CN107944640A - 一种可再生能源项目投资组合优化技术方法及装置 - Google Patents
一种可再生能源项目投资组合优化技术方法及装置 Download PDFInfo
- Publication number
- CN107944640A CN107944640A CN201711367728.8A CN201711367728A CN107944640A CN 107944640 A CN107944640 A CN 107944640A CN 201711367728 A CN201711367728 A CN 201711367728A CN 107944640 A CN107944640 A CN 107944640A
- Authority
- CN
- China
- Prior art keywords
- mrow
- model
- investment
- msub
- stochastic programming
- 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
- 238000000034 method Methods 0.000 title claims abstract description 136
- 230000001172 regenerating effect Effects 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 57
- 230000008901 benefit Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 72
- 230000005611 electricity Effects 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 18
- 230000007774 longterm Effects 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 12
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000009977 dual effect Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 7
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical class CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000011800 void material Substances 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种可再生能源项目投资组合优化技术方法、装置及计算设备,该方法包括:建立第一多阶段随机规划投资模型,所述第一多阶段随机规划投资模型包括为获取最大项目投资效益期望而构建的目标函数;根据项目投资决策约束,获取模型重构函数;将所述模型重构函数代入所述第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型;对所述第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解;根据所述最优解获取效益期望最大的可再生能源项目投资组合。
Description
技术领域
本发明涉及能源电力领域,特别涉及一种可再生能源项目投资组合优化技术方法、装置及计算设备。
背景技术
能源电力领域作为具有一定垄断属性的技术领域,给予市场主体足够的市场空间、建立合理有效的监管和激励机制一直是政府或者能源电力市场监管部门所关注的问题。对于可再生能源投资企业,监管以及激励政策的不确定性往往会在很大程度上影响可再生能源企业的投资决策。从促进可再生能源初期发展的固定上网电价过度到基于市场价格的激励机制,是保证可再生能源健康有序发展的关键。
在市场环境下,可再生能源投资将面临更多的不确定性。实物期权以及随机规划理论作为研究上述问题的主要方法,均存在一定的局限性。实物期权注重考虑投资问题长期的动态过程,往往会对问题中的不确定性进行简化,而随机规划受限于问题计算规模,往往不能全面的考虑投资问题中长期的动态过程。
发明内容
为此,本发明提供一种可再生能源项目投资组合优化的技术方案,以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面,提供一种可再生能源项目投资组合优化技术方法,适于在计算设备中执行,该方法包括如下步骤:首先建立第一多阶段随机规划投资模型,第一多阶段随机规划投资模型包括为获取最大项目投资效益期望而构建的目标函数;根据项目投资决策约束,获取模型重构函数;将模型重构函数代入第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型;对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解;根据最优解获取效益期望最大的可再生能源项目投资组合。
可选地,在根据本发明的可再生能源项目投资组合优化技术方法中,投资阶段t以年为周期,令t=1,…,T,目标函数以如下公式确定:
s.t.yt∈Yt
Yt:={yt∈Rn+1:Dqt≤dTrt,0≤rt≤1,0≤qt}
xt∈{0,1}
其中,表示求期望值,at为项目固定投资成本净现值系数,ct为短期电力市场参与收益系数,xt为投资的0-1决策变量,ρc为折现率,b为项目建设周期,l为时间调整参数,rt为项目购买份额,qt为合同电量占可用容量的比例,D=d1+…+dn,dT为向量(d1,…,dn),dj为第j个可再生能源项目的容量因子,j=1,…,n,n为可再生能源项目的数量。
可选地,在根据本发明的可再生能源项目投资组合优化技术方法中,根据如下公式确定at和ct:
其中,ζ为折现到项目投资初始年的年净现值,ft为长期合同电价,v为向量(v1,…,vn),hτ为τ月内的小时数,Pτ为τ月中短期市场的节点价格,Eτ为τ月内可再生能源发电量,τ=1,…,12。
可选地,在根据本发明的可再生能源项目投资组合优化技术方法中,项目决策约束以如下公式确定:
zt=xt+zt-1
其中,zt为0-1变量,当zt=1时表示在时间t或时间t之前进行投资决策,反之,zt=0。
可选地,在根据本发明的可再生能源项目投资组合优化技术方法中,根据项目投资决策约束,获取模型重构函数的步骤包括:获取模型重构约束条件,模型重构约束条件以如下公式确定:
其中,当项目在时间t决定投资时,yt≤1,在投资完成之前,yt=0;根据项目投资决策约束和模型重构约束条件,获取模型重构函数,模型重构函数为xtyt=yt-yt-1。
可选地,在根据本发明的可再生能源项目投资组合优化技术方法中,当项目建设周期b=1时,第二多阶段随机规划投资模型由下式得到:
其中,决策变量(xt,yt,zt)=(xt(ξ[t]),yt(ξ[t]),zt(ξ[t])),为ξ[t]=(ξ1,…,ξt)的函数,ξt为连续随机过程,且当t=1,…,T-1时,ξt:=(P12(T-1)+1,...,P12t,E12(T-1)+1,...,E12t),当t=T时,ξT:=(P12(T-1)+1,...,P12(T+l-1),E12(T-1)+1,...,E12(T+l-1))。
可选地,在根据本发明的可再生能源项目投资组合优化技术方法中,对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解的步骤包括:将第二多阶段随机规划投资模型中的连续随机过程ξt进行离散化处理,连续随机过程ξt服从马尔可夫链;当t=T时,将第二多阶段随机规划投资模型转换为第一阶段最优决策模型,第一最优决策模型表示为对该模型求解得到对应的第一最优解;当t=T-1,…,2时,倒序向前构造各时间t的第二阶段最优决策模型,第二最优决策模型表示为其中, 对该模型求解得到对应的第二最优解;当t=0时,将第二多阶段随机规划投资模型转换为第三阶段最优决策模型,第三最优决策模型表示为对该模型求解得到对应的第三最优解。
根据本发明的又一个方面,提供一种可再生能源项目投资组合优化装置,该装置适于驻留在计算设备中,包括建立模块、第一获取模块、生成模块、计算模块和第二获取模块。其中,建立模块适于建立第一多阶段随机规划投资模型,第一多阶段随机规划投资模型包括为获取最大项目投资效益期望而构建的目标函数;第一获取模块适于根据项目投资决策约束,获取模型重构函数;生成模块适于将模型重构函数代入第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型;计算模块适于对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解;第二获取模块适于根据最优解获取效益期望最大的可再生能源项目投资组合。
可选地,在根据本发明的可再生能源项目投资组合优化装置中,投资阶段t以年为周期,令t=1,…,T,建立模块进一步适于按照如下公式构建目标函数:
s.t.yt∈Yt
Yt:={yt∈Rn+1:Dqt≤dTrt,0≤rt≤1,0≤qt}
xt∈{0,1}
其中,表示求期望值,at为项目固定投资成本净现值系数,ct为短期电力市场参与收益系数,xt为投资的0-1决策变量,ρc为折现率,b为项目建设周期,l为时间调整参数,rt为项目购买份额,qt为合同电量占可用容量的比例,D=d1+…+dn,dT为向量(d1,…,dn),dj为第j个可再生能源项目的容量因子,j=1,…,n,n为可再生能源项目的数量。
可选地,在根据本发明的可再生能源项目投资组合优化装置中,建立模块在构建的目标函数中,进一步适于根据如下公式确定at和ct:
其中,ζ为折现到项目投资初始年的年净现值,ft为长期合同电价,v为向量(v1,…,vn),hτ为τ月内的小时数,Pτ为τ月中短期市场的节点价格,Eτ为τ月内可再生能源发电量,τ=1,…,12。
可选地,在根据本发明的可再生能源项目投资组合优化装置中,项目决策约束以如下公式确定:
zt=xt+zt-1
其中,zt为0-1变量,当zt=1时表示在时间t或时间t之前进行投资决策,反之,zt=0。
可选地,在根据本发明的可再生能源项目投资组合优化装置中,第一获取模块进一步适于:获取模型重构约束条件,模型重构约束条件以如下公式确定:
其中,当项目在时间t决定投资时,yt≤1,在投资完成之前,yt=0;根据项目投资决策约束和模型重构约束条件,获取模型重构函数,模型重构函数为xtyt=yt-yt-1。
可选地,在根据本发明的可再生能源项目投资组合优化装置中,当项目建设周期b=1时,生成模块进一步适于按照如下公式生成第二多阶段随机规划投资模型:
其中,决策变量(xt,yt,zt)=(xt(ξ[t]),yt(ξ[t]),zt(ξ[t])),为ξ[t]=(ξ1,…,ξt)的函数,ξt为连续随机过程,且当t=1,…,T-1时,ξt:=(P12(T-1)+1,...,P12t,E12(T-1)+1,...,E12t),当t=T时,ξT:=(P12(T-1)+1,...,P12(T+l-1),E12(T-1)+1,...,E12(T+l-1))。
可选地,在根据本发明的可再生能源项目投资组合优化装置中,计算模块进一步适于:将第二多阶段随机规划投资模型中的连续随机过程ξt进行离散化处理,连续随机过程ξt服从马尔可夫链;当t=T时,将第二多阶段随机规划投资模型转换为第一阶段最优决策模型,第一最优决策模型表示为 对该模型求解得到对应的第一最优解;当t=T-1,…,2时,倒序向前构造各时间t的第二阶段最优决策模型,第二最优决策模型表示为 其中,对该模型求解得到对应的第二最优解;当t=0时,将第二多阶段随机规划投资模型转换为第三阶段最优决策模型,第三最优决策模型表示为 对该模型求解得到对应的第三最优解。
根据本发明的又一个方面,提供一种计算设备,包括根据本发明的可再生能源项目投资组合优化装置。
根据本发明的又一个方面,提供一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行根据本发明的可再生能源项目投资组合优化技术方法的指令。
根据本发明的又一个方面,还提供一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行根据本发明的可再生能源项目投资组合优化技术方法。
根据本发明的可再生能源项目投资组合优化的技术方案,首先建立第一多阶段随机规划投资模型,并根据项目投资决策约束,获取模型重构函数,再将模型重构函数代入第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型,对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解,最后根据最优解获取效益期望最大的可再生能源项目投资组合。在上述技术方案中,通过模型重构函数将第一多阶段随机规划投资模型进行重构后,将第一多阶段随机规划投资模型中的非线性项进行了线性化处理,所生成的第二多阶段随机规划投资模型是一个线性的多阶段随机规划模型,以便简化求取该模型最优解的过程。同时,在求取最优解时,对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,使其服从马尔可夫链,并分阶段对该模型迭代分析以分别计算相应阶段的最优解,使得最优解的可靠性与准确性大幅度提升。此外,涉及连续随机过程的随机变量通过不确定性建模来实现,考虑了随机变量的时序特征,从而保证了随机抽样时各阶段的独立性,进而有助于上述马尔可夫链的构建,进一步降低模型求解的复杂度。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明的一个实施例的计算设备100的结构框图;
图2示出了根据本发明的一个实施例的可再生能源项目投资组合优化技术方法200的流程图;以及
图3示出了根据本发明的一个实施例的可再生能源项目投资组合优化装置300的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为在操作系统上利用程序数据124进行操作。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等,也可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中,计算设备100被配置为执行根据本发明的可再生能源项目投资组合优化技术方法200。应用122包括根据本发明的可再生能源项目投资组合优化装置300。
图2示出了根据本发明一个实施例的可再生能源项目投资组合优化技术方法200的流程图。可再生能源项目投资组合优化技术方法200适于在计算设备(例如图1所示的计算设备100)中执行。
如图2所示,方法200始于步骤S210。在步骤S210中,建立第一多阶段随机规划投资模型,第一多阶段随机规划投资模型包括为获取最大项目投资效益期望而构建的目标函数。根据本发明的一个实施例,在建立第一多阶段随机规划投资模型时,为了简化建模过程,保证模型可求解,进行了如下假设:
1.模型中不考虑可再生电厂以及系统中的运行决策,认为不存在可再生能源弃电问题,即可再生能源的发电量只与可再生一次能源的可用量有关。
2.模型假定价格数据属于一个电力市场。
3.假定投资者一旦确认合同份额,那么在未来的交易中不会进行变更。
在上述假设下,允许每个投资商对某一电厂的进行部分投资。因为在实际的大型基础设施的投资过程中,该项目可能由多个投资主体共同投资,单一投资主体只承担部分投资任务。
投资阶段t以年为周期,令t=1,…,T,目标函数以如下公式确定:
s.t.yt∈Yt
Yt:={yt∈Rn+1:Dqt≤dTrt,0≤rt≤1,0≤qt}
xt∈{0,1}
其中,表示求期望值,at为项目固定投资成本净现值系数,ct为短期电力市场参与收益系数,xt为投资的0-1决策变量,ρc为折现率,b为项目建设周期,l为时间调整参数,rt为项目购买份额,qt为合同电量占可用容量的比例,D=d1+…+dn,dT为向量(d1,…,dn),dj为第j个可再生能源项目的容量因子,j=1,…,n,n为可再生能源项目的数量。则Dqt(合同容量×售出比率)表示长期电量合同售出容量,从Yt的表达式可知,Dqt的值具有约束上限约束,即不能超过可再生能源项目总的投资容量。
对于式(1)而言,其主要包括两部分,第一部分为项目固定的投资成本和收益,即项目初期的投资成本和长期合同售电收入,第二部分为项目变动成本和收益,主要为项目目标电厂在短期电力市场中的购售电效益。进一步地,一旦合同签订,某一电厂短期电力市场的参与效益可表示为
其中rj t为投资者在第j个投资项目中购买的份额,为第j个投资项目τ月内可再生能源发电量。
因此,可以推导出项目投资的短期电力市场收益系数ct的向量表达形式。进而可以根据下述公式确定at和ct:
其中,ζ为折现到项目投资初始年的年净现值,ft为长期合同电价,v为向量(v1,…,vn),hτ为τ月内的小时数,Pτ为τ月中短期市场的节点价格,Eτ为τ月内可再生能源发电量,τ=1,…,12。并且,可再生能源每月所发电量Eτ以及短期电力市场交易价格Pτ都是随机变量。
但是,从式(1)及用于确定式(1)中各参数的表达式可看出,所构建的第一第一多阶段随机规划投资模型是非线性的,难以求解,因此需要对其进行重构以便最优解的求取。
随后,进入步骤S220,根据项目投资决策约束,获取模型重构函数。根据本发明的一个实施例,项目决策约束以如下公式确定:
zt=xt+zt-1 (2)
其中,zt为0-1变量,当zt=1时表示在时间t或时间t之前进行投资决策,反之,zt=0。这是因为xt和zt均为0-1变量,如果zt-1=1,则必有xt=0,zt=1。式(2)可以保证对于某一项目如果某一时段xt一旦取1,那么后续时段xt均为零。
在该实施方式中,可以根据如下方法获取模型重构函数。先获取模型重构约束条件,模型重构约束条件以如下公式确定:
其中,当项目在时间t决定投资时,yt≤1,在投资完成之前,yt=0。再根据项目投资决策约束和模型重构约束条件,获取模型重构函数。对式(3)而言,如果项目在某一时间决定投资,那么需保证yt≤1(即qt≤1和rt≤1),但是投资完成之前yt=0。在规划年最后一年,投资商将不再进行新的可再生能源项目投资,此时xT=0。因此,可以得到对于所有t,均有:
xtyt=yt-yt-1 (4)
如式(4)所示,模型重构函数即为xtyt=yt-yt-1。
在步骤S230中,将模型重构函数代入第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型。根据本发明的一个实施例,将式(4)代入式(3),假设项目的生命周期为T+l-1,且忽略项目投资决策周期,当项目建设周期b=1时,得到第二多阶段随机规划投资模型如下所示:
如式(5)所示,第二多阶段随机规划投资模型为线性的多阶段随机规划模型。由于可再生能源每月所发电量Eτ以及短期电力市场交易价格Pτ的不确定性,上述优化(即效益最大化)是在满足可行性约束(非预期)策略下进行的。在式(5)中,决策变量(xt,yt,zt)=(xt(ξ[t]),yt(ξ[t]),zt(ξ[t])),为ξ[t]=(ξ1,…,ξt)的函数,ξt为连续随机过程,且当t=1,…,T-1时,ξt:=(P12(T-1)+1,...,P12t,E12(T-1)+1,...,E12t),当t=T时,ξT:=(P12(T-1)+1,...,P12(T+l-1),E12(T-1)+1,...,E12(T+l-1))。当t=1时,ξ1是已知的。
在对第二多阶段随机规划投资模型进行求解时,由于可能的场景数量太多,基于场景枚举的数值方法将会造成计算维数灾难,因此在求取最优解时应在保证结果准确性的基础上简化求解过程。
在步骤S240中,对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解。根据本发明的一个实施例,可以通过随机对偶动态规划算法(SDDP)对上述模型进行求解。
通过SDDP对上述问题进行求解,第一步需要对目标函数中的连续随机过程ξt进行离散化处理,本文将采用蒙特卡洛算法对上述随机过程进行抽样。即通过抽取场景,利用样本平均近似(Sample Average Approximation,SAA)方法对SDDP问题中的“预期成本”函数进行近似。由于在随机对偶动态规划算法中要求数据序列是阶段间不相关的,从而使得“预期成本”的期望值不依赖于模型所需的输入数据序列。如果所输入的随机数据序列是阶段间相关的,那么在SDDP做“预期成本”函数线性近似式,优化模型的凸性将无法得到保证。
因此,本文中我们假设随机过程{ξt}服从马尔可夫链,也就是说对于每一个t=2,…,T,已知ξ[t-1]的ξt的条件分布与已知ξt-1的ξt的条件分布一致。本文中通过马尔可夫链对上述马尔可夫过程进行描述,从而通过一系列SDDP迭代过程实现对上述离散情景下的“期望成本”函数进行线性化的近似表示。该方法的关键在于确定马尔可夫链的状态转移。一个特例是当随机数据序列{ξt}是阶段独立时,随机向量ξt和ξ[t-1]相互独立,因此成本系数是ξt和ξt-1的函数。在此情况下,由于分段独立,能够生成一个具有等可能转移概率的马尔科夫链,从而使得每个离散阶段都有一个对应的“预期成本”函数。
基于上述考虑,在该实施方式中,先将第二多阶段随机规划投资模型中的连续随机过程ξt进行离散化处理,连续随机过程ξt服从马尔可夫链,再对根据时间t分阶段构造与第二多阶段随机规划投资模型对应的最优决策模型,进而分别求取最优解。
首先,当t=T时,将第二多阶段随机规划投资模型转换为第一阶段最优决策模型,根据本发明的一个实施例,此时xT=0,由式(4)可得第一最优决策模型为:
s.t.yT∈YT
zT=zT-1
yT≤zT
yT≥yT-1
yT≤yT-1+1-zT-1
第一最优决策模型的最优解取决于随机向量ξT和决策变量yT-1、zT-1的取值,将该最优解表示为Qt(yT-1,zT-1,ξT)。注意到最优解可以一般地用线性表示∑T+l-1 t=Tc ┬tyT-1(1+ρc)T-t进行估计,则对第一最优决策模型,即式(6)及相关约束条件求解得到对应的第一最优解为yT=yT-1。
当t=T-1,…,2时,基于第二多阶段随机规划投资模型,倒序向前构造各时间t的第二阶段最优决策模型,根据本发明的一个实施例,由式(4)可得第二最优决策模型为:
s.t.yt∈Yt
zt=xt+zt-1
yt≤zt
yt≥yt-1
yt≤yt-1+1-zt-1
xt,zt∈{0,1}
其中,E[·|ξt]表示对应的条件期望值,对该模型求解得到对应的第二最优解。
当t=0时,将第二多阶段随机规划投资模型转换为第三阶段最优决策模型,根据本发明的一个实施例,此时z0=0,由式(4)可得第三最优决策模型为:
s.t.y1∈Y1
z1=x1
y1≤z1
x1∈{0,1}
对第三最优决策模型,即式(8)及相关约束条件求解得到对应的第三最优解为。
由于假设数据过程为马尔可夫过程,“期望成本”函数Qt(yt-1,zt-1,ξt)和其期望值函数Qt+1(yt,zt,ξt)只取决于ξt而非整个时间段的ξ[t]。当ξ是阶段性独立的特殊情况下,中的条件期望值可以用相应的非条件期望值替换,同时,相应的期望值函数Qt+1(yt,zt)也不取决于随机的输入数据序列。
随机对偶动态规划算法的基本思想是在算法的每次迭代中通过向后迭代,通过阶段优化的对偶问题对前一阶段的优化问题的“期望成本”函数进行近似。在分段独立的前提下,如果每阶段生成一组Nt=N个样本点,随机双重动态规划算法后退步骤(应用于相应的样本均值近似值问题)需要每次迭代求解N×(T-1)个线性规划问题。当必须采取马尔科夫链近似法,那么必须给每个阶段构建一个“期望成本”函数,在这种情况下,迭代需要进行N2×(T-1)次操作。整个随机对偶动态规划理论的计算复杂性取决于状态变量的数量,并通常依据阶段的数量呈线性增长。对于合理数量的状态变量,可以使用随机对偶动态规划算法解决它。
在实际求取最优解的过程中,还需要可考虑月发电量Ej τ,短期市场价格Pτ和年合同电量价格ft这三个随机变量,接下来将根据式(4)及其相关的约束条件,对这三个随机变量的不确定建模方法进行说明。
根据本发明的一个实施例,选取随机优化框架来建立不同二级市场涌水量(平均进水量)的不确定性模型。代理商之间共享长期模型和相应的数据,对所有市场代理商定期提供的“数据套餐”,其中包含运行该模型所需的所有数据。通过2000条模拟路径对每月的来水量进行描述,表示为Ik τ,k为二级市场的序数,τ为月数,Pτ为短期电力市场的现货价格。
对于某一可再生能源发电厂,其发电量是由电厂容量和可用的具有随机性的自然资源共同确定的。风力发电厂依赖于他们所处地理位置上的风速状况,在对风速进行时序建模时,月平均风速是预测发电量的重要组成部分。当前的研究,一般认为每小时的风速大小通常近似于韦伯分布的概率密度,其中韦伯分布的均值等于月平均风速。因此,本文风电场每月的发电量由预测的风速曲线以及对应风机的风速-出力函数确定。为简化模型,对于风电场,本文采用每月容量系数表示风力发电的情况。对于小水电,小型水电站通常只有一个小型水库,甚至没有水库,因此,其发电量是通过来水量和具体发电厂的水头(落差高度)来确定。
考虑到每月现货价格模拟路径和的可再生能源发电厂发电之间可能存在的相关性,本文通过模拟风电容量系数和自然来水量作为向量自回归(VAR)过程,因为本文中所选取的电力市场电价主要由水电站报价决定,风电报零价,按照市场出清价格结算,因此,构建风电出力与自然来水量的自回归关系函数,可以保证风电发电量与短期市场价格之间的相关关系。因此,对任意自回归过程都有自身自然条件和二级市场的自然来水量确定。对于一个给定的发电厂j=1,…,n,每月的容量系数Wj τ(风电或水电)建模为
其中,Ik τ是市场k在月期τ内的自然来水量,φj t和ηj ik是自回归系数。δiτ是一个虚拟变量,在i-th月为1其他为零,即τ=i+12l,l=0,1,…时,δiτ=1,其他情况δiτ=0。假设误差εj τ服从正态分布N(0,σ2 j),并相互独立。基于此,构建可再生能源电厂自回归过程,即式(9)以月为单位共持续10年,即τ=1,…,120。流入数据Ik τ汇总到k=1,…4个独立的二级市场(按地理区域)。本文中假设j=1,2表示系统中存在两类可再生能源电厂,分别为风力发电厂和水电厂。
进而,作为模型的输入变量,可再生能源发电厂的月度发电量可由下式表示:
其中,[a]+=max{a,0},hτ是时间τ内总的小时数,Cj是发电厂j的额定容量,к=ηgФ,其中η是落差高度,g是重力加速度,Ф是效率因子。式(9)的线性模型可能出现Wj τ为负的情况,利用式(10)中的[·]+截断数据以保证结果非负。
在如式(9)所示的模型中,Wj τ为自回归过程,因此,即使假设的流入过程Ik τ分段独立,过程Wj τ和Ej τ也不是分段独立的,然而,当将月合计为年时可以合理地将ξt建模为一个分段独立过程。利用式(9)可以通过对公开的2000个样本路径流入数据的随机的抽样生成Wj τ的一个随机样本。
对于短期电力市场价格Pτ的抽样,采用阶段独立与阶段相关两类抽样方法。在独立方法中,从公开数据中选取了2000个不同的样本路径,主要包括在年限t=1,…T+l-1内每月的电能输出Pτ,以及每个二级市场k=1,2,3,4的自然来水量Ik τ。在非独立方法中,将现货价格Pτ建模为输入数据Ikτ的函数。对给定年期t中的每个月份的Pτ,其中τ=1,…12,其回归模型可表示为:
其中βk iτ是对不同二级市场k中自然来水量的回归系数,Iτ={τ,τ-1,…}为一个指标集,对应过去一年内对于自然来水量的数据观测结果。该模型在调整R2后具有较好的拟合结果。
对于长期的合同电价,可由短期市场价格的期望值与相应的市场风险溢价表示。在给定利率的条件下,到期时间为τ的远期价格ft(τ)在时间t可表示为:
ft(τ):=Et[Pτ]+λt(τ)
其中,Et[·]表示在时刻t给定信息的条件期望,λt(τ)是一个与合约ft(τ)相关的风险溢价。
不考虑合约的期限,认为长期的合同电价能够在电厂的全寿命周期内保持基本不变,则如果合约从t时间起按月交付l年,则可以由下式表示:
综上所述,上述随机模型是以月为时间单位的马尔可夫过程,并对2000个公开可用的模拟路径进行随机抽样。假设{ξt}是阶段独立的,并满足随机对偶动态规划要求,进而建立SAA,并得到良好收益的投资策略。但是数值结果显示,在风险规避的情况下此模型无法提供所需要的策略。在非独立方法中,基于当年和上一年的自然来水量,对现货价格进行建模。基于上述的数据回归结果,能够保证不同情景之间的独立假设,但是在情景构建过程中考虑了上述随机变量的时序特征,从而保证了情景抽样的阶段独立性,使模型能够使用等概率的过渡矩阵来构建马尔可夫链,进而使用SDDP算法对上述模型进行求解。
最后,执行步骤S250,根据最优解获取效益期望最大的可再生能源项目投资组合。根据本发明的一个实施例,根据时间t的取值,将得到的最优解代入其对应的最优决策模型,即可获取效益期望最大的可再生能源项目投资组合。
为获取上述决策模型的最终效果,在风险中性以及风险规避的条件下,分别对使用阶段独立和阶段相关方法抽样情景后的模型的计算结果进行了分析。所有数值试验使用GUROBI 5.6和3.13AIMMS在英特尔酷睿i7-4500uCPU@1.8Ghz,8GB的RAM运行64位Windows中进行。风电项目和小水电项目分别表示为WP和SH。表1给出了仿真的相关参数。
表1
基于表1中的参数,根据上述最优决策模型,得出风险中性条件下不同样本均值近似情形的独立模型结果、风险中性条件下不同样本均值近似情形的非独立模型结果、风险规避条件下独立风险规避模型的结果和风险规避条件下非独立风险规避模型的结果,其具体数据分别如表2、表3、表4和表5所示。其中,每阶段样本M=10。
表2
表3
表4
表5
其中,对于风险规避的投资者,通过式(11)对项目投资风险进行建模:
其中,AV@Rα,α∈(0,1)为平均风险价值(也被认为是条件风险价值或期望损失)风险度量,λ∈(0,1)。AV@Rα通常在缺失随机变量的条件下确定,在这里简便地把它定义为利润随机变量Z的满意度或效用函数测量:
其中[α]_=min{0,α},V@Rα[Z]:=inf{t:FZ(t)≥α}和FZ(·)为随机变量Z的累积分布函数。将式(11)与式(6)、(7)和(8)结合,可得:
其中,风险衡量的条件模拟即为:
综上所述,在市场条件下,可再生能源的投资存在着发电量和电价波动的双重风险,本章通过基于动态随机规划方法提出了可再生能源项目投资的最优策略决策模型。首先提出了多阶段随机规划投资模型,并进行算法分析,进而根据马尔可夫理论对存在不确定性的发电量、电价进行随机过程建模,最后根据某电力市场实际情况进行数据分析。
结果表明,无论风险如何,投资者一般会同意推迟投资,风险承受能力越高,签订远期合约的金额就越低,且风险厌恶者能够通过签订一些远期合约来减少现金流的不确定性。在实际的可再生能源投资中,投资者还需要对远期合约的风险溢价进行评估,同时考虑当前的市场结构及自身的风险偏好。
图3示出了本发明一个实施例的可再生能源项目投资组合优化装置300的示意图。如图3所示,可再生能源项目投资组合优化装置300包括建立模块310、第一获取模块320、生成模块330、计算模块340和第二获取模块350。
建立模块310适于建立第一多阶段随机规划投资模型,第一多阶段随机规划投资模型包括为获取最大项目投资效益期望而构建的目标函数。投资阶段t以年为周期,令t=1,…,T,建立模块进一步适于按照如下公式构建目标函数:
s.t.yt∈Yt
Yt:={yt∈Rn+1:Dqt≤dTrt,0≤rt≤1,0≤qt}
xt∈{0,1}
其中,表示求期望值,at为项目固定投资成本净现值系数,ct为短期电力市场参与收益系数,xt为投资的0-1决策变量,ρc为折现率,b为项目建设周期,l为时间调整参数,rt为项目购买份额,qt为合同电量占可用容量的比例,D=d1+…+dn,dT为向量(d1,…,dn),dj为第j个可再生能源项目的容量因子,j=1,…,n,n为可再生能源项目的数量。建立模块310在构建的目标函数中,进一步适于根据如下公式确定at和ct:
其中,ζ为折现到项目投资初始年的年净现值,ft为长期合同电价,v为向量(v1,…,vn),hτ为τ月内的小时数,Pτ为τ月中短期市场的节点价格,Eτ为τ月内可再生能源发电量,τ=1,…,12。
第一获取模块320适于根据项目投资决策约束,获取模型重构函数。其中,项目决策约束以如下公式确定:
zt=xt+zt-1
其中,zt为0-1变量,当zt=1时表示在时间t或时间t之前进行投资决策,反之,zt=0。第一获取模块320进一步适于获取模型重构约束条件,模型重构约束条件以如下公式确定:
其中,当项目在时间t决定投资时,yt≤1,在投资完成之前,yt=0;根据项目投资决策约束和模型重构约束条件,获取模型重构函数,模型重构函数为xtyt=yt-yt-1。
生成模块330分别与建立模块310和第一获取模块320相连,适于将所述模型重构函数代入所述第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型。当项目建设周期b=1时,生成模块330进一步适于按照如下公式生成第二多阶段随机规划投资模型:
其中,决策变量(xt,yt,zt)=(xt(ξ[t]),yt(ξ[t]),zt(ξ[t])),为ξ[t]=(ξ1,…,ξt)的函数,ξt为连续随机过程,且当t=1,…,T-1时,ξt:=(P12(T-1)+1,...,P12t,E12(T-1)+1,...,E12t),当t=T时,ξT:=(P12(T-1)+1,...,P12(T+l-1),E12(T-1)+1,...,E12(T+l-1))。
计算模块340与生成模块330相连,适于对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解。计算模块340进一步适于计算模块进一步适于将第二多阶段随机规划投资模型中的连续随机过程ξt进行离散化处理,连续随机过程ξt服从马尔可夫链;当t=T时,将第二多阶段随机规划投资模型转换为第一阶段最优决策模型,第一最优决策模型表示为对该模型求解得到对应的第一最优解;当t=T-1,…,2时,倒序向前构造各时间t的第二阶段最优决策模型,第二最优决策模型表示为其中,对该模型求解得到对应的第二最优解;当t=0时,将第二多阶段随机规划投资模型转换为第三阶段最优决策模型,第三最优决策模型表示为对该模型求解得到对应的第三最优解。
第二获取模块350与计算模块340相连,适于根据最优解获取效益期望最大的可再生能源项目投资组合。
关于可再生能源项目投资组合优化的具体步骤以及实施例,在基于图2的描述中已经详细公开,此处不再赘述。
现有的可再生能源投资面临很多的不确定性,实物期权以及随机规划理论作为研究上述问题的主要方法,均存在一定的局限性。实物期权注重考虑投资问题长期的动态过程,往往会对问题中的不确定性进行简化,而随机规划受限于问题计算规模,往往不能全面的考虑投资问题中长期的动态过程。根据本发明实施例的可再生能源项目投资组合优化的技术方案,首先建立第一多阶段随机规划投资模型,并根据项目投资决策约束,获取模型重构函数,再将模型重构函数代入第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型,对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解,最后根据最优解获取效益期望最大的可再生能源项目投资组合。在上述技术方案中,通过模型重构函数将第一多阶段随机规划投资模型进行重构后,将第一多阶段随机规划投资模型中的非线性项进行了线性化处理,所生成的第二多阶段随机规划投资模型是一个线性的多阶段随机规划模型,以便简化求取该模型最优解的过程。同时,在求取最优解时,对第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,使其服从马尔可夫链,并分阶段对该模型迭代分析以分别计算相应阶段的最优解,使得最优解的可靠性与准确性大幅度提升。此外,涉及连续随机过程的随机变量通过不确定性建模来实现,考虑了随机变量的时序特征,从而保证了随机抽样时各阶段的独立性,进而有助于上述马尔可夫链的构建,进一步降低模型求解的复杂度。
A7.如A6所述的方法,所述对所述第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解的步骤包
将所述第二多阶段随机规划投资模型中的连续随机过程ξt进行离散化处理,所述连续随机过程ξt服从马尔可夫链;
当t=T时,将所述第二多阶段随机规划投资模型转换为第一阶段最优决策模型,所述第一最优决策模型表示为对该模型求解得到对应的第一最优解;
当t=T-1,…,2时,倒序向前构造各时间t的第二阶段最优决策模型,所述第二最优决策模型表示为其中,对该模型求解得到对应的第二最优解;
当t=0时,将所述第二多阶段随机规划投资模型转换为第三阶段最优决策模型,所述第三最优决策模型表示为对该模型求解得到对应的第三最优解。
B9.如B8所述的装置,投资阶段t以年为周期,令t=1,…,T,所述建立模块进一步适于按照如下公式构建所述目标函数:
s.t.yt∈Yt
Yt:={yt∈Rn+1:Dqt≤dTrt,0≤rt≤1,0≤qt}
xt∈{0,1}
其中,表示求期望值,at为项目固定投资成本净现值系数,ct为短期电力市场参与收益系数,xt为投资的0-1决策变量,ρc为折现率,b为项目建设周期,l为时间调整参数,rt为项目购买份额,qt为合同电量占可用容量的比例,D=d1+…+dn,dT为向量(d1,…,dn),dj为第j个可再生能源项目的容量因子,j=1,…,n,n为可再生能源项目的数量。
B10.如B9所述的装置,所述建立模块在构建的目标函数中,进一步适于根据如下公式确定at和ct:
其中,ζ为折现到项目投资初始年的年净现值,ft为长期合同电价,v为向量(v1,…,vn),hτ为τ月内的小时数,Pτ为τ月中短期市场的节点价格,Eτ为τ月内可再生能源发电量,τ=1,…,12。
B11.如B9或10所述的装置,所述项目决策约束以如下公式确定:
zt=xt+zt-1
其中,zt为0-1变量,当zt=1时表示在时间t或时间t之前进行投资决策,反之,zt=0。
B12.如B11所述的装置,所述第一获取模块进一步适于:
获取模型重构约束条件,所述模型重构约束条件以如下公式确定:
其中,当项目在时间t决定投资时,yt≤1,在投资完成之前,yt=0;
根据项目投资决策约束和模型重构约束条件,获取模型重构函数,所述模型重构函数为xtyt=yt-yt-1。
B13.如B12所述的装置,当项目建设周期b=1时,所述生成模块进一步适于按照如下公式生成第二多阶段随机规划投资模型:
其中,决策变量(xt,yt,zt)=(xt(ξ[t]),yt(ξ[t]),zt(ξ[t])),为ξ[t]=(ξ1,…,ξt)的函数,ξt为连续随机过程,且当t=1,…,T-1时,ξt:=(P12(T-1)+1,...,P12t,E12(T-1)+1,...,E12t),当t=T时,ξT:=(P12(T-1)+1,...,P12(T+l-1),E12(T-1)+1,...,E12(T+l-1))。
B14.如B13所述的装置,所述计算模块进一步适于:
将所述第二多阶段随机规划投资模型中的连续随机过程ξt进行离散化处理,所述连续随机过程ξt服从马尔可夫链;
当t=T时,将所述第二多阶段随机规划投资模型转换为第一阶段最优决策模型,所述第一最优决策模型表示为对该模型求解得到对应的第一最优解;
当t=T-1,…,2时,倒序向前构造各时间t的第二阶段最优决策模型,所述第二最优决策模型表示为其中,对该模型求解得到对应的第二最优解;
当t=0时,将所述第二多阶段随机规划投资模型转换为第三阶段最优决策模型,所述第三最优决策模型表示为对该模型求解得到对应的第三最优解。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间,以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的可再生能源项目投资组合优化技术方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种可再生能源项目投资组合优化技术方法,适于在计算设备中执行,所述方法包括:
建立第一多阶段随机规划投资模型,所述第一多阶段随机规划投资模型包括为获取最大项目投资效益期望而构建的目标函数;
根据项目投资决策约束,获取模型重构函数;
将所述模型重构函数代入所述第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型;
对所述第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解;
根据所述最优解获取效益期望最大的可再生能源项目投资组合。
2.如权利要求1所述的方法,投资阶段t以年为周期,令t=1,…,T,所述目标函数以如下公式确定:
s.t.yt∈Yt
Yt:={yt∈Rn+1:Dqt≤dTrt,0≤rt≤1,0≤qt}
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>&le;</mo>
<mn>1</mn>
</mrow>
xt∈{0,1}
其中,表示求期望值,at为项目固定投资成本净现值系数,ct为短期电力市场参与收益系数,xt为投资的0-1决策变量,ρc为折现率,b为项目建设周期,l为时间调整参数,rt为项目购买份额,qt为合同电量占可用容量的比例,D=d1+…+dn,dT为向量(d1,…,dn),dj为第j个可再生能源项目的容量因子,j=1,…,n,n为可再生能源项目的数量。
3.如权利要求2所述的方法,其中,根据如下公式确定at和ct:
<mrow>
<msub>
<mi>c</mi>
<mi>t</mi>
</msub>
<mo>:</mo>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>&tau;</mi>
<mo>=</mo>
<mn>12</mn>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>&tau;</mi>
<mo>=</mo>
<mn>12</mn>
<mi>t</mi>
</mrow>
</munderover>
<mo>-</mo>
<msub>
<mi>DP</mi>
<mi>&tau;</mi>
</msub>
<msub>
<mi>h</mi>
<mi>&tau;</mi>
</msub>
<mo>,</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>&tau;</mi>
<mo>=</mo>
<mn>12</mn>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>&tau;</mi>
<mo>=</mo>
<mn>12</mn>
<mi>t</mi>
</mrow>
</munderover>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>&tau;</mi>
</msub>
<msub>
<mi>h</mi>
<mi>&tau;</mi>
</msub>
<msub>
<mi>E</mi>
<mi>&tau;</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
其中,ζ为折现到项目投资初始年的年净现值,ft为长期合同电价,v为向量(v1,…,vn),hτ为τ月内的小时数,Pτ为τ月中短期市场的节点价格,Eτ为τ月内可再生能源发电量,τ=1,…,12。
4.如权利要求2或3所述的方法,所述项目决策约束以如下公式确定:
zt=xt+zt-1
其中,zt为0-1变量,当zt=1时表示在时间t或时间t之前进行投资决策,反之,zt=0。
5.如权利要求4所述的方法,所述根据项目投资决策约束,获取模型重构函数的步骤包括:
获取模型重构约束条件,所述模型重构约束条件以如下公式确定:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,当项目在时间t决定投资时,yt≤1,在投资完成之前,yt=0;
根据项目投资决策约束和模型重构约束条件,获取模型重构函数,所述模型重构函数为xtyt=yt-yt-1。
6.如权利要求5所述的方法,当项目建设周期b=1时,所述第二多阶段随机规划投资模型由下式得到:
其中,决策变量(xt,yt,zt)=(xt(ξ[t]),yt(ξ[t]),zt(ξ[t])),为ξ[t]=(ξ1,…,ξt)的函数,ξt为连续随机过程,且当t=1,…,T-1时,ξt:=(P12(T-1)+1,...,P12t,E12(T-1)+1,...,E12t),当t=T时,ξT:=(P12(T-1)+1,...,P12(T+l-1),E12(T-1)+1,...,E12(T+l-1))。
7.一种可再生能源项目投资组合优化装置,适于驻留在计算设备中,所述装置包括:
建立模块,适于建立第一多阶段随机规划投资模型,所述第一多阶段随机规划投资模型包括为获取最大项目投资效益期望而构建的目标函数;
第一获取模块,适于根据项目投资决策约束,获取模型重构函数;
生成模块,适于将所述模型重构函数代入所述第一多阶段随机规划投资模型的目标函数,以生成第二多阶段随机规划投资模型;
计算模块,适于对所述第二多阶段随机规划投资模型中的连续随机过程进行离散化处理,并进行分阶段迭代分析以计算最优解;
第二获取模块,适于根据所述最优解获取效益期望最大的可再生能源项目投资组合。
8.一种计算设备,包括如权利要求7所述的可再生能源项目投资组合优化装置。
9.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711367728.8A CN107944640A (zh) | 2017-12-18 | 2017-12-18 | 一种可再生能源项目投资组合优化技术方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711367728.8A CN107944640A (zh) | 2017-12-18 | 2017-12-18 | 一种可再生能源项目投资组合优化技术方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944640A true CN107944640A (zh) | 2018-04-20 |
Family
ID=61940760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711367728.8A Pending CN107944640A (zh) | 2017-12-18 | 2017-12-18 | 一种可再生能源项目投资组合优化技术方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944640A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947545A (zh) * | 2019-03-11 | 2019-06-28 | 重庆邮电大学 | 一种基于用户移动性的任务卸载及迁移的决策方法 |
CN111815087A (zh) * | 2019-04-11 | 2020-10-23 | 中国石油化工股份有限公司 | 一种预探项目投资决策方法 |
CN116720448A (zh) * | 2023-08-09 | 2023-09-08 | 长江三峡集团实业发展(北京)有限公司 | 一种风力发电随机模拟方法、装置、设备及介质 |
-
2017
- 2017-12-18 CN CN201711367728.8A patent/CN107944640A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947545A (zh) * | 2019-03-11 | 2019-06-28 | 重庆邮电大学 | 一种基于用户移动性的任务卸载及迁移的决策方法 |
CN111815087A (zh) * | 2019-04-11 | 2020-10-23 | 中国石油化工股份有限公司 | 一种预探项目投资决策方法 |
CN116720448A (zh) * | 2023-08-09 | 2023-09-08 | 长江三峡集团实业发展(北京)有限公司 | 一种风力发电随机模拟方法、装置、设备及介质 |
CN116720448B (zh) * | 2023-08-09 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种风力发电随机模拟方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Philpott et al. | Equilibrium, uncertainty and risk in hydro-thermal electricity systems | |
Nanduri et al. | A reinforcement learning model to assess market power under auction-based energy pricing | |
CN107230004A (zh) | 一种可再生能源项目投资组合优化方法、装置及计算设备 | |
Shayesteh et al. | Multi-station equivalents for short-term hydropower scheduling | |
Silva et al. | Generation of realistic scenarios for multi-agent simulation of electricity markets | |
Mathur et al. | Optimal bidding strategy for price takers and customers in a competitive electricity market | |
Tartibu et al. | Forecasting net energy consumption of South Africa using artificial neural network | |
CN107944640A (zh) | 一种可再生能源项目投资组合优化技术方法及装置 | |
Santos et al. | Enabling communications in heterogeneous multi-agent systems: electricity markets ontology | |
Aziz | Optimizing strategy software for repetitive construction projects within multi-mode resources | |
Liu et al. | Flexible time horizon project portfolio optimization with consumption and risk control | |
US20220027990A1 (en) | Trading schedule management system | |
Ramirez et al. | The short-term hydrothermal coordination via genetic algorithms | |
Liu et al. | Interpretable hybrid experimental learning for trading behavior modeling in Electricity Market | |
Kronqvist et al. | Alternating mixed-integer programming and neural network training for approximating stochastic two-stage problems | |
Alcántara et al. | A neural network-based distributional constraint learning methodology for mixed-integer stochastic optimization | |
Arabali et al. | Private investor-based transmission expansion planning in deregulated environments | |
Yuan | Simulation–optimization mechanism for expansion strategy using real option theory | |
Govender et al. | Short-term load forecasting using artificial neural networks and multiple linear regression | |
NAPITUPULU | Artificial neural network application in gross domestic product forecasting an Indonesia case | |
Chatzidimitriou et al. | Enhancing agent intelligence through evolving reservoir networks for predictions in power stock markets | |
Kong et al. | Parameter reduction in fuzzy soft set based on whale optimization algorithm | |
Jafari Aminabadi et al. | Short-term hydropower optimization in the day-ahead market using a nonlinear stochastic programming model | |
Barbieri et al. | DEVS Modeling and Simulation of Financial Leverage Effect Based on Markov Decision Process | |
Tang et al. | Selection of funding schemes by a borrowing decision model: a Hong Kong case study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180420 |
|
WD01 | Invention patent application deemed withdrawn after publication |