CN106682934A - 一种购电竞价策略 - Google Patents
一种购电竞价策略 Download PDFInfo
- Publication number
- CN106682934A CN106682934A CN201611033003.0A CN201611033003A CN106682934A CN 106682934 A CN106682934 A CN 106682934A CN 201611033003 A CN201611033003 A CN 201611033003A CN 106682934 A CN106682934 A CN 106682934A
- Authority
- CN
- China
- Prior art keywords
- day
- electricity
- electricity price
- price
- predicted
- 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
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
- G06Q30/0206—Price or cost determination based on market factors
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明是关于一种购电竞价策略,包括:利用灰色关联分析法选取待预测电价日的相似日;根据相似日的电价,利用多元线性回归法预测待预测电价日的电价;根据相似日之前的历史电价,利用多元线性回归法得到相似日的预测电价,根据历史电价和预测电价,建立电价预测的相对误差概率密度分布函数;根据相对误差概率密度分布函数和待预测电价日的电价,利用粒子群算法进行购电报价。本发明实施例中,利用待预测电价日的相似日电价进行购电竞价,准确性高;利用建立的相对误差概率密度分布函数,并通过粒子群算法将待预测电价日的电价进行调整,从而获得待预测电价日的购电报价,大大提高了用户购电竞价的准确性和科学性。
Description
技术领域
本发明涉及电力市场交易技术领域,尤其涉及一种购电竞价策略。
背景技术
市场是配置资源最有效的方式,而电能作为一种电力资源,在电力市场环境下具有较高的配置效率。在电力市场中,价格是整个市场的核心,电价的波动直接影响到电力资源在市场的流动和分配,通过竞价的方式进行电力交易已经成为我国电力行业的新模式。
电力行业中的竞价包括发电侧竞价和用电侧竞价,目前,对于电力行业中的竞价主要为发电侧竞价。发电侧竞价是指发电厂竞价上网,而发电厂报价会考虑前期的发电侧市场成交电价(市场供求关系)、发电厂的发电成本、发电补贴(清洁能源补贴,如风能、太阳能)和当前市场的预期成交电价(当前供求关系)等因素,为防止恶性竞争使发电侧报价过低,一般会规定发电侧的最低上网电价。
作为电力市场的共同参与者,发电侧和用户侧的竞价策略都会影响电力市场的成交情况,从而影响到电力市场对于电力资源的配置效率。目前,关于用户侧电价预测的研究较少,现有用户侧竞价策略通常基于用户对短期电价的预测,科学性和准确性不能够满足用户参与电网竞价的要求。
发明内容
为克服相关技术中存在的问题,本发明提供一种购电竞价策略。
根据本发明实施例的第一方面,提供一种购电竞价策略,包括:
利用灰色关联分析法选取待预测电价日的相似日;
根据所述相似日的电价,利用多元线性回归法预测所述待预测电价日的电价;
根据所述相似日之前的历史电价,利用多元线性回归法得到所述相似日的预测电价,根据所述历史电价和预测电价,建立电价预测的相对误差概率密度分布函数;
根据所述相对误差概率密度分布函数和所述待预测电价日的电价,利用粒子群算法进行购电报价。
优选地,根据所述相对误差概率密度分布函数和所述待预测电价日的电价,利用粒 子群算法进行购电报价包括:
根据所述相对误差概率密度分布函数,建立市场成交率函数;
根据所述相对误差概率密度分布函数,建立用电成本函数;
将所述市场成交率函数和用电成本函数作为所述粒子群算法中的目标函数,计算购电报价。
优选地,其特征在于,所述策略还包括:
建立用户生产成本收益函数,使所述购电报价满足所述用户生产成本收益函数。
优选地,利用灰色关联分析法选取待预测电价日的相似日包括:
分别构建待预测电价日的特征量矩阵以及所述待预测电价日对应的备选相似日的特征量矩阵;
计算所述备选相似日特征量矩阵和所述待预测电价日的特征量矩阵的相同行序列相关度;
根据所述相同行序列相关度,计算所述备选相似日和所述待预测电价日的加权关联度;
根据所述加权关联度,从所述备选相似日中选取相似日。
优选地,根据所述相似日的电价,利用多元线性回归法预测所述待预测电价日的电价包括:
建立含有待定回归系数和随机误差的多元线性回归方程,将所述相似日的电价代入所述含有待定回归系数和随机误差的多元线性回归方程;
利用最小二乘法计算所述待定回归系数的估计量,得到确定参数的多元线性回归方程;
将所述相似日的电价代入所述确定回归系数的多元线性回归方程,预测所述待预测电价日的电价。
优选地,根据所述相似日之前的历史电价,利用多元线性回归法得到所述相似日的预测电价,建立电价预测的相对误差概率密度分布函数包括:
选取所述相似日的前一日电价作为历史电价;
根据所述历史电价,利用所述确定参数的多元线性回归方程,计算出所述相似日的预测电价;
根据所述相似日的预测电价和相似日的电价,计算出所述相似日各阶段的电价预测 相对误差;
根据所述电价预测相对误差,建立相对误差概率密度分布函数。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的购电竞价策略,通过选取待预测电价日的相似日,根据相似日的电价预测待预测电价日的电价,准确性高;进一步的,根据相似日和相似日之前的历史电价建立电价预测的相对误差概率密度分布函数,并通过粒子群算法将待预测电价日的电价进行调整,从而获得待预测电价日的购电报价,大大提高了用户购电竞价的准确性和科学性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种购电竞价策略的流程示意图;
图2为本发明实施例提供的一种选取待预测电价日相似日的流程示意图;
图3为本发明实施例提供的一种预测待预测电价日电价的流程示意图;
图4为本发明实施例提供的一种建立电价预测的相对误差概率密度分布函数的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种购电竞价策略的流程图,如图1所示,本发明实施例提供的购电竞价策略,包括:
S110:利用灰色关联分析法选取待预测电价日的相似日。
影响电力市场统一出清价格的因素有日期类型、气温、湿度等等,考虑这些电价影响因素,基于灰色关联分析法筛选待预测电价日的相似日。参见图2,为本发明实施例提供的一种选取待预测电价日相似日的流程示意图,具体包括如下步骤:
S1101:分别构建待预测电价日的特征量矩阵以及待预测电价日对应的备选相似日的特征量矩阵;
具体的,选取待预测电价日的往年相同日期、往月相同日期、之前一定时间内的日期,如待预测电价日之前一个月的日期,共m个日期,作为备选相似日。当然,还可选取其他日期,如待预测电价日之前季度中的日期作为备选相似日,均应属于本发明的保护范围。每个备选相似日均考虑s个电价影响因素,同时,在备选相似日中,选取相同时间间隔(时间间隔一般选取30min或者60min)的特征量形成比较序列,其中,特征量的数量为p个,构成m个s×p的特征量矩阵:
式中,Ai表示第i个备选相似日的特征量矩阵,xi,j(p)表征第i个备选相似日中第j个电价影响因素的第p个特征量;
对于待预测电价日,采用上述同样的方法建立特征量矩阵A,
式中,xj(p)表示第j个电价影响因素的第p个特征量。
S1102:计算备选相似日特征量矩阵和待预测电价日的特征量矩阵的相同行序列相关度;
具体的,对于m个备选相似日,分别计算特征量矩阵Ai和A相同行序列的相关度,则m个备选相似日均分别得到s个关联度,计为λi,j(1≤i≤m,1≤j≤s),其表征第i个备选相似日的第j个电价影响因素与待预测电价日的对应因素的相关度;该相关度的计算公式如下:
式中,xi,j(h)表征第i个备选相似日中第j个电价影响因素的第h个特征量;xj(h)表征待预测电价日的第j个电价影响因素的第h个特征量。
S1103:根据相同行序列相关度,计算备选相似日和待预测电价日的加权关联度;
具体的,利用如下公式计算备选相似日i(1≤i≤m)与待预测电价日的加权关联度λi:
式中,γj(1≤j≤s)为第j个电价影响因素与电价的关联度;λi,j为第i个备选相似日的第j个电价影响因素与待预测电价日对应因素的关联度;λi为第i个备选相似日的加权关联度;ωj为第j个电价影响因素的加权系数。
S1104:根据加权关联度,从备选相似日中选取相似日。
具体的,从m个备选相似日中,选取λi>0.9(1≤i≤m)的备选相似日作为待预测电价日的相似日,选取的相似日天数记为l。
S120:根据所述相似日的电价,利用多元线性回归法预测所述待预测电价日的电价。
根据步骤S110得到待预测电价日的相似日后,利用相似日的电价预测待预测电价日的电价。参见图3,为本发明实施例提供的一种预测待预测电价日电价的流程示意图,具体包括如下步骤:
S1201:建立含有待定回归系数和随机误差的多元线性回归方程,将相似日的电价代入含有待定回归系数和随机误差的多元线性回归方程;
具体的,建立多元线性回归方程
y=b0+b1x1+.......blxl+ε ε∈N(0,δ2) (5)
式中,b0,b1,……,bl为待定回归系数,ε为随机误差。
进一步的,将相似日电价数据代入上式得:
Y=XB+ε (6)
式中:
p为相似日每日所取电价时段数;l为提取的相似日天数。
S1202:利用最小二乘法计算待定回归系数的估计量,得到确定回归系数的多元线性回归方程;
具体的,在最小二乘法中并入随机误差,求出待定回归系数b0,b1,……,bl的估计量,得到确定参数的线性回归方程为:
式中,为确定回归系数。
S1203:将相似日的电价代入确定回归系数的多元线性回归方程,预测待预测电价日的电价。
具体的,带入相似日电价数据计算待预测日的电价Pbasic(t):
式中,Psimi,k(t)为第k个相似日的t时段实际电价,l为提取的相似日天数。
S130:根据所述相似日之前的历史电价,利用多元线性回归法得到所述相似日的预测电价,根据所述历史电价和预测电价,建立电价预测的相对误差概率密度分布函数。参见图4,为本发明实施例提供的一种建立电价预测的相对误差概率密度分布函数的流程示意图,具体包括以下步骤:
求取电价预测的误差概率分布函数可采用如下步骤:
S1301:选取相似日的前一日电价作为历史电价;
具体的,对于l个相似日,分别选取其l-1日各时段电价作为历史电价。
S1302:根据历史电价,利用确定回归系数的多元线性回归方程,计算出相似日的预测电价;
具体的,采用步骤S110和步骤S120所述方法,求得对应的相似日各时段预测电价。
S1303:根据相似日的预测电价和相似日的电价,计算出相似日各阶段的电价预测相对误差;
具体的,对第k个相似日的第t个时段电价进行预测,预测电价相对误差δk(i)可由下式求得:
式中,Pk(t)为第k个相似日的第t个时段电力市场统一出清电价真实值,Pk predict(t)为第k个相似日的第t个时段电力市场统一出清电价预测值。
S1304:根据电价预测相对误差,建立相对误差概率密度分布函数。
具体的,基于步骤S1303计算得到的相对误差,求取各时段统一出清电价预测误差概率密度分布函数f(x),f(x)具有如下特性:
一般情况下,电价预测误差概率分布满足正态分布,形如下式:
S140:根据所述相对误差概率密度分布函数和所述待预测电价日的电价,利用粒子群算法进行购电报价。
具体的,用户购电报价可由下式表示:
Pbid=Ppredict(t)×(1+δ(t)) (12)
式中,Ppredict(t)为步骤S120求得的各时段电价预测值,δ(t)为该用户此次报价时愿意承担的电价波动百分比(相当于电价预测相对误差)。
则该用户在电力市场成交的概率(市场成交率函数)为:
式中,f(x)为步骤S130中求得的相对误差概率分布密度函数。
用户用电成本包含电力市场购电成本和常规购电成本,可由下式求得:
式中,Ccost为用电成本函数,Qtotal表征用户总的用电量,Qdeal表征用户在电力市场的成交电量,pbasic表征计划电量电价,pdeal表征电力市场统一出清价格。
进一步的,利用粒子群算法进一步计算用户购电报价的步骤如下:
初始化粒子群,确定粒子群规模,随机产生每个粒子的初始位置Xi和速度Vi;
用目标函数f1(x),f2(x)分别计算每个粒子的适应度值,其中,f1(x),f2(x)分别对应市场成交率最大和电力成本最低分别对应于式(12)和式(14)中的pbid,Ccost;
分别在两个目标函数f1(x),f2(x)下求得各个粒子的个体极值;
分别求得两个目标函数f1(x),f2(x)的全局极值;
计算两个全局矢量的均值gBest和距离dgBest:
计算每个粒子pBest[1,i]和pBest[2,i]之间的距离dpBest[i]:
For i=1:N
dpBest[i]=Distance(pBest[1,i],pBest[2,i])
计算每个粒子更新速度Vi和位置Xi时所需要用到的个体极值pBest[i]:
用上面求得的gBest和pBest[i]更新每个粒子的速度Vi和位置Xi。当速度Vi和位置Xi变化小于一个设定极小值时,迭代结束,得到帕累托最优解。
本实施例中,用户竞价目标可以是成交率最高或电力成本最低的单目标,也可以是两者合起来的多目标。本实施例中的帕累托最优解包含了用户参与电力市场的报价,即用户的报价决策。对于一些用电量不大,但是电能不可或缺的用户(或者一些企业在某些时段有重要生产安排,如必须完成一定的生产进度,否则面临巨额罚款)可能以市场成交率最大为目标;对于绝大部分企业,因为受到用电成本的制约不会以市场成交率最大为单一目标,而是作为多目标中的一个目标考虑进报价决策。
进一步的,本实施例还提供了基于能效进行报价决策的方法,具体包括:
(1)定义用电能效
将用户用电能效定义为单位用电成本的产值大小,计算公式如下:
式中,表征用户i的用电能效,表征用户i的生产总值,表 征用户i的总用电成本。
(2)构建用户生产收益函数
用户生产收益函数可由下式表征:
式中,QTotal表征用户总的电能需求,pmarket表征用户单位产品市场售价,Closs表征用户用电损耗,Cdepreciation表征用户设备折损。本实施例中,影响用户生产收益函数的因素还有很多,用户生产收益函数Pi TotalIncome的具体表达式应根据用户实际生产情况进行确定。
(3)构建用户用电成本函数
式中,QTotal和Qdeal分别表征用户用电总量和该用户电力市场成交电量,pbasic和pdeal分别表征计划电价和电力市场统一出清价格。影响用户用电成本的因素还有很多,用电成本函数具体表达式应根据该用户需考虑的实际用电成本因素进行确定。
(4)基于用电能效最优进行报价
基于用电能效最优进行报价可转化为求如下最优化问题的解:
进一步的,用户的电力市场成交价格受到用户能效的影响,即式(14)中的用户市场出清价格pdeal满足如下关系:
式中,为不考虑能效时市场的统一出清价格,pdeal为考虑能效情况下用户实际支出的电价,gi是与βi EnergyEfficiency正相关的一个函数,由市场机制设置决定(用户支出电价pdeal与用户能效βi EnergyEfficiency成反比),根据βi EnergyEfficiency的具体表达式,应选择相应的方法进行求解获得购电报价。
本发明实施例提供的购电竞价策略,通过选取待预测电价日的相似日,根据相似日 的电价预测待预测电价日的电价,准确性高;进一步的,根据相似日和相似日之前的历史电价建立电价预测的相对误差概率密度分布函数,并通过粒子群算法将待预测电价日的电价进行调整,从而获得待预测电价日的购电报价,大大提高了用户购电竞价的准确性和科学;更进一步的,基于用电能效进行购电报价,有助于降低用户购电成本的同时提高用户能效水平,进而提高整个社会的能效水平。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (6)
1.一种购电竞价策略,其特征在于,包括:
利用灰色关联分析法选取待预测电价日的相似日;
根据所述相似日的电价,利用多元线性回归法预测所述待预测电价日的电价;
根据所述相似日之前的历史电价,利用多元线性回归法得到所述相似日的预测电价,根据所述历史电价和预测电价,建立电价预测的相对误差概率密度分布函数;
根据所述相对误差概率密度分布函数和所述待预测电价日的电价,利用粒子群算法进行购电报价。
2.根据权利要求1所述的购电竞价策略,其特征在于,根据所述相对误差概率密度分布函数和所述待预测电价日的电价,利用粒子群算法进行购电报价包括:
根据所述相对误差概率密度分布函数,建立市场成交率函数;
根据所述相对误差概率密度分布函数,建立用电成本函数;
将所述市场成交率函数和用电成本函数作为所述粒子群算法中的目标函数,计算购电报价。
3.根据权利要求2所述的购电竞价策略,其特征在于,所述策略还包括:
建立用户生产成本收益函数,使所述购电报价满足所述用户生产成本收益函数。
4.根据权利要求1所述的购电竞价策略,其特征在于,利用灰色关联分析法选取待预测电价日的相似日包括:
分别构建待预测电价日的特征量矩阵以及所述待预测电价日对应的备选相似日的特征量矩阵;
计算所述备选相似日特征量矩阵和所述待预测电价日的特征量矩阵的相同行序列相关度;
根据所述相同行序列相关度,计算所述备选相似日和所述待预测电价日的加权关联度;
根据所述加权关联度,从所述备选相似日中选取相似日。
5.根据权利要求1所述的购电竞价策略,其特征在于,根据所述相似日的电价,利用多元线性回归法预测所述待预测电价日的电价包括:
建立含有待定回归系数和随机误差的多元线性回归方程,将所述相似日的电价代入所述含有待定回归系数和随机误差的多元线性回归方程;
利用最小二乘法计算所述待定回归系数的估计量,得到确定参数的多元线性回归方程;
将所述相似日的电价代入所述确定回归系数的多元线性回归方程,预测所述待预测电价日的电价。
6.根据权利要求5所述的购电竞价策略,其特征在于,根据所述相似日之前的历史电价,利用多元线性回归法得到所述相似日的预测电价,建立电价预测的相对误差概率密度分布函数包括:
选取所述相似日的前一日电价作为历史电价;
根据所述历史电价,利用所述确定参数的多元线性回归方程,计算出所述相似日的预测电价;
根据所述相似日的预测电价和相似日的电价,计算出所述相似日各阶段的电价预测相对误差;
根据所述电价预测相对误差,建立相对误差概率密度分布函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611033003.0A CN106682934A (zh) | 2016-11-18 | 2016-11-18 | 一种购电竞价策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611033003.0A CN106682934A (zh) | 2016-11-18 | 2016-11-18 | 一种购电竞价策略 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106682934A true CN106682934A (zh) | 2017-05-17 |
Family
ID=58867155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611033003.0A Pending CN106682934A (zh) | 2016-11-18 | 2016-11-18 | 一种购电竞价策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682934A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108767854A (zh) * | 2018-06-20 | 2018-11-06 | 北京科东电力控制系统有限责任公司 | 购电方案优化方法、装置以及电子设备 |
CN109558994A (zh) * | 2018-12-19 | 2019-04-02 | 国家电网有限公司客户服务中心 | 一种基于mlr及pca模型的售电均价分析方法 |
CN107506435B (zh) * | 2017-08-23 | 2020-07-07 | 深圳市活力天汇科技股份有限公司 | 一种基于价格预测的特价机票查询方法 |
WO2021077977A1 (zh) * | 2019-10-23 | 2021-04-29 | 华能大理风力发电有限公司 | 风电竞价场内交易数据分析方法、装置、设备及介质 |
-
2016
- 2016-11-18 CN CN201611033003.0A patent/CN106682934A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506435B (zh) * | 2017-08-23 | 2020-07-07 | 深圳市活力天汇科技股份有限公司 | 一种基于价格预测的特价机票查询方法 |
CN108767854A (zh) * | 2018-06-20 | 2018-11-06 | 北京科东电力控制系统有限责任公司 | 购电方案优化方法、装置以及电子设备 |
CN109558994A (zh) * | 2018-12-19 | 2019-04-02 | 国家电网有限公司客户服务中心 | 一种基于mlr及pca模型的售电均价分析方法 |
WO2021077977A1 (zh) * | 2019-10-23 | 2021-04-29 | 华能大理风力发电有限公司 | 风电竞价场内交易数据分析方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An energy sharing game with generalized demand bidding: Model and properties | |
CN110276698A (zh) | 基于多智能体双层协同强化学习的分布式可再生能源交易决策方法 | |
CN106682934A (zh) | 一种购电竞价策略 | |
CN109919658A (zh) | 一种基于博弈论的负荷控制方法及系统 | |
CN105243609A (zh) | 一种基于模糊层次分析的用户有序用电决策方法 | |
Xiong et al. | An electricity supplier bidding strategy through Q-Learning | |
CN109800917A (zh) | 一种电动汽车停车场的规划方法、装置和计算设备 | |
Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
CN102289766A (zh) | 一种基于连续双向拍卖机制的网格资源调度方法 | |
CN105321103A (zh) | 一种基于主从博弈的直购电双边交易的合同电价制定方法 | |
Sedeh et al. | Optimization of bidding strategy in the day-ahead market by consideration of seasonality trend of the market spot price | |
CN112465303A (zh) | 考虑需求响应基于多代理的双边电力市场优化决策方法 | |
CN106682933B (zh) | 一种考虑输电网损影响因子的跨区跨省电力用户直接交易方法 | |
Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
Sueyoshi et al. | A wholesale power trading simulator with learning capabilities | |
Okwuibe et al. | Intelligent bidding strategies in local electricity markets: A simulation-based analysis | |
CN106779142A (zh) | 一种售电主体合约电量优化方法及装置 | |
Chasparis et al. | A cooperative demand-response framework for day-ahead optimization in battery pools | |
Liaquat et al. | Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee | |
CN115049102A (zh) | 一种电价预测方法、装置、移动终端及存储介质 | |
Motamedisedeh et al. | A novel optimization model for biding in the deregulated power market with pay as a bid settlement mechanism, based on the stochastic market clearing price | |
Naseri et al. | Dynamic retail market tariff design for an electricity aggregator using reinforcement learning | |
Wang et al. | Multi-agent simulation for strategic bidding in electricity markets using reinforcement learning | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
CN117117878A (zh) | 基于人工神经网络和多智能体强化学习的电网需求侧响应潜力评估及负荷调控方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170517 |