定的第一交易量数据模型、动态变化的第一交易量数据模型及动态变化的单位成本值模型;
构造函数模块,根据所述电力交易决策数据的参数模型及预设的条件风险价值模型建立电力交易决策数据处理的目标函数;其中,所述目标函数为:
式中,Ca(ε1)为固定的第一交易量数据模型,为动态变化的第一交易量数据模型,为动态变化的单位成本值模型,ε1为动态变化的第一数据的波动值,χ(ε1)为动态变化的第一交易量数据的概率值;ω为权重因子,Eα-CVaR为条件风险价值模型;
函数求解模块,用于利用一般性代数仿真系统对所述目标函数进行求解,并根据求解后的方案确定电力交易决策数据的处理结果。
上述电力交易决策数据的处理方法和系统,通过根据电力交易决策数据构建所述电力交易决策数据处理的参数模型,并根据所述电力交易决策数据的参数模型及预设的条件风险价值模型建立电力交易决策数据处理的目标函数,利用一般性代数仿真系统对所述目标函数进行求解,进而根据求解后的方案确定电力交易决策数据的处理结果。可以在一定的风险价值之内,在相对固定的数据、动态变化的数据及单位成本值数据三者之间找到最佳平衡点,进而实现对电力交易决策数据的处理结果达到最优化。
附图说明
图1为本发明的电力交易决策数据的处理方法流程图;
图2为实例中用户购电决策逻辑框架示意图;
图3为一个实施例的动态变化的单位成本函数示意图;
图4为本发明实例的电力交易决策情景树示意图;
图5为实例中预期成本和成本标准偏差的有效边界示意图;
图6为本发明的电力交易决策数据的处理系统结构示意图。
具体实施方式
下面结合附图对本发明的电力交易决策数据的处理方法和系统的具体实施方式作详细描述。
参考图1所示,图1为本发明的电力交易决策数据的处理方法流程图,包括如下步骤:
S10:根据电力交易决策数据构建所述电力交易决策数据处理的参数模型;其中,所述电力交易决策数据包括:固定的第一数据、动态变化的第一数据及动态变化的单位成本值;所述参数模型包括:固定的第一交易量数据模型、动态变化的第一交易量数据模型及动态变化的单位成本值模型;
在本步骤中,由于现阶段,固定的第一数据在电力交易决策数据中占有很大的比例,并且固定的第一数据相对稳定,变化较小,可提前预定出来,所以在电力交易决策数据的处理中,在考虑电力交易决策数据中动态变化的第一数据及动态变化的单位成本值的基础上将固定的第一数据也纳入到考虑范围之内,综合这三种类型的数据来建立电力交易决策数据处理的参数模型,使得模型能够为电力交易决策数据的处理取得更好结果。
在一个实施例中,根据电力交易决策数据构建固定的第一交易量数据模型的步骤可以包括:
根据所述电力交易决策数据构建固定的第一数据模型:
式中,θa,t(ε1)为ε1中t时段固定的第一数据,θa为固定的第一数据的参考值,为ε1中t时段动态变化的第一数据,A为固定的第一数据集合,Ta为第一数据的时段的集合,D为动态变化的第一数据波动值集合;
根据所述固定的第一数据模型得到所述固定的第一交易量数据模型:
式中,Ca(ε1)为ε1中固定的第一交易量数据,Pa(ε1)表示第动态变化的第一数据的第i种波动值下的电力交易决策数据的处理结果,ht为时段t的长度。
上述实施例,首先通过固定的第一数据、动态变化的第一数据及动态变化的单位成本值这三类电力交易决策数据构建出固定的第一数据模型,然后根据构建出的固定的第一数据模型生成固定的第一交易量数据模型。
在一个实施例中,本发明的电力交易决策数据的处理方法,还可以包括:
获取动态变化的第一交易量数据一个时间段的动态变化的第一数据波动值;
根据所述波动值构造概率函数集合S:
根据所述概率函数集合S及公式∑ε∈Dχ(ε)=1计算第i种动态变化的第一数据波动的概率值χ(εi);
式中,为时段t内的动态变化的第一数据,E是随机变量;εi为动态变化的第一数据的第i种波动值;D为动态变化的第一数据波动值集合;NT为时间段数;χ(εi)为动态变化的第一数据的第i种波动值的概率值。
上述实施例,参数t可以预先进行设定,例如:可以设定为八个小时、一周、一个月等。动态变化的第一数据随着时间实时地发生变化。
S20:根据所述电力交易决策数据的参数模型及预设的条件风险价值模型建立电力交易决策数据处理的目标函数;其中,所述目标函数为:
式中,Ca(ε1)为固定的第一交易量数据模型,为动态变化的第一交易量数据模型,为动态变化的单位成本值模型,ε1为动态变化的第一数据的波动值,χ(ε1)为动态变化的第一交易量数据的概率值;ω为权重因子,Eα-CVaR为条件风险价值模型;
在本步骤中,目标函数包括两部分:电力交易决策数据的参数模型和预设的条件风险价值模型。而电力交易决策数据的参数模型包括三个模型:固定的第一交易量数据模型、动态变化的第一交易量数据模型及动态变化的单位成本值模型。因此,本发明的方案即考虑了对固定的数据、动态变化的数据及单位成本值数据这三种类型的数据,又考虑到对风险价值的控制,能够全方位地对电力交易决策数据进行处理。
在一个实施例中,动态变化的第一交易量数据模型可以为:
式中,为ε1中t时段的动态变化的第一交易量数据,为ε1中t时段动态变化的第一数据,为ε1中t时段动态变化的第二数据,T为时间集合。
参考图3所示,图3为一个实施例的动态变化的单位成本值函数示意图;在一个实施例中,动态变化的单位成本值模型可以为:
式中,为ε1中t时段动态变化的单位成本值,为第l段线性动态变化的单位成本值函数的斜率,为ε1中t时段第l段的第二单位成本值,为ε1中t时段的第二单位成本值。
在一个实施例中,条件风险价值模型可以为:
式中,α为置信水平;ξ为辅助变量;η(ε1)为ε1的辅助变量。
在一个实施例中,固定的第一交易量数据可以满足如下约束公式:
式中,P a和分别为固定的第一交易量数据的下限和上限;κa(ε1)为二元变量,在ε1中选择了固定的第一交易量数据,则的值为1;否,则的值为0;Pa(ε1)为ε1中固定的第一交易量数据。
上述实施例可以灵活、智能的改变电力交易决策数据处理的参数模型,如果的值为1,则模型考虑到固定的第一交易量数据,如果的值为0,则模型不需要考虑固定的第一交易量数据,因此,可以更好的根据实际情况灵活运用本发明的技术方案。
在一个实施例中,动态变化的单位成本值可以满足如下约束公式:
其中,为第l段动态变化的单位成本值最大值;NL为分段线性动态变化的单位成本值函数的分段总数;
电力交易决策数据可以满足如下约束公式:
式中,At为t时段提供的固定的第一数据的集合;为t时段电力交易决策数据;Qt为t时段动态变化的第一交易量数据。
在一个实施例中,动态变化的第一数据波动值及所述固定的第一数据可以满足如下约束公式:
式中,ND为动态变化的第一数据波动值集合;Ka为固定的第一数据阶段;H(ε1,Ka)为矩阵的二元变量,当ε1与ε1+1在Ka阶相等时,H(ε1,Ka)为1,否,则为0。
上述实施例,通过对电力交易决策数据处理的参数模型中的部分参数进行约束,可以使得模型能够根据实际情况接收设定的数据,并发生相应的改变,更容易获得最优的电力交易决策数据的处理结果。
S30:利用一般性代数仿真系统对所述目标函数进行求解,并根据求解后的方案确定电力交易决策数据的处理结果。
在本步骤中,需要利用仿真系统或者建模系统对本发明的电力交易决策数据处理的参数模型进行求解。利用求解后的方案来确定风险价值的大小和固定的第一交易量数据、动态变化的第一交易量数据及动态变化的单位成本值的分配比例,达到优化电力交易决策数据的处理结果。
综合上述实施例的技术方案,本发明具有如下明显优点:
第一,充分考虑电力交易决策数据中的各个数据类型,可以在相对固定的数据、动态变化的数据及单位成本值数据三者之间找到最佳平衡点,进而实现对电力交易决策数据的处理结果达到最优化。
第二,将风险价值纳入到考虑的范围之内,可以将电力交易决策数据的处理结果控制在一定的风险之内。
第三,对电力交易决策数据处理的参数模型中的参数进行约束,可以使得模型能够根据实际情况接收设定的数据,并发生相应的改变,更容易获得最优的电力交易决策数据的处理结果。
为了更加清晰本发明的技术方案的有益效果,下面结合附图阐述一个基于本发明技术方案的应用实例。
本发明的技术方案可应用于考虑双边合约的大用户购电策略方面,电力大用户的供电来源有三种,一是与供电方签订双边合约购买低价电能,二是在现货市场中购买电能,三是利用自备发电机组自主供电。其中,双边合约相对风险小,电价较为稳定;现货市场电价波动大,风险大,但更灵活,若把握准确可以规避高额购电成本实现成本最小化;自备发电机组成本相对固定,但额定容量有限且前期投入成本高。
其中,双边合约中的电价相当于本发明方案中的固定的第一数据;与供电方签订双边合约购买的低价电能可以相当于本发明方案中的固定的第一交易数据;现货市场中购买电能可以相当于本发明方案中的动态变化的第一交易数据;现货市场的电价波动情景相当于本发明方案中的动态变化的第一数据波动值;利用自备发电机组自主供电可以相当于本发明中的动态变化的单位成本值。大用户在制定中长期规划时,必须慎重考虑购电策略。一方面,要满足自身电力需求,控制购电成本;另一方面,要尽可能降低市场风险。因此,需要用户合理选择购电途径、分配购电比例,在控制购电成本和降低市场风险之间寻求最佳均衡点。
具体实施过程如下:
参考图2所示,图2为实例中用户购电决策逻辑框架示意图,其中,“即时”决策为双边合约购电决策,假设整个规划期分为4个以小时单位的时间段,要求在每个时间段的开始做出合约决策。“等待观望决策”为现货市场交易和自主发电决策。目前,共有6个合约:其中2个合同始终贯穿4个时间段,另外每个时间段均有一个单独的合约。相关参数如表1所示。
表1双边合约参数
假设用户的电力需求是确定的,并不依赖于现货市场电价情景,各个时段用户的具体电力需求如表2所示。
表2各时段用户电力需求量(MWh)
利用16个等概率的情景对现货市场电价进行模拟,表3给出各个时间段内、每种情景下的现货市场电价。
表3各个时段现货市场电价情景(元/MWh)
参考图4所示,图4为本发明实例的电力交易决策情景树示意图,描述了算例中情景决策树的结构,每个节点代表一个决策点,每个分支代表了一个现货市场电价,如根节点处的两个分支代表在时段1中两种可能的电价:440或500元/MWh。该用户拥有一个100MW的自备发电机组,其线性发电成本为450元/MWh。其中,决策1为合约1、2和3中的决策;决策2为合约4决策和小时1中关于现货市场购电和自主发电的决策;决策3为合约5决策和小时2中关于现货市场购电和自主发电的决策;决策4为合约6决策和小时3中关于现货市场购电和自主发电的决策;决策5为小时4中关于现货市场购电和自主发电的决策。
假设置信水平α的值为0.95,在通用代数建模系统(GAMS)环境下利用CPLEX 10.2处理,求取最优解。
表4给出模拟得到的最优解决方案。当ω为0时,此方案有最低的预期成本和最高的风险,其中风险可以通过标准偏差和购电成本的CVaR来计算。当ω为10时,预期成本增长1.3%,但是成本标准偏差和CVaR分别降低52.5%和1.7%。
表4模拟最优解结果
参考图5所示,图5为实例中预期成本和成本标准偏差的有效边界示意图,描述了预期成本和成本标准偏差的有效边界。可见,低风险解决方案(低标准偏差)意味着高额预期成本,当ω为1时,方案中这种关系体现的尤为明显,成本标准偏差降低了24.5%,预期成本随之增长了0.3%。
表5给出用户的预期购电量,根据表格可见,随着参数ω的增长,双边合约的购电量显著增加,并且在目标函数中用户所面临的风险显著减小。而现货市场购电情况刚好相反,预期现货市场购电量随着参数ω的增长而减少,同时,预期现货市场售电量随着参数ω的增长而增加。当ω值较大时,用户通过合约来满足大部分的电力需求,并且若现货市场电价高于发电成本,则自备发电机组所产生的电能将会考虑在现货市场中出售。
表5各渠道预期购售电量
最后,需要强调的是,对于不同的ω值,自主发电量基本保持不变。在现货市场电价高于自主发电成本的情景和时段内,将会运行自备发电机组,即如果双边合约无法满足用户的电力需求,那么可以启动自备发电机组的方式来满足用户的部分电力需求,而不是从现货市场直接购买电能;另一方面,如果双边合约可以满足电力需求,则自备发电机组所生产的电能可以在现货市场中出售。具体情况见表6和表7。
表6 ω=0时的电能采购情况
表中:C-双边合约购电(MWh);P-现货市场中交易电能(MWh);SP-自主发电(MWh)
当ω=0时,双边合约、现货市场和自主发电在各个时段和情景下的购电情况如表6所示。此时,第一时段和第二时段均没有签署双边合约。自备发电机组在现货市场电价高于自主发电成本的情景和时段内运行。时段1期间,在情景1-8下,由于市场电价低于自主发电成本,用户从现货市场购买全部的预期电力需求;而在情景9-16下,自主发电成本低于市场电价,所以机组以额定功率开始运行。
表7 ω=10时的电能采购情况
表7描述了当ω=10时,各个时段和情景下的购电情况。由表可见,合约1-3在时段1时均已签署,且全部的用户需电量均由双边合约提供。在情景9-16下,自备发电机组所生产的电能在现货市场中出售,表明在这些情景中,现货市场电价高于发电成本,其它时段中的购电方案情况也基本类似。
参考图6所示,图6为本发明的电力交易决策数据的处理系统结构示意图,包括:
构建模型模块10,用于根据电力交易决策数据构建所述电力交易决策数据处理的参数模型;其中,所述电力交易决策数据包括:固定的第一数据、动态变化的第一数据及动态变化的单位成本值;所述参数模型包括:固定的第一交易量数据模型、动态变化的第一交易量数据模型及动态变化的单位成本值模型;
构造函数模块20,用于根据所述电力交易决策数据的参数模型及预设的条件风险价值模型建立电力交易决策数据处理的目标函数;其中,所述目标函数为:
式中,Ca(ε1)为固定的第一交易量数据模型,为动态变化的第一交易量数据模型,为动态变化的单位成本值模型,ε1为动态变化的第一数据的波动值,χ(ε1)为动态变化的第一交易量数据的概率值;ω为权重因子,Eα-CVaR为条件风险价值模型;
函数求解模块30,用于利用一般性代数仿真系统对所述目标函数进行求解,并根据求解后的方案确定电力交易决策数据的处理结果。
在一个实施例中,本发明的电力交易决策数据的处理系统还包括:
第一数据波动值获取模块,可以用于获取动态变化的第一交易量数据一个时间段的动态变化的第一数据波动值;
构造概率函数集合S模块,用于根据所述波动值构造概率函数集合S:
第i种动态变化的第一数据波动的概率值计算模块,用于根据所述概率函数集合S及公式∑ε∈Dχ(ε)=1计算第i种动态变化的第一数据波动的概率值χ(εi);
式中,为时段t内的动态变化的第一数据,E是随机变量;εi为动态变化的第一数据的第i种波动值;D为动态变化的第一数据波动值集合;NT为时间段数;χ(εi)为动态变化的第一数据的第i种波动值的概率值。
在一个实施例中,构建模型模块可以包括:
第一数据模型构建单元,用于根据所述电力交易决策数据构建固定的第一数据模型:
式中,θa,t(ε1)为ε1中t时段固定的第一数据,θa为固定的第一数据的参考值,为ε1中t时段动态变化的第一数据,A为固定的第一数据集合,Ta为第一数据的时段的集合,D为动态变化的第一数据波动值集合;
第一交易量数据模型构建单元,用于根据所述固定的第一数据模型得到所述固定的第一交易量数据模型:
式中,Ca(ε1)为ε1中固定的第一交易量数据,Pa(ε1)表示第动态变化的第一数据的第i种波动值下的电力交易决策数据的处理结果,ht为时段t的长度。
在一个实施例中,本发明的电力交易决策数据的处理系统中动态变化的第一交易量数据模型可以为:
式中,为ε1中t时段的动态变化的第一交易量数据,为ε1中t时段动态变化的第一数据,为ε1中t时段动态变化的第二数据,T为时间集合。
在一个实施例中,本发明的电力交易决策数据的处理系统中动态变化的单位成本值模型可以为:
式中,为ε1中t时段动态变化的单位成本值,为第l段线性动态变化的单位成本值函数的斜率,为ε1中t时段第l段的第二单位成本值,为ε1中t时段的第二单位成本值。
在一个实施例中,本发明的电力交易决策数据的处理系统中条件风险价值模型可以为:
式中,α为置信水平;ξ为辅助变量;η(ε1)为ε1的辅助变量。
在一个实施例中,本发明的电力交易决策数据的处理系统中固定的第一交易量数据可以满足如下约束公式:
式中,Pa和分别为固定的第一交易量数据的下限和上限;κa(ε1)为二元变量,在ε1中选择了固定的第一交易量数据,则的值为1;否,则的值为0;Pa(ε1)为ε1中固定的第一交易量数据。
在一个实施例中,本发明的电力交易决策数据的处理系统中动态变化的单位成本值可以满足如下约束公式:
其中,为第l段动态变化的单位成本值最大值;NL为分段线性动态变化的单位成本值函数的分段总数;
所述电力交易决策数据满足如下约束公式:
式中,At为t时段提供的固定的第一数据的集合;为t时段电力交易决策数据;Qt为t时段动态变化的第一交易量数据。
在一个实施例中,本发明的电力交易决策数据的处理系统的动态变化的第一数据波动值及所述固定的第一数据满足如下约束公式:
式中,ND为动态变化的第一数据波动值集合;Ka为固定的第一数据阶段;H(ε1,Ka)为矩阵的二元变量,当ε1与ε1+1在Ka阶相等时,H(ε1,Ka)为1,否,则为0。
本发明的电力交易决策数据的处理系统与本发明的电力交易决策数据的处理方法一一对应,在上述电力交易决策数据的处理方法的实施例阐述的技术特征及其有益效果均适用于电力交易决策数据的处理系统的实施例中,特此声明。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力交易决策数据的处理方法,其特征在于,包括如下步骤:
根据电力交易决策数据构建所述电力交易决策数据处理的参数模型;其中,所述电力交易决策数据包括:固定的第一数据、动态变化的第一数据及动态变化的单位成本值;所述参数模型包括:固定的第一交易量数据模型、动态变化的第一交易量数据模型及动态变化的单位成本值模型;
根据所述电力交易决策数据的参数模型及预设的条件风险价值模型建立电力交易决策数据处理的目标函数;其中,所述目标函数为:
式中,Ca(ε1)为固定的第一交易量数据模型,为动态变化的第一交易量数据模型,为动态变化的单位成本值模型,ε1为动态变化的第一数据的波动值,χ(ε1)为动态变化的第一交易量数据的概率值;ω为权重因子,Eα-CVaR为条件风险价值模型;
利用一般性代数仿真系统对所述目标函数进行求解,并根据求解后的方案确定电力交易决策数据的处理结果。
2.根据权利要求1所述的电力交易决策数据的处理方法,其特征在于,还包括:
获取动态变化的第一交易量数据一个时间段的动态变化的第一数据波动值;
根据所述波动值构造概率函数集合S:
根据所述概率函数集合S及公式Σε∈Dχ(ε)=1计算第i种动态变化的第一数据波动的概率值χ(εi);
式中,为时段t内的动态变化的第一数据,E是随机变量;εi为动态变化的第一数据的第i种波动值;D为动态变化的第一数据波动值集合;NT为时间段数;χ(εi)为动态变化的第一数据的第i种波动值的概率值。
3.根据权利要求1所述的电力交易决策数据的处理方法,其特征在于,根据电力交易决策数据构建固定的第一交易量数据模型的步骤包括:
根据所述电力交易决策数据构建固定的第一数据模型:
式中,θa,t(ε1)为ε1中t时段固定的第一数据,θa为固定的第一数据的参考值,为ε1中t时段动态变化的第一数据,A为固定的第一数据集合,Ta为第一数据的时段的集合,D为动态变化的第一数据波动值集合;
根据所述固定的第一数据模型得到所述固定的第一交易量数据模型:
式中,Ca(ε1)为ε1中固定的第一交易量数据,Pa(ε1)表示第动态变化的第一数据的第i种波动值下的电力交易决策数据的处理结果,ht为时段t的长度。
4.根据权利要求1所述的电力交易决策数据的处理方法,其特征在于,
所述动态变化的第一交易量数据模型为:
式中,为ε1中t时段的动态变化的第一交易量数据,为ε1中t时段动态变化的第一数据,为ε1中t时段动态变化的第二数据,T为时间集合。
5.根据权利要求1所述的电力交易决策数据的处理方法,其特征在于,
所述动态变化的单位成本值模型为:
式中,为ε1中t时段动态变化的单位成本值,为第l段线性动态变化的单位成本值函数的斜率,为ε1中t时段第l段的第二单位成本值,为ε1中t时段的第二单位成本值。
6.根据权利要求1所述的电力交易决策数据的处理方法,其特征在于,所述条件风险价值模型为:
式中,α为置信水平;ξ为辅助变量;η(ε1)为ε1的辅助变量。
7.根据权利要求1所述的电力交易决策数据的处理方法,其特征在于,所述固定的第一交易量数据满足如下约束公式:
式中,P a和分别为固定的第一交易量数据的下限和上限;κa(ε1)为二元变量,在ε1中选择了固定的第一交易量数据,则的值为1;否,则的值为0;Pa(ε1)为ε1中固定的第一交易量数据。
8.根据权利要求1所述的电力交易决策数据的处理方法,其特征在于,所述动态变化的单位成本值满足如下约束公式:
其中,为第l段动态变化的单位成本值最大值;NL为分段线性动态变化的单位成本值函数的分段总数;
所述电力交易决策数据满足如下约束公式:
式中,At为t时段提供的固定的第一数据的集合;为t时段电力交易决策数据;Qt为t时段动态变化的第一交易量数据。
9.根据权利要求1所述的电力交易决策数据的处理方法,其特征在于,所述动态变化的第一数据波动值及所述固定的第一数据满足如下约束公式:
式中,ND为动态变化的第一数据波动值集合;Ka为固定的第一数据阶段;H(ε1,Ka)为矩阵的二元变量,当ε1与ε1+1在Ka阶相等时,H(ε1,Ka)为1,否,则为0。
10.一种电力交易决策数据的处理系统,其特征在于,包括:
构建模型模块,用于根据电力交易决策数据构建所述电力交易决策数据处理的参数模型;其中,所述电力交易决策数据包括:固定的第一数据、动态变化的第一数据及动态变化的单位成本值;所述参数模型包括:固定的第一交易量数据模型、动态变化的第一交易量数据模型及动态变化的单位成本值模型;
构造函数模块,用于根据所述电力交易决策数据的参数模型及预设的条件风险价值模型建立电力交易决策数据处理的目标函数;其中,所述目标函数为:
式中,Ca(ε1)为固定的第一交易量数据模型,为动态变化的第一交易量数据模型,为动态变化的单位成本值模型,ε1为动态变化的第一数据的波动值,χ(ε1)为动态变化的第一交易量数据的概率值;ω为权重因子,Eα-CVaR为条件风险价值模型;
函数求解模块,用于利用一般性代数仿真系统对所述目标函数进行求解,并根据求解后的方案确定电力交易决策数据的处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510467880.8A CN105005828A (zh) | 2015-07-31 | 2015-07-31 | 电力交易决策数据的处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510467880.8A CN105005828A (zh) | 2015-07-31 | 2015-07-31 | 电力交易决策数据的处理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105005828A true CN105005828A (zh) | 2015-10-28 |
Family
ID=54378491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510467880.8A Pending CN105005828A (zh) | 2015-07-31 | 2015-07-31 | 电力交易决策数据的处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005828A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578139A (zh) * | 2016-07-05 | 2018-01-12 | 华北电力大学 | 基于CVaR的售电公司购电组合策略 |
CN107993272A (zh) * | 2017-11-27 | 2018-05-04 | 北京恒华龙信数据科技有限公司 | 一种电力月度交易数据展示方法及装置 |
CN109857911A (zh) * | 2019-01-17 | 2019-06-07 | 新奥数能科技有限公司 | 一种确定策略数据的方法、装置、可读介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763089A (zh) * | 2009-12-14 | 2010-06-30 | 江西省电力科学研究院 | 基于电力市场化环境下的火电厂机组出力优化运行方法 |
CN104268769A (zh) * | 2014-03-11 | 2015-01-07 | 南方电网科学研究院有限责任公司 | 一种基于模型聚类方法的分时电价设计方法 |
CN104268697A (zh) * | 2014-09-28 | 2015-01-07 | 国网重庆市电力公司电力科学研究院 | 计及节能风险概率的省级电网购电决策系统及方法 |
CN104376379A (zh) * | 2014-11-17 | 2015-02-25 | 南方电网科学研究院有限责任公司 | 一种考虑双边交易的零售商购售电策略的优化方法 |
-
2015
- 2015-07-31 CN CN201510467880.8A patent/CN105005828A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763089A (zh) * | 2009-12-14 | 2010-06-30 | 江西省电力科学研究院 | 基于电力市场化环境下的火电厂机组出力优化运行方法 |
CN104268769A (zh) * | 2014-03-11 | 2015-01-07 | 南方电网科学研究院有限责任公司 | 一种基于模型聚类方法的分时电价设计方法 |
CN104268697A (zh) * | 2014-09-28 | 2015-01-07 | 国网重庆市电力公司电力科学研究院 | 计及节能风险概率的省级电网购电决策系统及方法 |
CN104376379A (zh) * | 2014-11-17 | 2015-02-25 | 南方电网科学研究院有限责任公司 | 一种考虑双边交易的零售商购售电策略的优化方法 |
Non-Patent Citations (2)
Title |
---|
杨波: ""遗传算法在电力市场交易决策中的应用研究"", 《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑》 * |
陈旭: ""电力市场中电网公司购电组合决策及风险管理的研究"", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578139A (zh) * | 2016-07-05 | 2018-01-12 | 华北电力大学 | 基于CVaR的售电公司购电组合策略 |
CN107993272A (zh) * | 2017-11-27 | 2018-05-04 | 北京恒华龙信数据科技有限公司 | 一种电力月度交易数据展示方法及装置 |
CN109857911A (zh) * | 2019-01-17 | 2019-06-07 | 新奥数能科技有限公司 | 一种确定策略数据的方法、装置、可读介质及电子设备 |
CN109857911B (zh) * | 2019-01-17 | 2021-03-05 | 新奥数能科技有限公司 | 一种确定策略数据的方法、装置、可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Özdemir et al. | Economic analysis of transmission expansion planning with price-responsive demand and quadratic losses by successive LP | |
Pérez-Díaz et al. | Optimal short-term operation schedule of a hydropower plant in a competitive electricity market | |
Xu et al. | Optimal scheduling and operation of load aggregators with electric energy storage facing price and demand uncertainties | |
Zhang et al. | A hierarchical EMS for aggregated BESSs in energy and performance-based regulation markets | |
Kumar et al. | Optimal sizing of stand alone hybrid renewable energy system with load shifting | |
Gönsch et al. | Sell or store? An ADP approach to marketing renewable energy | |
Varzaneh et al. | Optimal energy management for PV‐integrated residential systems including energy storage system | |
Mathieu et al. | A quantitative analysis of the effect of flexible loads on reserve markets | |
Zhang et al. | Energy storage based optimal dispatch scheme for financial improvement and fluctuation mitigation on wind power generation | |
CN105005828A (zh) | 电力交易决策数据的处理方法和系统 | |
Donadee | Optimal operation of energy storage for arbitrage and ancillary service capacity: The infinite horizon approach | |
Ghavidel et al. | Risk‐constrained demand response and wind energy systems integration to handle stochastic nature and wind power outage | |
Ullah et al. | M.(2022). Optimisation and Management of Virtual Power Plants Energy Mix Trading Model | |
Ali et al. | P2P as a smarter way of energy trading: A game theoretic case study for multi-microgrids | |
Saranyaa et al. | A comprehensive survey on the current trends in improvising the renewable energy incorporated global power system market | |
Knežević et al. | Joint market bid of a hydroelectric system and wind parks | |
Hidalgo González et al. | Dispa-SET 2.0: unit commitment and power dispatch model | |
Urbano et al. | Energy equipment sizing and operation optimisation for prosumer industrial SMEs–A lifetime approach | |
Li et al. | Maximize user rewards in distributed generation environments using reinforcement learning | |
Bublitz et al. | Agent-based simulation of the German and French wholesale electricity markets-Recent extensions of the powerACE model with exemplary applications | |
Gao et al. | Wind generation scheduling with pump storage unit by collocation method | |
Kim et al. | Operations Research Helps the Optimal Bidding of Virtual Power Plants | |
Newlun et al. | Energy Resource Planning for Puerto Rico's Future Electrical System | |
Chen et al. | Operations optimization of hybrid energy systems under variable markets | |
Farzan | Towards uncertainty in micro-grids: planning, control and investment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151028 |
|
RJ01 | Rejection of invention patent application after publication |