CN107480907A - 一种峰谷电价下含风电的省级电网购电配比的优化方法 - Google Patents

一种峰谷电价下含风电的省级电网购电配比的优化方法 Download PDF

Info

Publication number
CN107480907A
CN107480907A CN201710747945.3A CN201710747945A CN107480907A CN 107480907 A CN107480907 A CN 107480907A CN 201710747945 A CN201710747945 A CN 201710747945A CN 107480907 A CN107480907 A CN 107480907A
Authority
CN
China
Prior art keywords
mrow
msub
peak
electricity
valley
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
Application number
CN201710747945.3A
Other languages
English (en)
Inventor
刘文彬
王良缘
郑固凌
王其瑜
杨首晖
王颖帆
林芬
陈传彬
温步瀛
江岳文
虞思敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN201710747945.3A priority Critical patent/CN107480907A/zh
Publication of CN107480907A publication Critical patent/CN107480907A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q30/0283—Price estimation or determination
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种峰谷电价下含风电的省级电网购电配比的优化方法，包括步骤：（1）提取省内月度合约市场、现货市场价格历史数据、省际购电价格历史数据、省内负荷状况、风力发电量预测值和预测偏差数据；（2）优化峰谷分时电价方案；（3）建立购电期望收益最大化模型；（4）构建条件风险价值‑离散信息熵风险度量指标，建立购电风险最小化模型；（5）求解购电收益期望值、购电风险以及细化至峰、平、谷时段的省际月度合约、省内月度合约及日前购电配比。本发明将风力发电量、市场电价等不确定因素对购电造成的影响纳入模型中，购电配比优化细化到峰、平、谷时段，使电价波动性的描述更为准确，同时，条件风险价值‑离散信息熵的引入能实现更为有效的风险管理，为含风电比例较大省级电网的购电配比制定提供参考。

Description

一种峰谷电价下含风电的省级电网购电配比的优化方法
技术领域
本发明涉及电力市场分析领域，特别是一种峰谷电价下含风电的省级电网购电配比的优化方法。
背景技术
当前，电网公司要面对发电市场的电价波动，而售电侧电价相对固定，使得购售电利润空间存在较大不确定性。此外，随着风力发电的发展，风电装机容量不断增大，在我国“以风定电”的市场环境中，风电成为购电配比优化中的另一重要的不确定影响因素。将风电纳入月度购电配比优化，具有实用价值。此外，面对市场中诸多不确定因素，如何在增大效益及降低风险之间权衡，做出最恰当的购电决策，成为电网公司面临的重要问题。以往研究主要考虑通过降低购电成本来达到效益最大化目的，而随着需求侧管理的广泛推进，售电侧的情况也将影响整体购电效益，因此，需要考虑综合用户效益的购电配比方案。在购电风险度量方面，从置信水平、风险大小以及风险不确定程度三方面度量，配合细化至峰平谷时段的价格样本数据，能够实现更为有效的风险管理，为电网企业的经营提供较好的参考。
发明内容
本发明的目的是提出一种峰谷电价下含风电的省级电网购电配比的优化方法，综合考虑峰谷电价及购电配比优化，通过购售电双侧峰谷分时电价的处理，更真实还原市场状况，在协调电网公司和电力用户利益的基础上实现更为有效的风险管理，并为含风电比重较大电网的购电配比决策提供参考。
本发明采用以下方案实现：一种峰谷电价下含风电的省级电网购电配比的优化方法，具体包括以下步骤：
步骤S1：提取省内月度合约市场、现货市场价格历史数据、省际购电价格历史数据、省内负荷状况、风力发电量预测值和预测偏差数据；
步骤S2：利用基于消费者心理学的峰谷分时电价优化模型，优化峰谷分时电价方案；所述模型描述为：在固定电价峰谷比的情况下，改变拉开比，得到不同的峰谷分时电价方案，基于消费者心理学原理，用电负荷做出响应；
步骤S3：基于步骤S2的峰谷分时电价方案以及对应的负荷响应情况，建立购电期望收益最大化模型；定义所述模型：将购电侧划分为同样的峰平谷时段，对应不同的价格水平；从省际、省内月度合约市场、现货市场购电，以1个月为分析对象，用数学函数表述如下：
max R＝max{E(S-G)}
其中，S为售电收入，G为购电成本，R为购电期望收益；E为均值算子；
步骤S4：构建条件风险价值-离散信息熵风险度量指标，建立购电风险最小化模型，用数学函数表达如下：
min F＝min[Cβ(1+γH(R))]
其中，F为置信水平β下的购电风险，Cβ为购电配比对应的条件风险价值，H(R)为期望收益R下的离散信息熵，γ为购电决策者对风险不确定性的重视程度；
步骤S5：求解购电收益期望值、购电风险以及省际、省内市场峰、平、谷时段的购电配比。
进一步地，所述步骤S2具体包括以下步骤：
步骤S21：依据省内负荷特性，固定电价峰谷比，改变拉开比，得到不同的电价方案，峰谷比和拉开比的数学表达式如下：
δ＝(1+c)/(1-u)
θ＝c/u
其中，δ为峰谷比，θ为拉开比，c为峰时段价格相比于平时段上涨的比例；u为谷时段价格相比于平时段下降的比例；
步骤S22：求解负荷转移率，负荷转移率为实行峰谷电价之后，从价格高时段到价格低时段转移电量的比率；负荷转移率由峰、平、谷三个时段电价差决定，具体关系如下式所示：
其中，λpv为峰荷到谷荷的负荷转移率；Δppv为峰荷时段销售电价pp与谷荷时段销售电价pv之间的差值；为负荷转移率线性段与饱和段的拐点，为饱和段阈值，当价格变化量大于饱和段阈值后，负荷转移率不再变化；为峰谷电价下峰荷到谷荷负荷转移率的最大值；Kpv为负荷转移率线性段的斜率；apv为分段线性峰谷时段转移率曲线的死区阈值；
步骤S23：峰谷电价下负荷响应：在固定的负荷转移率下，负荷响应情况如下：
其中，t为任意时刻；Tp、Tf、Tv分别为峰时段、平时段、谷时段；Lt0为实行峰谷电价之前负荷值；Lt为实行峰谷电价之后负荷值；Lp、Lf分别为实行峰谷电价之前峰、平时段的电量值；λpv、λfv、λpf分别为峰荷到谷荷、平荷到谷荷、峰荷到平荷的负荷转移率。
进一步地，所述步骤S3具体包括以下步骤：
步骤S31：售电收入：在售电侧实施峰谷分时电价的情况下，售电收入与峰谷分时电价方案及对应的负荷响应情况有关，售电收入S为：
S＝PoQ[(1+c)λ1+λ2+(1-u)λ3]；
其中，Q为总的负荷需求；Po为售电侧平时段电价；c为峰时段电价相比于平时段的上浮比例，u为谷时段电价相比于平时段的下降比例；λ1、λ2、λ3分别为实施峰谷分时电价之后峰、平、谷时段负荷电量比值；
步骤S32：购电成本：分别计算风电购电费用及其他电能购电费用，购电成本G为：
G＝X1P1+X2Pf
其中，X1＝(x1,x2,x3,x4,x5,x6,x7)T，x1,x2,...,x7分别为外购电量、月度合约市场峰、平、谷时段电量及现货市场峰、平、谷时段电量；X2＝(x8,x9,x10)T，x8,x9,x10分别为风电月度峰、平、谷时段预测电量期望值；P1＝(p1,p2,p3,p4,p5,p6,p7)T，p1,p2,...,p7分别为外购电价格、月度合约市场峰、平、谷时段电价及现货市场峰、平、谷时段电价；Pf为风电购电价格，模型中设为定值。
进一步地，所述步骤S4具体包括以下步骤：
步骤S41：购电配比对应的条件风险价值Cβ表示为：
其中，α为VaR值(风险价值)，即确定置信水平下可能发生的最大损失值，Zk是为了采用数值积分方式计算CVaR(条件风险价值)引入的虚拟变量，β为置信水平；m为随机变量样本组数，样本由风力发电量随机值及各市场电价随机值构成；
其中，
Zk＝[f(x,Pk)-α]+
f(x,Pk)为第k组样本下的损失函数；Pk为第k组样本下损失发生的概率；[f(x,Pk)-α]+表示max{0,f(x,Pk)-α}；
其中，
f(x,Pk)＝|Gk-Sk-R|-
其中，Gk、Sk分别为在第k组随机变量样本下的购电成本和售电收入，差值为实际购电收益；| |-表示实际收益小于期望收益时构成了风险；R为固定配比下的收益期望值；
步骤S42：购电市场不确定程度即信息熵：假设完整事件Z由若干子事件zk构成，各子事件发生的概率分别为Pk，则信息熵表示为：
其中，H(R)为期望效益R下的离散信息熵，Rk为第k组样本下的购电收益期望值，Pk为第k组样本下损失发生的概率，n为应用序列运算统计损失序列时所划分的区间数；
进一步地，所述步骤S5包括的约束条件有：电量平衡约束、购电量约束、外购电电力电量耦合约束、省际联络线输送容量约束。
进一步地，所述电量平衡约束用数学函数表述如下：
其中，x1,x2,...,x10分别为外购电量、月度合约市场峰、平、谷时段电量、现货市场峰、平、谷时段电量、风电月度预留电量即风电月度峰、平、谷时段预测电量期望值；Q为总负荷需求；
所述购电量约束用数学函数表述如下：
xi,min≤xi/Q≤xi,max
其中，i＝1,2,...,10,xi,max、xi,min分别为xi占总的负荷需求的最大，最小比例；
所述外购电电力电量耦合约束用数学函数表述如下：
其中，x1为外购电量，s为负荷状态，s＝1,2,3分别代表峰、平、谷时段负荷，as为在负荷状态s下外购电功率与峰荷状态外购功率比值；Pout,1为峰荷状态外购功率；Ts为每日负荷状态s持续小时数；Dm为购电月天数；
所述省际联络线输送容量约束用数学函数表述如下：
其中，Pout(t,d)为外购电在第d天t小时的输电功率；为外购电最大输送功率。
与现有技术相比，本发明有以下有益效果：
(1)计及风电及市场电价不确定性，结合现货市场价格与负荷水平的联系，建立购售电双侧峰谷分时电价下的购电配比效益-风险多目标优化模型；模型考虑了省际购电、省内月度合约以及现货市场中的购电配比，以购售电社会效益最大化及风险最小化为目标；将峰谷电价方案与购电配比方案联合优化，得到最优峰谷分时电价及对应的最优购电配比，协调用户与电网效益。
(2)本发明反映出风力发电量、市场电价等不确定因素对购电造成的影响，细化到峰、平、谷时段的购电配比方案，使电价波动性的描述更为准确。
(3)本发明条件风险价值-离散信息熵的引入能实现更为有效的风险管理，为含风电比例较大省级电网的购电配比制定提供参考。
附图说明
图1为本发明的原理流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，一种峰谷电价下含风电的省级电网购电配比的优化方法，具体包括以下步骤：
步骤S1：提取省内月度合约市场、现货市场价格历史数据、省际购电价格历史数据、省内负荷状况、风力发电量预测值和预测偏差数据；
步骤S2：利用基于消费者心理学的峰谷分时电价优化模型，优化峰谷电价方案；该模型可描述为：在固定电价峰谷比的情况下，改变拉开比，得到不同的峰谷电价方案，基于消费者心理学原理，用电负荷将对其做出响应；在优化得到的峰谷电价方案及负荷响应下进行购电配比优化；
在本实施例中，步骤S2具体包括以下步骤：
步骤S21：依据省内负荷特性，固定电价峰谷比，改变拉开比，得到不同的电价方案，峰谷比和拉开比的数学表达式如下：
δ＝(1+c)/(1-u)
θ＝c/u
其中，δ为峰谷比，θ为拉开比，c为峰时段价格相比于平时段上涨的比例；u为谷时段价格相比于平时段下降的比例；
步骤S22：求解负荷转移率，负荷转移率为实行峰谷电价之后，从价格较高时段到价格较低时段转移电量的比率；负荷转移率由峰、平、谷三个时段电价差决定，具体关系如下式所示：
其中，λpv为峰荷到谷荷的负荷转移率；Δppv为峰荷时段销售电价pp与谷荷时段销售电价pv之间的差值；为负荷转移率线性段与饱和段的拐点，为饱和段阈值，当价格变化量大于饱和段阈值后，负荷转移率不再变化；为峰谷电价下峰荷到谷荷负荷转移率的最大值；Kpv为负荷转移率线性段的斜率；apv为分段线性峰谷时段转移率曲线的死区阈值；
步骤S23：峰谷电价下负荷响应：在固定的负荷转移率下，负荷响应情况如下：
其中，t代表任意时刻；Tp、Tf、Tv分别为峰时段、平时段、谷时段；Lt0为实行峰谷电价之前负荷值；Lt为实行峰谷电价之后负荷值；Lp、Lf分别为实行峰谷电价之前峰、平时段的电量值；λpv、λfv、λpf分别为峰荷到谷荷、平荷到谷荷、峰荷到平荷的负荷转移率。
步骤S3：基于步骤S2的峰谷分时电价方案以及对应的负荷响应情况，建立购电效益最大化模型；定义该模型：在售电侧实施峰谷分时电价的基础上，为了模拟电价反映市场供求关系的特点，将购电侧划分为同样的峰平谷时段，对应不同的价格水平。从省际、省内月度合约市场、现货市场购电，以1个月为分析对象，用数学函数表述如下：
max R＝max{E(S-G)}
其中，S为售电收入，G为购电成本，R为购电期望收益；E为均值算子；
在本实施例中，步骤S3具体包括以下步骤：
步骤S31：售电收入：在售电侧实施峰谷分时电价的情况下，售电收入与峰谷分时电价方案及对应的负荷响应情况有关，售电收入S为：
S＝PoQ[(1+c)λ1+λ2+(1-u)λ3]；
其中，Q为总的负荷需求；Po为售电侧平时段电价；c为峰时段电价相比于平时段的上浮比例，u为谷时段电价相比于平时段的下降比例；λ1、λ2、λ3分别为实施峰谷分时电价之后峰、平、谷时段负荷电量比值；
步骤S32：购电费用：为了更准确地描述电价与电力需求之间的关系，将购电侧也分为同样的峰平谷时段，而考虑到当前风电尚未参与市场竞争，因此计算购电费用时，分别计算风电购电费用及常规电能购电费用，购电费用G为：
G＝X1P1+X2Pf
其中，X1＝(x1,x2,x3,x4,x5,x6,x7)T，x1,x2,...,x7分别为外购电量、月度合约市场峰、平、谷时段电量及现货市场峰、平、谷时段电量；X2＝(x8,x9,x10)T，x8,x9,x10分别为风电月度预留电量即风电月度峰、平、谷时段预测电量期望值；P1＝(p1,p2,p3,p4,p5,p6,p7)T，p1,p2,...,p7分别为外购电价格、月度合约市场峰、平、谷时段电价及现货市场峰、平、谷时段电价；Pf为风电购电价格，模型中设为定值。
步骤S4：构建条件风险价值-离散信息熵风险度量指标，建立购电风险最小化模型，用数学函数表达如下：
min F＝min[Cβ(1+γH(R))]
其中，F为置信水平β下的购电风险，Cβ为购电配比对应的条件风险价值，H(R)为期望收益R下的离散信息熵，γ为购电决策者对风险不确定性的重视程度；
在本实施例中，步骤S4具体包括以下步骤：
步骤S41：购电配比条件风险价值：面对风力发电量，市场电价的不确定，为购电配比方案的制定带来风险，利用条件风险价值度量潜在购电损失的大小，条件风险价值Cβ可以表示为：
其中，α为VaR值，即确定置信水平下可能发生的最大损失值，Zk是为了采用数值积分方式计算CVaR引入的虚拟变量，β为置信水平；m为随机变量样本组数，样本由风力发电量随机值及各市场电价随机值构成；
其中，
Zk＝[f(x,Pk)-α]+
f(x,Pk)为第k组样本下的损失函数；Pk为第k组样本下损失发生的概率；[f(x,Pk)-α]+表示max{0,f(x,Pk)-α}；
其中，
f(x,Pk)＝|Gk-Sk-R|-
其中，Gk、Sk分别为在第k组随机变量样本下的购电成本和售电收入，差值为实际购电收益；| |-表示实际收益小于期望收益时构成了风险；R为固定配比下的收益期望值；
步骤S42：购电市场不确定程度即信息熵：将信息熵用于量化购电损失的不确定程度能实现更全面的风险管理；假设完整事件Z由若干子事件zk构成，各子事件发生的概率分别为Pk，则信息熵表示为：
其中，H(R)为期望效益R下的离散信息熵，Rk为第k组样本下的购电收益期望值，Pk为第k组样本下损失发生的概率，n为应用序列运算统计损失序列时所划分的区间数；
步骤S5：求解购电收益期望值、购电风险以及省际、省内市场峰、平、谷时段的购电配比。
在本实施例中，步骤S5包括的约束条件有：电量平衡约束、购电量约束、外购电电力电量耦合约束、省际联络线输送容量约束。
所述电量平衡约束用数学函数表述如下：
其中，x1,x2,...,x10分别为外购电量、月度合约市场峰、平、谷时段电量、现货市场峰、平、谷时段电量、风电月度预留电量即风电月度峰、平、谷时段预测电量期望值；Q为总负荷需求；
所述购电量约束用数学函数表述如下：
xi,min≤xi/Q≤xi,max
其中，i＝1,2,...,10,xi,max、xi,min分别为xi占总的负荷需求的最大，最小比例；
所述外购电电力电量耦合约束用数学函数表述如下：
其中，x1为外购电量，s为负荷状态，s＝1,2,3分别代表峰、平、谷时段负荷，as为在负荷状态s下外购电功率与峰荷状态外购功率比值；Pout,1为峰荷状态外购功率；Ts为每日负荷状态s持续小时数；Dm为购电月天数；
所述省际联络线输送容量约束用数学函数表述如下：
其中，Pout(t,d)为外购电在第d天t小时的输电功率；为外购电最大输送功率。
在本实施例中，将峰谷分时电价方案与购电配比方案联合优化，以购电效益最大化及购电风险最小化为目标，通过多目标量子粒子群优化算法求解相应的购电配比方案及其效益、风险；得到不同期望效益下的配比方案，供不同风险偏好的决策者选择。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种峰谷电价下含风电的省级电网购电配比的优化方法，其特征在于，包括以下步骤：
步骤S1：提取省内月度合约市场、现货市场价格历史数据、省际购电价格历史数据、省内负荷状况、风力发电量预测值和预测偏差数据；
步骤S2：利用基于消费者心理学的峰谷分时电价优化模型，优化峰谷分时电价方案；所述模型描述为：在固定电价峰谷比的情况下，改变拉开比，得到不同的峰谷分时电价方案，基于消费者心理学原理，用电负荷做出响应；
步骤S3：基于步骤S2的峰谷分时电价方案以及对应的负荷响应情况，建立购电期望收益最大化模型；定义所述模型：将购电侧划分为同样的峰平谷时段，对应不同的价格水平；从省际、省内月度合约市场、现货市场购电，以1个月为分析对象，用数学函数表述如下：
max R＝max{E(S-G)}
其中，S为售电收入，G为购电成本，R为购电期望收益；E为均值算子；
步骤S4：构建条件风险价值-离散信息熵风险度量指标，建立购电风险最小化模型，用数学函数表达如下：
min F＝min[Cβ(1+γH(R))]
其中，F为置信水平β下的购电风险，Cβ为购电配比对应的条件风险价值，H(R)为期望收益R下的离散信息熵，γ为购电决策者对风险不确定性的重视程度；
步骤S5：求解购电收益期望值、购电风险以及省际、省内市场峰、平、谷时段的购电配比。
2.根据权利要求1所述的一种峰谷电价下含风电的省级电网购电配比的优化方法，其特征在于，所述步骤S2具体包括以下步骤：
步骤S21：依据省内负荷特性，固定电价峰谷比，改变拉开比，得到不同的电价方案，峰谷比和拉开比的数学表达式分别如下：
δ＝(1+c)/(1-u)
θ＝c/u
其中，δ为峰谷比，θ为拉开比，c为峰时段价格相比于平时段上涨的比例；u为谷时段价格相比于平时段下降的比例；
步骤S22：求解负荷转移率，负荷转移率为实行峰谷电价之后，从价格高时段到价格低时段转移电量的比率；负荷转移率由峰、平、谷三个时段电价差决定，具体关系如下式所示：
<mrow> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>&amp;Delta;p</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;le;</mo> <msub> <mi>a</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>K</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;p</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>a</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;le;</mo> <msub> <mi>&amp;Delta;p</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;le;</mo> <mfrac> <msubsup> <mi>&amp;lambda;</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>max</mi> </msubsup> <msub> <mi>K</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> </mfrac> <mo>+</mo> <msub> <mi>a</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>&amp;lambda;</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>max</mi> </msubsup> </mtd> <mtd> <mrow> <msub> <mi>&amp;Delta;p</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <mo>&amp;GreaterEqual;</mo> <mfrac> <msubsup> <mi>&amp;lambda;</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>max</mi> </msubsup> <msub> <mi>K</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> </mfrac> <mo>+</mo> <msub> <mi>a</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，λpv为峰荷到谷荷的负荷转移率；Δppv为峰荷时段销售电价pp与谷荷时段销售电价pv之间的差值；为负荷转移率线性段与饱和段的拐点，为饱和段阈值，当价格变化量大于饱和段阈值后，负荷转移率不再变化；为峰谷电价下峰荷到谷荷负荷转移率的最大值；Kpv为负荷转移率线性段的斜率；apv为分段线性峰谷时段转移率曲线的死区阈值；
步骤S23：峰谷电价下负荷响应：在固定的负荷转移率下，负荷响应情况如下：
<mrow> <msub> <mi>L</mi> <mi>t</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>L</mi> <mrow> <mi>t</mi> <mn>0</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <msub> <mi>L</mi> <mi>p</mi> </msub> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>f</mi> <mi>v</mi> </mrow> </msub> <msub> <mi>L</mi> <mi>f</mi> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <msub> <mi>T</mi> <mi>v</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>L</mi> <mrow> <mi>t</mi> <mn>0</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>p</mi> <mi>f</mi> </mrow> </msub> <msub> <mi>L</mi> <mi>p</mi> </msub> <mo>-</mo> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>f</mi> <mi>v</mi> </mrow> </msub> <msub> <mi>L</mi> <mi>f</mi> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <msub> <mi>T</mi> <mi>f</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>L</mi> <mrow> <mi>t</mi> <mn>0</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> </msub> <msub> <mi>L</mi> <mi>p</mi> </msub> <mo>-</mo> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>p</mi> <mi>f</mi> </mrow> </msub> <msub> <mi>L</mi> <mi>p</mi> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <msub> <mi>T</mi> <mi>p</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，t为任意时刻；Tp、Tf、Tv分别为峰时段、平时段、谷时段；Lt0为实行峰谷电价之前负荷值；Lt为实行峰谷电价之后负荷值；Lp、Lf分别为实行峰谷电价之前峰、平时段的电量值；λpv、λfv、λpf分别为峰荷到谷荷、平荷到谷荷、峰荷到平荷的负荷转移率。
3.根据权利要求1所述的一种峰谷电价下含风电的省级电网购电配比的优化方法，其特征在于，所述步骤S3具体包括以下步骤：
步骤S31：售电收入：在售电侧实施峰谷分时电价的情况下，售电收入与峰谷分时电价方案及对应的负荷响应情况有关，售电收入S为：
S＝PoQ[(1+c)λ1+λ2+(1-u)λ3]；
其中，Q为总的负荷需求；Po为售电侧平时段电价；c为峰时段电价相比于平时段的上浮比例，u为谷时段电价相比于平时段的下降比例；λ1、λ2、λ3分别为实施峰谷分时电价之后峰、平、谷时段负荷电量比值；
步骤S32：购电成本：分别计算风电购电费用及其他电能购电费用，购电成本G为：
G＝X1P1+X2Pf
其中，X1＝(x1,x2,x3,x4,x5,x6,x7)T，x1,x2,...,x7分别为外购电量、月度合约市场峰、平、谷时段电量及现货市场峰、平、谷时段电量；X2＝(x8,x9,x10)T，x8,x9,x10分别为风电月度峰、平、谷时段预测电量期望值；P1＝(p1,p2,p3,p4,p5,p6,p7)T，p1,p2,...,p7分别为外购电价格、月度合约市场峰、平、谷时段电价及现货市场峰、平、谷时段电价；Pf为风电购电价格，模型中设为定值。
4.根据权利要求1所述的一种峰谷电价下含风电的省级电网购电配比的优化方法，其特征在于，所述步骤S4具体包括以下步骤：
步骤S41：购电配比对应的条件风险价值Cβ表示为：
<mrow> <msub> <mi>C</mi> <mi>&amp;beta;</mi> </msub> <mo>=</mo> <mi>&amp;alpha;</mi> <mo>+</mo> <mfrac> <mn>1</mn> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>Z</mi> <mi>k</mi> </msub> </mrow>
其中，α为VaR值，即确定置信水平下可能发生的最大损失值，Zk是为了采用数值积分方式计算CVaR引入的虚拟变量，β为置信水平；m为随机变量样本组数，样本由风力发电量随机值及各市场电价随机值构成；
其中，
Zk＝[f(x,Pk)-α]+
f(x,Pk)为第k组样本下的损失函数；Pk为第k组样本下损失发生的概率；[f(x,Pk)-α]+表示max{0,f(x,Pk)-α}；
其中，
f(x,Pk)＝|Gk-Sk-R|-
其中，Gk、Sk分别为在第k组随机变量样本下的购电成本和售电收入，差值为实际购电收益；||-表示实际收益小于期望收益时构成了风险；R为固定配比下的收益期望值；
步骤S42：购电市场不确定程度即信息熵：假设完整事件Z由若干子事件zk构成，各子事件发生的概率分别为Pk，则信息熵表示为：
<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>R</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mi>k</mi> </msub> <mi>ln</mi> <mi> </mi> <msub> <mi>P</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <msub> <mo>|</mo> <mrow> <msub> <mi>R</mi> <mi>k</mi> </msub> <mo>&amp;le;</mo> <mi>R</mi> </mrow> </msub> </mrow>
其中，H(R)为期望效益R下的离散信息熵，Rk为第k组样本下的购电收益期望值，Pk为第k组样本下损失发生的概率，n为应用序列运算统计损失序列时所划分的区间数。
5.根据权利要求1所述的一种峰谷电价下含风电的省级电网购电配比的优化方法，其特征在于，所述步骤S5包括的约束条件有：电量平衡约束、购电量约束、外购电电力电量耦合约束、省际联络线输送容量约束。
6.根据权利要求5所述的一种峰谷电价下含风电的省级电网购电配比的优化方法，其特征在于，所述电量平衡约束用数学函数表述如下：
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>10</mn> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>/</mo> <mi>Q</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> </mrow>
其中，x1,x2,...,x10分别为外购电量、月度合约市场峰、平、谷时段电量、现货市场峰、平、谷时段电量、风电月度预留电量即风电月度峰、平、谷时段预测电量期望值；Q为总的负荷需求；
所述购电量约束用数学函数表述如下：
xi,min≤xi/Q≤xi,max
其中，i＝1,2,...,10,xi,max、xi,min分别为xi占总的负荷需求的最大、最小比例；
所述外购电电力电量耦合约束用数学函数表述如下：
<mrow> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>s</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>s</mi> </msub> <msub> <mi>P</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <msub> <mi>T</mi> <mi>s</mi> </msub> <msub> <mi>D</mi> <mi>m</mi> </msub> <mo>)</mo> </mrow> <mo>/</mo> <mi>Q</mi> </mrow>
其中，x1为外购电量，s为负荷状态，s＝1,2,3分别代表峰、平、谷时段负荷，as为在负荷状态s下外购电功率与峰荷状态外购功率比值；Pout,1为峰荷状态外购功率；Ts为每日负荷状态s持续小时数；Dm为购电月天数；
所述省际联络线输送容量约束用数学函数表述如下：
<mrow> <msub> <mi>P</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>d</mi> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> <mi>max</mi> </msubsup> </mrow>
其中，Pout(t,d)为外购电在第d天t小时的输电功率；为外购电最大输送功率。
CN201710747945.3A 2017-08-28 2017-08-28 一种峰谷电价下含风电的省级电网购电配比的优化方法 Pending CN107480907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710747945.3A CN107480907A (zh) 2017-08-28 2017-08-28 一种峰谷电价下含风电的省级电网购电配比的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710747945.3A CN107480907A (zh) 2017-08-28 2017-08-28 一种峰谷电价下含风电的省级电网购电配比的优化方法

Publications (1)

Publication Number Publication Date
CN107480907A true CN107480907A (zh) 2017-12-15

Family

ID=60602759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710747945.3A Pending CN107480907A (zh) 2017-08-28 2017-08-28 一种峰谷电价下含风电的省级电网购电配比的优化方法

Country Status (1)

Country Link
CN (1) CN107480907A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
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
CN109934501A (zh) * 2019-03-18 2019-06-25 长沙理工大学 一种电力零售商参与平衡市场交易的风险规避方法
CN110059971A (zh) * 2019-04-24 2019-07-26 深圳市艾赛克科技有限公司 能源监测管理方法及装置
CN110163677A (zh) * 2019-05-21 2019-08-23 西安交通大学 一种含储能的分布式发电中长期峰平谷电量交易匹配方法
CN110829424A (zh) * 2019-11-21 2020-02-21 国网四川省电力公司经济技术研究院 一种考虑风电消纳的区域多微网配电网互动方法
CN111523703A (zh) * 2020-03-31 2020-08-11 国网山东省电力公司经济技术研究院 一种电力系统碳排放风险控制优化方法
CN111695943A (zh) * 2020-06-18 2020-09-22 顺德职业技术学院 一种计及浮动高峰电价的优化管理方法

Cited By (9)

* Cited by examiner, † Cited by third party
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
CN109934501A (zh) * 2019-03-18 2019-06-25 长沙理工大学 一种电力零售商参与平衡市场交易的风险规避方法
CN110059971A (zh) * 2019-04-24 2019-07-26 深圳市艾赛克科技有限公司 能源监测管理方法及装置
CN110163677A (zh) * 2019-05-21 2019-08-23 西安交通大学 一种含储能的分布式发电中长期峰平谷电量交易匹配方法
CN110163677B (zh) * 2019-05-21 2023-08-29 西安交通大学 一种含储能的分布式发电中长期峰平谷电量交易匹配方法
CN110829424A (zh) * 2019-11-21 2020-02-21 国网四川省电力公司经济技术研究院 一种考虑风电消纳的区域多微网配电网互动方法
CN111523703A (zh) * 2020-03-31 2020-08-11 国网山东省电力公司经济技术研究院 一种电力系统碳排放风险控制优化方法
CN111695943A (zh) * 2020-06-18 2020-09-22 顺德职业技术学院 一种计及浮动高峰电价的优化管理方法
CN111695943B (zh) * 2020-06-18 2023-04-28 顺德职业技术学院 一种计及浮动高峰电价的优化管理方法

Similar Documents

Publication Publication Date Title
Zheng et al. Day-ahead bidding strategy for electric vehicle aggregator enabling multiple agent modes in uncertain electricity markets
Li et al. Trading strategy and benefit optimization of load aggregators in integrated energy systems considering integrated demand response: A hierarchical Stackelberg game
CN107480907A (zh) 一种峰谷电价下含风电的省级电网购电配比的优化方法
Nojavan et al. Application of fuel cell and electrolyzer as hydrogen energy storage system in energy management of electricity energy retailer in the presence of the renewable energy sources and plug-in electric vehicles
CN108711077B (zh) 一种基于区块链技术的光伏型微电网交易方法
Yang et al. A multi-objective stochastic optimization model for electricity retailers with energy storage system considering uncertainty and demand response
Qi et al. Sharing demand-side energy resources-A conceptual design
CN109389327B (zh) 基于风光不确定性的多虚拟电厂时前合作方法
Vonsien et al. Li-ion battery storage in private households with PV systems: Analyzing the economic impacts of battery aging and pooling
CN107492886A (zh) 一种区域电力市场下含风电的电网月度购电方案优化方法
CN110852519A (zh) 一种考虑多类型负荷的售电公司最优盈利方法
CN107067149A (zh) 一种评估调峰约束下电网购电组合收益及风险的方法
CN106651636A (zh) 一种适应全球能源互联网的多种能源最优分配方法
Li et al. A scheduling framework for VPP considering multiple uncertainties and flexible resources
Shakrina et al. A Stackelberg game‐inspired model of real‐time economic dispatch with demand response
CN111695943A (zh) 一种计及浮动高峰电价的优化管理方法
Zhang et al. A master-slave game optimization model for electric power companies considering virtual power plant
Syu et al. Call auction-based energy management system with adaptive subsidy and dynamic operating reserve
CN108683174B (zh) 一种基于多时间尺度需求响应模型的网损优化方法
Guo et al. How to realize the power demand side actively matching the supply side?——A virtual real-time electricity prices optimization model based on credit mechanism
CN117081169B (zh) 一种聚合园区分布式光伏能源的运营方法
Xu et al. CVaR‐based method for optimizing the contract bidding strategy of PV power stations
Wang et al. Research on fair residential critical peak price: Based on a price penalty mechanism for high-electricity consumers
Sun et al. Experiences and lessons learned from DR resources participating in the US and UK capacity markets: mechanisms, status, dilemmas and recommendations
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统

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: 20171215