CN106651552A - 一种基于信息互动的分布式能源系统多代理交易竞价模型 - Google Patents
一种基于信息互动的分布式能源系统多代理交易竞价模型 Download PDFInfo
- Publication number
- CN106651552A CN106651552A CN201611148455.3A CN201611148455A CN106651552A CN 106651552 A CN106651552 A CN 106651552A CN 201611148455 A CN201611148455 A CN 201611148455A CN 106651552 A CN106651552 A CN 106651552A
- Authority
- CN
- China
- Prior art keywords
- information
- electricity
- market
- price
- energy
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims description 162
- 238000004146 energy storage Methods 0.000 claims description 79
- 238000009826 distribution Methods 0.000 claims description 48
- 230000002860 competitive effect Effects 0.000 claims description 32
- 230000002123 temporal effect Effects 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000001172 regenerating effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 3
- 230000029087 digestion Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 5
- 230000004048 modification Effects 0.000 abstract description 4
- 238000012986 modification Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000003197 gene knockdown Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于信息互动的分布式能源系统多代理交易竞价模型,包括步骤:(1)获取各主体的当期和历史市场信息;(2)根据当期和历史市场信息,建立各主体目标函数及约束条件;(3)依据市场信息特性,将各主体信息分为四类;(4)分别对各主体四类信息进行处理;(5)对处理后的各主体的四类信息结果拟合修正系数;(6)利用各主体各类信息修正系数修正常规报价,生成修正竞价策略模型;(7)对各主体竞价策略模型进行评估,调整各类信息的重要程度。本发明无论交易对象采取何种报价策略,采用信息修正模型的运营代理商均能从平等自主的趋利市场中或获取更高利润,为市场的发展提供保障。
Description
技术领域
本发明涉及国家能源分配领域,具体涉及一种基于信息互动的分布式能源系统多代理交易竞价模型。
背景技术
随着国家对可再生能源的重视和一系列政策的出台,分布式可再生能源迎来了高速发展。由于分布式可再生能源直接接入配网,易引发过电压、阻塞等问题,加之其发电出力随机性和波动性强且负荷同时率差,电网公司采取了各类限制分布式可再生能源上网的措施,造成了大量弃发电量。
如何以市场化手段灵活解决配电网分布式能源的消纳,激励多方自主参与,已成为主动配电网商业模式研究的重要方向,适应多方分散决策的交易竞价模型是其中关键。
发明内容
本发明所要解决的技术问题是提供一种基于信息互动的分布式能源系统多代理交易竞价模型,根据源-储-荷的购售特性不同,将各主体信息分为四类,分别对各主体的四类信息进行处理并建立信息修正竞价模型,使得运营代理商均能从平等自主的趋利市场中或获取更高利润,为市场的发展提供了保障。
本发明解决上述技术问题的技术方案如下:
一种基于信息互动的分布式能源系统多代理交易竞价模型,包括步骤:
(1)获取分布式能源系统中市场参与各主体的当期和历史市场信息;
(2)根据获取的当期和历史市场信息,建立各主体目标函数及约束条件;
(3)依据市场信息特性,将各主体信息分为价格信息、状态信息、交易信息及时间信息四类;
(4)依据自身利益最大化的原则,分别对各主体的四类信息进行相应处理;
(5)依据各类信息的重要程度,对处理后的各主体的四类信息结果拟合修正系数;
(6)利用各主体各类信息修正系数修正常规报价,生成修正竞价策略模型;
(7)对各主体竞价策略模型进行评估,调整各类信息的重要程度。
本发明的有益效果是:
本方法根据源-储-荷的购售特性不同,将各主体信息分为四类,分别对各主体的四类信息进行处理并建立信息修正竞价模型,使得无论交易对象采取何种报价策略,采用信息修正竞价模型的运营代理商均能从平等自主的趋利市场中或获取更高利润,为市场的发展提供了保障。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤(1)中的市场参与各主体为分布式可再生能源、储能及柔性负荷;获取的当期和历史市场信息从分布式能源系统搭建的交易平台或数据库中直接获取,或依据自身状态和参与交易获取。
采用上述进一步方案的有益效果是在配网侧为市场参与方搭建交易平台,为市场参与方获取市场信息提供渠道。
进一步,所述步骤(2)中的分布式可再生能源、储能及柔性负荷的目标函数和约束方程分别为:
目标函数:
电量平衡约束:
节点电压约束:
线路容量约束:
式中,Fpv、Fs、Ffl分别为分布式可再生能源、储能、柔性负荷的中长期策略目标;πpv、πs、πfl分别为分布式可再生能源、储能、柔性负荷的固定成本;cpv、cs分别为分布式可再生能源、储能的变动成本;V(q)为柔性负荷的用电效益曲线;pt,r为t时段内第r轮的成交价格;ΔQpv,t,r、ΔQs,t,r、ΔQfl,t,r分别为分布式可再生能源、储能、柔性负荷在t时段内第r轮的成交量;Qfl为柔性负荷已购买电能;Vi、Vi,min、Vi,max分别为i节点的电压、允许的最低电压、允许的最高电压;Sl、Sl,min、Sl,max分别为l线路的传输容量,允许的最小传输容量、允许的最大传输容量。
进一步,所述步骤(4)中的四类信息通用处理方式为,将四类信息分别拟合到[-1,1]的区间范围内,分别形成在[-1,1]区间范围内的价格信息处理结果、状态信息处理结果、交易信息处理结果及时间信息处理结果;
按照分布式可再生能源、储能及柔性负荷的购售特性不同,分别对四类信息进行如下处理;
其中,分布式可再生能源的处理过程如下:
价格信息处理结果:
其中,pspot、pgrid分别为市场现价、主网电价,cpv为成本电价,当市场现价较高,处理价格信息能够将更多报价机会运用在高电价时刻;
状态信息处理结果:
其中,Qd、Qd0、Q0分别为分布式可再生能源在该时间段内的待售电量、参与市场电量、可发电量,N为市场限定的最大报价次数,依据实际已售电量(Qd0-Qd)与期望已售电量(r-1)Qd0/N之差来评估自身状态,当实际已售电量(Qd0-Qd)大时,表明售电环境较好,在当前策略下能轻易卖出电量,因此可以适当提升报价;反之,降低报价;
交易信息处理结果:
其中,p- pv为分布式可再生能源在该时段的上轮交易价格;依据市场降价比例和售电比例的比较,判定市场环境对降价的敏感性;当降价比例大于售电比例,表明市场对折价不够敏感,因此,若要通过市场消纳更多分布式可再生能源,发电商应给出更低的报价;
时间信息处理结果:
其中,td为对应日期的当前交易时段;Qr0,t为在t时段的计划弃发电量,该式对比过去30日弃发电量,判断当前弃发电量的大小,目前弃发电量较大时,向市场发布越低报价,吸引本地负荷和储能更多参与市场响应;
其中,储能的处理过程如下:
价格信息处理结果:
其中,Pbalance为当下储能充放电平衡电价,pspot为市场现价,当市场现价偏离平衡电价越大时,储能获利能力越强,因此,增加购买量能获取更高收益;
状态信息处理结果:
其中,ΔQs0为储能常规购买量,S0为储能的容量,SOC为储能状态;
当ΔQs0/|ΔQs0|为-1时,表示储能计划购买电量;当ΔQs0/|ΔQs0|为1时,表示计划购买电量;
而(SOC-S0/2)/(S0/2)能将储能状态转化成[-1,1]的范围内;
因此,该式可使储能削减SOC高位时的购买电量、低位时的出售电量;同时促进SOC低位时的购买电量、高位时的出售电量;
交易信息处理结果:
其中,Qpost、Qtota分别为交易平台中的待售电量和总电量;当交易平台中的不平衡电量较多时,储能商选择消减交易量,保证充足的容量空间,等待更有利的报价出现;
时间信息处理结果:
其中,td,h为第d天的t时段;ΔQs,t为t时刻下的购买电量;利用过去30日数据,衡量未来近n小时内的充放电可能,若未来n小时的售电可能大,本次交易应适当减小售电量;
其中,柔性负荷的处理过程如下:
价格信息处理结果:
其中,pspot、pgrid分别为市场现价、主网电价,当市场价格较高时减少响应电量,保存充足消纳能力,为低价购入充足电量提供机会;
状态信息处理结果:
其中,Qfl为柔性负荷已购买电能,Qfl0为柔性负荷计划购买电能,Qfl.max为负荷的最大耗能,当负荷还未购买到计划电量时,应适当增加购买量;而购电量已超过计划电量时,应有更大额外收益外才响应售电请求,并且随着超额购买电量的增加,额外收益越高;
交易信息处理结果:
其中,Qtotal、Qpost分别为市场中总电量和待售电量,r为已交易的轮次,依据实际市场已售电量(Qtotal-Qpost)与期望已售电量(r-1)Qtotal/N之差来评估市场环境;实际市场已售电量(Qtotal-Qpost)大于期望已售电量(r-1)Qtotal/N时,表明低价购电机会较小,为保证购买到足够的电量,可适当提升响应量;反之,减少响应量,等待市场出现低电价;
时间信息处理结果:
其中,Qf,m,sche、Qf,m,total分别代表近一月的负荷计划耗能和负荷实际耗能,对工业柔性负荷而言,为考虑一段时期内生产总量平衡,该段时期内的实际生产总量不应过多偏离计划生产总量;同时,负荷若长期消耗高于自身的计划电量,则需逐步减少电能消耗;反之逐步增加用电量。
采用上述进一步方案的有益效果是提供了各类市场参与方处理各类信息的标准公式,为精确判断市场情况提供了可靠依据。
进一步,所述步骤(5)中依据四类信息的重要程度不同,分布式可再生能源的修正系数为影响因子和市场信息乘积的累加,具体公式为,
kpv=Σepv,i×Ipv,i i=p,s,e,t
式中,kpv代表对应市场参与主体分布式可再生能源的修正系数;epv,p、epv,s、epv,e、epv,t分别为可再生能源的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Ipv,p、Ipv,s、Ipv,e、Ipv,t分别为可再生能源的价格信息、状态信息、交易信息、时间信息的处理结果;
储能的修正系数为影响因子和市场信息乘积的累加,具体公式为,
Ks=Σes,i×Is,i i=p,s,e,t
式中,ks代表对应市场参与主体储能的修正系数;es,p、es,s、es,e、es,t分别为储能的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Is,p、Is,s、Is,e、Is,t分别为储能的价格信息、状态信息、交易信息、时间信息的处理结果;
柔性负荷的修正系数为影响因子和市场信息乘积的累加,具体公式为,
Kfl=∑efl,i×Ifl,i i=p,s,e,t
式中,kfl代表对应市场参与主体柔性负荷的修正系数;efl,p、efl,s、efl,e、efl,t分别为柔性负荷的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Ifl,p、Ifl,s、Ifl,e、Ifl,t分别为柔性负荷的价格信息、状态信息、交易信息、时间信息的处理结果。
采用上述进一步方案的有益效果是能灵活地调整各类信息影响因子,为迭代修正竞价策略提供了调整的变量和空间。
进一步,所述步骤(6)中四类信息的竞价策略模型分别为:
分布式可再生能源在多轮交易市场中,同一时间段内系统允许代理商进行一定次数的报价和交易,在无信息交互的情况下,发电代理商通常以等差降价的方式促进冗余电量的消纳;
其常规报价模型为N为系统允许的报价轮数;
利用信息修正系数修正后竞价策略为Ppv=Kpv×Ppv0,
满足竞价低于市场现价且高于发电边际成本的约束条件为cpv<ppv<pspot;
储能常规报价采取跟随报价,即依据市场现价和自身状态申报购售电量,其常规报价模型为ΔQs0=(pspot,SOC),SOC为储能状态;
利用信息修正系数修正后竞价策略为,ΔQs=Ks×ΔQs0
应满足爬坡率约束条件
同时应满足交易电价与平衡电价之差应该大于充放电成本的阀值约束:
cs<|pspot-pbalance|;
柔性负荷常规报价模型采取需求响应模型,该模型依据用电效益曲线与实时电价计算出短期/单次最大利润购买电量ΔQfl0=(pspot/pgrid)εQfl0-Qfl;
其中,ε代表柔性负荷的弹性系数;
利用信息修正系数修正后竞价策略为ΔQfl=Kfl×ΔQfl0,
应满足低于用电效益的条件约束:pspot≤V(Qfl+ΔQfl)。
附图说明
图1为本发明的竞价模型信息处理流程;
图2为本发明适用的多代理交易市场形态;
图3为本发明中信息修正竞价模型参与市场的交易结果:
3-A为分布式电源与柔性负荷均未采取信息修正竞价模型;
3-B为分布式电源采取信息修正竞价模型;
3-C为柔性负荷均采取信息修正竞价模型;
3-D为分布式电源与柔性负荷均采取信息修正竞价模型;
图4为储能采取常规报价的交易结果;
图5为储能采取本发明的信息修正竞价模型的交易结果。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明针对目前电力趋利市场中缺乏对竞争性参与主体的策略建模,提出一种能处理市场信息的竞价模型;针对市场信息量庞大且繁杂,提出一种将电力市场信息分为四类的信息处理模式;针对各市场参与主体对市场信息具有学习能力,提出一种调整信息影响因子的学习方式。
其模型适用的市场形态如图2所示,由分布式电源、储能、负荷独立处理信息和决定报价策略,配电网运营商AdisCo进行信息和能量汇总与成交。即市场各方有充足的信息交互、有控制出力或用能的能力,并且能主动参与市场交易。
针对以上情况,本发明提出了一种基于信息互动的分布式能源系统多代理交易竞价模型,包括步骤:
(1)获取分布式能源系统中市场参与各主体的当期和历史市场信息;其中,市场参与各主体为分布式可再生能源、储能及柔性负荷;获取的当期和历史市场信息从分布式能源系统搭建的交易平台或数据库中直接获取,或依据自身状态和参与交易获取。
(2)根据获取的当期和历史市场信息,建立各主体目标函数及约束条件;
其中,目标函数为:
电量平衡约束:
节点电压约束:
线路容量约束:
式中,Fpv、Fs、Ffl分别为分布式可再生能源、储能、柔性负荷的中长期策略目标;πpv、πs、πfl分别为分布式可再生能源、储能、柔性负荷的固定成本;cpv、cs分别为分布式可再生能源、储能的变动成本;V(q)为柔性负荷的用电效益曲线;pt,r为t时段内第r轮的成交价格;ΔQpv,t,r、ΔQs,t,r、ΔQfl,t,r分别为分布式可再生能源、储能、柔性负荷在t时段内第r轮的成交量;Qfl为柔性负荷已购买电能;Vi、Vi,min、Vi,max分别为i节点的电压、允许的最低电压、允许的最高电压;Sl、Sl,min、Sl,max分别为l线路的传输容量,允许的最小传输容量、允许的最大传输容量。
(3)依据市场信息特性,将各主体信息分为四类,包括价格信息、状态信息、交易信息及时间信息,如下表;
表1市场代理商可利用信息
(4)依据自身利益最大化的原则,分别对各主体四类信息进行处理;其中,四类信息通用处理方式为,将四类信息分别拟合到[-1,1]的区间范围内,分别形成在[-1,1]区间范围内的价格信息处理结果、状态信息处理结果、交易信息处理结果及时间信息处理结果;
按照分布式可再生能源、储能及柔性负荷的购售特性不同,分别对四类信息进行如下处理;
其中,分布式可再生能源的处理过程如下:
价格信息处理结果:
其中,pspot、pgrid分别为市场现价、主网电价,cpv为成本电价,当市场现价较高,处理价格信息能够将更多报价机会运用在高电价时刻;
状态信息处理结果:
其中,Qd、Qd0、Q0分别为分布式可再生能源在该时间段内的待售电量、参与市场电量、可发电量,N为市场限定的最大报价次数,依据实际已售电量(Qd0-Qd)与期望已售电量(r-1)Qd0/N之差来评估自身状态,当实际已售电量(Qd0-Qd)大时,表明售电环境较好,在当前策略下能轻易卖出电量,因此可以适当提升报价;反之,降低报价;
交易信息处理结果:
其中,p- pv为分布式可再生能源在该时段的上轮交易价格;依据市场降价比例和售电比例的比较,判定市场环境对降价的敏感性;当降价比例大于售电比例,表明市场对折价不够敏感,因此,若要通过市场消纳更多分布式可再生能源,发电商应给出更低的报价;
时间信息处理结果:
其中,td为对应日期的当前交易时段;Qr0,t为在t时段的计划弃发电量,该式对比过去30日弃发电量,判断当前弃发电量的大小,目前弃发电量较大时,向市场发布越低报价,吸引本地负荷和储能更多参与市场响应;
其中,储能的处理过程如下:
价格信息处理结果:
其中,Pbalance为当下储能充放电平衡电价,pspot为市场现价,当市场现价偏离平衡电价越大时,储能获利能力越强,因此,增加购买量能获取更高收益;
状态信息处理结果:
其中,ΔQs0为储能常规购买量,S0为储能的容量,SOC为储能状态;
当ΔQs0/|ΔQs0|为-1时,表示储能计划购买电量;当ΔQs0/|ΔQs0|为1时,表示计划购买电量;
而(SOC-S0/2)/(S0/2)能将储能状态转化成[-1,1]的范围内;
因此,该式可使储能削减SOC高位时的购买电量、低位时的出售电量;同时促进SOC低位时的购买电量、高位时的出售电量;
交易信息处理结果:
其中,Qpost、Qtota分别为交易平台中的待售电量和总电量;当交易平台中的不平衡电量较多时,储能商选择消减交易量,保证充足的容量空间,等待更有利的报价出现;
时间信息处理结果:
其中,td,h为第d天的t时段;ΔQs,t为t时刻下的购买电量;利用过去30日数据,衡量未来近n小时内的充放电可能,若未来n小时的售电可能大,本次交易应适当减小售电量;
其中,柔性负荷的处理过程如下:
价格信息处理结果:
其中,pspot、pgrid分别为市场现价、主网电价,当市场价格较高时减少响应电量,保存充足消纳能力,为低价购入充足电量提供机会;
状态信息处理结果:
其中,Qfl为柔性负荷已购买电能,Qfl0为柔性负荷计划购买电能,Qfl.max为负荷的最大耗能,当负荷还未购买到计划电量时,应适当增加购买量;而购电量已超过计划电量时,应有更大额外收益外才响应售电请求,并且随着超额购买电量的增加,额外收益越高;
交易信息处理结果:
其中,Qtotal、Qpost分别为市场中总电量和待售电量,r为已交易的轮次,依据实际市场已售电量(Qtotal-Qpost)与期望已售电量(r-1)Qtotal/N之差来评估市场环境;实际市场已售电量(Qtotal-Qpost)大于期望已售电量(r-1)Qtotal/N时,表明低价购电机会较小,为保证购买到足够的电量,可适当提升响应量;反之,减少响应量,等待市场出现低电价;
时间信息处理结果:
其中,Qf,m,sche、Qf,m,total分别代表近一月的负荷计划耗能和负荷实际耗能,对工业柔性负荷而言,为考虑一段时期内生产总量平衡,该段时期内的实际生产总量不应过多偏离计划生产总量;同时,负荷若长期消耗高于自身的计划电量,则需逐步减少电能消耗;反之逐步增加用电量。
(5)依据各类信息的重要程度,对处理后的各主体的四类信息结果拟合修正系数;由于分布式可再生能源参与市场交易电量具有较大不确定性,各主体无法以传统的固定报价策略追求利润最大化,因而,应充分考虑市场信息,并对报价策略和响应策略进行修正,
其中,分布式可再生能源的修正系数为影响因子和市场信息乘积的累加,具体公式为,
kpv=Σepv,i×Ipv,i i=p,s,e,t
式中,kpv代表对应市场参与主体分布式可再生能源的修正系数;epv,p、epv,s、epv,e、epv,t分别为可再生能源的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Ipv,p、Ipv,s、Ipv,e、Ipv,t分别为可再生能源的价格信息、状态信息、交易信息、时间信息的处理结果;
储能的修正系数为影响因子和市场信息乘积的累加,具体公式为,
Ks=Σes,i×Is,i i=p,s,e,t
式中,ks代表对应市场参与主体储能的修正系数;es,p、es,s、es,e、es,t分别为储能的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Is,p、Is,s、Is,e、Is,t分别为储能的价格信息、状态信息、交易信息、时间信息的处理结果;
柔性负荷的修正系数为影响因子和市场信息乘积的累加,具体公式为,
Kfl=Σefl,i×Ifl,i i=p,s,e,t
式中,kfl代表对应市场参与主体柔性负荷的修正系数;efl,p、efl,s、efl,e、efl,t分别为柔性负荷的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Ifl,p、Ifl,s、Ifl,e、Ifl,t分别为柔性负荷的价格信息、状态信息、交易信息、时间信息的处理结果。
(6)利用各主体各类信息修正系数修正常规报价,生成修正竞价策略模型;
其中,分布式可再生能源在多轮交易市场中,同一时间段内系统允许代理商进行一定次数的报价和交易,在无信息交互的情况下,发电代理商通常以等差降价的方式促进冗余电量的消纳;
其常规报价模型为N为系统允许的报价轮数;
利用信息修正系数修正后竞价策略为Ppv=Kpv×Ppv0,
满足竞价低于市场现价且高于发电边际成本的约束条件为cpv<ppv<pspot;
储能常规报价采取跟随报价,即依据市场现价和自身状态申报购售电量,其常规报价模型为ΔQs0=(pspot,SOC),SOC为储能状态;
利用信息修正系数修正后竞价策略为,ΔQs=Ks×ΔQs0
应满足爬坡率约束条件
同时应满足交易电价与平衡电价之差应该大于充放电成本的阀值约束:
cs<|pspot-pbalance|;
柔性负荷常规报价模型采取需求响应模型,该模型依据用电效益曲线与实时电价计算出短期/单次最大利润购买电量ΔQfl0=(pspot/pgrid)εQfl0-Qfl;
其中,ε代表柔性负荷的弹性系数;
利用信息修正系数修正后竞价策略为ΔQfl=Kfl×ΔQfl0,
应满足低于用电效益的条件约束:pspot≤V(Qfl+ΔQfl)。
对各主体竞价策略模型进行评估,调整各类信息的重要程度。
光伏和负荷的购交易情况如图3所示,为对比分析不同策略模型的经济性,将市场主体交易策略分为如下四类情形:A.光伏Agent与柔性负荷Agent均采用常规报价策略模型;B.光伏Agent采用信息修正竞价模型,柔性负荷Agent采用常规报价策略模型;C.光伏Agent采用常规报价策略模型,柔性负荷Agent采用信息修正竞价模型;D.光伏Agent与柔性负荷Agent均采用信息修正竞价模型;由情形A、C或情形B、D对比可知,采用信息修正竞价模型的负荷在判断市场电量充裕的情况下,消减电价高位时的购电量,为低价购入弃发电量创造容量空间,以降低购电成本。由于售电商在高电价时能获取更高的利润,由情形A、B或情形C、D对比可知,采用信息修正竞价模型的光伏基于信息判断,在保障剩余电量可售出时提升报价,在剩余电量难以出售时适度降低报价,以获售电利润最大。
储能的交易情况如图4、图5所示,其中图4为储能采取常规报价的交易结果;图5为储能采取信息修正竞价模型的交易结果。由于图3已知,在光伏存在弃发电量的情况下,光伏普遍采取连续降价措施,趋势为交易轮次越大,价格越低。但对于包含储能的购电商而言,则需要在保障能购买到足量电量的同时电价尽量地低。图4中储能模型由于其无法分析市场信息,其购入了足量的电量,但当市场后续轮次出现低价电量时已无大量空闲容量。如图5所示,经过信息修正的储能竞价模型则能判断:当后续市场已难有低价电量时,大量购入电量;而当后续市场可能有低价电量出现时,购入少量电量保障基本利润。
由此可看出,本发明提出的信息修正竞价模型在以下三个维度上均有良好的经济性:
(1)源-储-荷各环节运营商均能运用信息修正竞价模型获取更高收益;
(2)无论交易对象采取何种报价策略,采用信息修正竞价模型的运营商均能获取更高收益;
因此,采用信息修正模型的运营代理商均能从平等自主的趋利市场中或获取更高利润,为市场的发展提供了保障。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于信息互动的分布式能源系统多代理交易竞价模型,其特征在于,包括步骤:
(1)获取分布式能源系统中市场参与各主体的当期和历史市场信息;
(2)根据获取的当期和历史市场信息,建立各主体目标函数及约束条件;
(3)依据市场信息特性,将各主体信息分为价格信息、状态信息、交易信息及时间信息四类;
(4)依据自身利益最大化的原则,分别对各主体的四类信息进行相应处理;
(5)依据各类信息的重要程度,对处理后的各主体的四类信息结果拟合修正系数;
(6)利用各主体各类信息修正系数修正常规报价,生成修正竞价策略模型;
(7)对各主体竞价策略模型进行评估,调整各类信息的重要程度。
2.如权利要求1所述的基于信息互动的分布式能源系统多代理交易竞价模型,其特征在于,所述步骤(1)中的市场参与各主体为分布式可再生能源、储能及柔性负荷;获取的当期和历史市场信息从分布式能源系统搭建的交易平台或数据库中直接获取,或依据自身状态和参与交易获取。
3.如权利要求2所述的基于信息互动的分布式能源系统多代理交易竞价模型,其特征在于,所述步骤(2)中的分布式可再生能源、储能及柔性负荷的目标函数和约束方程分别为:
目标函数:
电量平衡约束:
节点电压约束:
线路容量约束:
其中,Fpv、Fs、Ffl分别为分布式可再生能源、储能、柔性负荷的中长期策略目标;πpv、πs、πfl分别为分布式可再生能源、储能、柔性负荷的固定成本;cpv、cs分别为分布式可再生能源、储能的变动成本;V(q)为柔性负荷的用电效益曲线;pt,r为t时段内第r轮的成交价格;ΔQpv,t,r、ΔQs,t,r、ΔQfl,t,r分别为分布式可再生能源、储能、柔性负荷在t时段内第r轮的成交量;Qfl为柔性负荷已购买电能;Vi、Vi,min、Vi,max分别为i节点的电压、允许的最低电压、允许的最高电压;Sl、Sl,min、Sl,max分别为l线路的传输容量,允许的最小传输容量、允许的最大传输容量。
4.如权利要求1所述的基于信息互动的分布式能源系统多代理交易竞价模型,其特征在于,所述步骤(4)中的四类信息通用处理方式为,将四类信息分别拟合到[-1,1]的区间范围内,分别形成在[-1,1]区间范围内的价格信息处理结果、状态信息处理结果、交易信息处理结果及时间信息处理结果;
按照分布式可再生能源、储能及柔性负荷的购售特性不同,分别对四类信息进行如下处理;
其中,分布式可再生能源的处理过程如下:
价格信息处理结果:
其中,pspot、pgrid分别为市场现价、主网电价,cpv为成本电价,当市场现价较高,处理价格信息能够将更多报价机会运用在高电价时刻;
状态信息处理结果:
其中,Qd、Qd0、Q0分别为分布式可再生能源在该时间段内的待售电量、参与市场电量、可发电量,N为市场限定的最大报价次数,依据实际已售电量(Qd0-Qd)与期望已售电量(r-1)Qd0/N之差来评估自身状态,当实际已售电量(Qd0-Qd)大时,表明售电环境较好,在当前策略下能轻易卖出电量,因此可以适当提升报价;反之,降低报价;
交易信息处理结果:
其中,p- pv为分布式可再生能源在该时段的上轮交易价格;依据市场降价比例和售电比例的比较,判定市场环境对降价的敏感性;当降价比例大于售电比例,表明市场对折价不够敏感,因此,若要通过市场消纳更多分布式可再生能源,发电商应给出更低的报价;
时间信息处理结果:
其中,td为对应日期的当前交易时段;Qr0,t为在t时段的计划弃发电量,该式对比过去30日弃发电量,判断当前弃发电量的大小,目前弃发电量较大时,向市场发布越低报价,吸引本地负荷和储能更多参与市场响应;
其中,储能的处理过程如下:
价格信息处理结果:
其中,Pbalance为当下储能充放电平衡电价,pspot为市场现价,当市场现价偏离平衡电价越大时,储能获利能力越强,因此,增加购买量能获取更高收益;
状态信息处理结果:
其中,ΔQs0为储能常规购买量,S0为储能的容量,SOC为储能状态;
当ΔQs0/|ΔQs0|为-1时,表示储能计划购买电量;当ΔQs0/|ΔQs0|为1时,表示计划购买电量;
而(SOC-S0/2)/(S0/2)能将储能状态转化成[-1,1]的范围内;
因此,该式可使储能削减SOC高位时的购买电量、低位时的出售电量;同时促进SOC低位时的购买电量、高位时的出售电量;
交易信息处理结果:
其中,Qpost、Qtota分别为交易平台中的待售电量和总电量;当交易平台中的不平衡电量较多时,储能商选择消减交易量,保证充足的容量空间,等待更有利的报价出现;
时间信息处理结果:
其中,td,h为第d天的t时段;ΔQs,t为t时刻下的购买电量;利用过去30日数据,衡量未来近n小时内的充放电可能,若未来n小时的售电可能大,本次交易应适当减小售电量;
其中,柔性负荷的处理过程如下:
价格信息处理结果:
其中,pspot、pgrid分别为市场现价、主网电价,当市场价格较高时减少响应电量,保存充足消纳能力,为低价购入充足电量提供机会;
状态信息处理结果:
其中,Qfl为柔性负荷已购买电能,Qfl0为柔性负荷计划购买电能,Qfl.max为负荷的最大耗能,当负荷还未购买到计划电量时,应适当增加购买量;而购电量已超过计划电量时,应有更大额外收益外才响应售电请求,并且随着超额购买电量的增加,额外收益越高;
交易信息处理结果:
其中,Qtotal、Qpost分别为市场中总电量和待售电量,r为已交易的轮次,依据实际市场已售电量(Qtotal-Qpost)与期望已售电量(r-1)Qtotal/N之差来评估市场环境;实际市场已售电量(Qtotal-Qpost)大于期望已售电量(r-1)Qtotal/N时,表明低价购电机会较小,为保证购买到足够的电量,可适当提升响应量;反之,减少响应量,等待市场出现低电价;
时间信息处理结果:
其中,Qf,m,sche、Qf,m,total分别代表近一月的负荷计划耗能和负荷实际耗能,对工业柔性负荷而言,为考虑一段时期内生产总量平衡,该段时期内的实际生产总量不应过多偏离计划生产总量;同时,负荷若长期消耗高于自身的计划电量,则需逐步减少电能消耗;反之逐步增加用电量。
5.如权利要求1所述的基于信息互动的分布式能源系统多代理交易竞价模型,其特征在于,所述步骤(5)中依据四类信息的重要程度不同,分布式可再生能源的修正系数为影响因子和市场信息乘积的累加,具体公式为,
kpv=∑epv,i×Ipv,i i=p,s,e,t
式中,kpv代表对应市场参与主体分布式可再生能源的修正系数;epv,p、epv,s、epv,e、epv,t分别为可再生能源的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Ipv,p、Ipv,s、Ipv,e、Ipv,t分别为可再生能源的价格信息、状态信息、交易信息、时间信息的处理结果;
储能的修正系数为影响因子和市场信息乘积的累加,具体公式为,
Ks=∑es,i×Is,i i=p,s,e,t
式中,ks代表对应市场参与主体储能的修正系数;es,p、es,s、es,e、es,t分别为储能的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Is,p、Is,s、Is,e、Is,t分别为储能的价格信息、状态信息、交易信息、时间信息的处理结果;
柔性负荷的修正系数为影响因子和市场信息乘积的累加,具体公式为,
Kfl=∑efl,i×Ifl,i i=p,s,e,t
式中,kfl代表对应市场参与主体柔性负荷的修正系数;efl,p、efl,s、efl,e、efl,t分别为柔性负荷的衡量价格信息、状态信息、交易信息、时间信息重要程度的影响因子,Ifl,p、Ifl,s、Ifl,e、Ifl,t分别为柔性负荷的价格信息、状态信息、交易信息、时间信息的处理结果。
6.如权利要求1所述的基于信息互动的分布式能源系统多代理交易竞价模型,其特征在于,所述步骤(6)中四类信息的竞价策略模型分别为:
分布式可再生能源在多轮交易市场中,同一时间段内系统允许代理商进行一定次数的报价和交易,在无信息交互的情况下,发电代理商通常以等差降价的方式促进冗余电量的消纳;
其常规报价模型为N为系统允许的报价轮数;
利用信息修正系数修正后竞价策略为Ppv=Kpv×Ppv0,
满足竞价低于市场现价且高于发电边际成本的约束条件为cpv<ppv<pspot;
储能常规报价采取跟随报价,即依据市场现价和自身状态申报购售电量,其常规报价模型为ΔQs0=(pspot,SOC),SOC为储能状态;
利用信息修正系数修正后竞价策略为,ΔQs=Ks×ΔQs0
应满足爬坡率约束条件
同时应满足交易电价与平衡电价之差大于充放电成本的阀值约束:
cs<|pspot-pbalance|;
柔性负荷常规报价模型采取需求响应模型,该模型依据用电效益曲线与实时电价计算出短期/单次最大利润购买电量ΔQfl0=(pspot/pgrid)εQfl0-Qfl;
其中,ε代表柔性负荷的弹性系数;
利用信息修正系数修正后竞价策略为ΔQfl=Kfl×ΔQfl0,
应满足低于用电效益的条件约束:pspot≤V(Qfl+ΔQfl)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611148455.3A CN106651552A (zh) | 2016-12-13 | 2016-12-13 | 一种基于信息互动的分布式能源系统多代理交易竞价模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611148455.3A CN106651552A (zh) | 2016-12-13 | 2016-12-13 | 一种基于信息互动的分布式能源系统多代理交易竞价模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651552A true CN106651552A (zh) | 2017-05-10 |
Family
ID=58825056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611148455.3A Pending CN106651552A (zh) | 2016-12-13 | 2016-12-13 | 一种基于信息互动的分布式能源系统多代理交易竞价模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651552A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107611968A (zh) * | 2017-09-30 | 2018-01-19 | 四川大学 | 分布式能源互动消纳的主动配电网经济运行方法 |
CN107644370A (zh) * | 2017-09-29 | 2018-01-30 | 中国电力科学研究院 | 一种自增强学习的撮合竞价方法及系统 |
CN108711886A (zh) * | 2018-06-08 | 2018-10-26 | 国网福建省电力有限公司 | 一种园区配网时序运行样本生成方法 |
CN109191017A (zh) * | 2018-10-26 | 2019-01-11 | 南方电网科学研究院有限责任公司 | 一种综合能源系统的仿真方法、装置、设备及存储介质 |
CN111062513A (zh) * | 2019-11-14 | 2020-04-24 | 四川大学 | 基于自适应共识机制的分布式社区能源交易系统及方法 |
CN112001793A (zh) * | 2020-07-10 | 2020-11-27 | 重庆素书网络科技有限公司 | 一种基于区块链的金融数据管理方法及系统 |
-
2016
- 2016-12-13 CN CN201611148455.3A patent/CN106651552A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644370A (zh) * | 2017-09-29 | 2018-01-30 | 中国电力科学研究院 | 一种自增强学习的撮合竞价方法及系统 |
CN107611968A (zh) * | 2017-09-30 | 2018-01-19 | 四川大学 | 分布式能源互动消纳的主动配电网经济运行方法 |
CN107611968B (zh) * | 2017-09-30 | 2019-07-16 | 四川大学 | 分布式能源互动消纳的主动配电网经济运行方法 |
CN108711886A (zh) * | 2018-06-08 | 2018-10-26 | 国网福建省电力有限公司 | 一种园区配网时序运行样本生成方法 |
CN108711886B (zh) * | 2018-06-08 | 2021-08-31 | 国网福建省电力有限公司 | 一种园区配网时序运行样本生成方法 |
CN109191017A (zh) * | 2018-10-26 | 2019-01-11 | 南方电网科学研究院有限责任公司 | 一种综合能源系统的仿真方法、装置、设备及存储介质 |
CN109191017B (zh) * | 2018-10-26 | 2022-02-15 | 南方电网科学研究院有限责任公司 | 一种综合能源系统的仿真方法、装置、设备及存储介质 |
CN111062513A (zh) * | 2019-11-14 | 2020-04-24 | 四川大学 | 基于自适应共识机制的分布式社区能源交易系统及方法 |
CN111062513B (zh) * | 2019-11-14 | 2023-08-18 | 四川大学 | 基于自适应共识机制的分布式社区能源交易系统及方法 |
CN112001793A (zh) * | 2020-07-10 | 2020-11-27 | 重庆素书网络科技有限公司 | 一种基于区块链的金融数据管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651552A (zh) | 一种基于信息互动的分布式能源系统多代理交易竞价模型 | |
CN108565900B (zh) | 一种基于博弈论的分布式能源优化运行方法 | |
Chen et al. | Research on day-ahead transactions between multi-microgrid based on cooperative game model | |
CN107665378A (zh) | 基于需求侧竞价交易机制的电力系统多目标优化调度方法 | |
CN111682526B (zh) | 一种基于合作博弈的虚拟电厂能量管理方法 | |
CN109389327B (zh) | 基于风光不确定性的多虚拟电厂时前合作方法 | |
Song et al. | Decision making of an electricity supplier's bid in a spot market | |
CN110276671A (zh) | 一种基于区块链技术的电力交易方法 | |
Sueyoshi | An agent-based approach equipped with game theory: strategic collaboration among learning agents during a dynamic market change in the California electricity crisis | |
Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
Liu et al. | Research on bidding strategy of thermal power companies in electricity market based on multi-agent deep deterministic policy gradient | |
CN111598719A (zh) | 一种现货电力市场新能源卖方交易方法及系统 | |
CN111784451A (zh) | 基于多时间尺度的分布式电力多边交易方法及系统 | |
Wang et al. | Multi-agent simulation for strategic bidding in electricity markets using reinforcement learning | |
Teng et al. | Trading behavior strategy of power plants and the grid under renewable portfolio standards in China: A tripartite evolutionary game analysis | |
Li et al. | Analysis of the compound differential evolution game of new energy manufacturers’ two-stage market behavior under the weight of consumption responsibility | |
CN109886751A (zh) | 一种基于协同进化算法的月度集中竞价机制求解方法 | |
Zheng et al. | Multi-Agent Reinforcement Learning With Privacy Preservation for Continuous Double Auction-Based P2P Energy Trading | |
CN115271438B (zh) | 一种可计及碳排放的多主体博弈协同调度方法及电子设备 | |
CN114462727B (zh) | 基于多主体联合的新能源系统能源优化调度方法及系统 | |
CN110378718A (zh) | 一种用于电力市场仿真平台的售电公司报价模拟方法 | |
CN115759478A (zh) | 基于合作博弈的微网群优化运行方法、装置、设备及介质 | |
CN115186926A (zh) | 一种基于电-碳共享的园区能量优化方法及系统 | |
CN106779205A (zh) | 一种计及市场份额与增值服务投资成本的购售电优化方法 | |
Tong et al. | Economical optimization for multi-microgrid based on Stackelberg game |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |
|
RJ01 | Rejection of invention patent application after publication |