CN108182507A - 一种计及不确定性的售电商最优电价决策方法 - Google Patents

Abstract

本发明涉及一种计及不确定性的售电商最优电价决策方法，包括步骤：1、根据售电商与发电商签订的双边合同、与电力用户签订的售电合同以及在现货市场中进行的电能交易，得到售电商预期收益；2、采用CVaR作为风险度量方法，建立以售电商预期收益最大和风险损失最小为目标的上层售电商最优决策模型；3、建立电力用户在保证舒适度的情况下用电成本最小为目标的下层用户需求响应决策模型；4、求解包含上层售电商最优决策模型和下层用户需求响应决策模型的双层规划模型，通过迭代交替法得到最优电价决策。与现有技术相比，本发明真实反映出售电商策略与用户用电消费决策行为之间的主从博弈关系，使得电价决策行为更加科学合理。

Description

一种计及不确定性的售电商最优电价决策方法

技术领域

本发明涉及电力市场与经济领域，尤其是涉及一种计及不确定性的售电商最优电价决策方法。

背景技术

长期以来，电力市场的研究多集中于发电侧，对售电侧的关注度较低。目前，国内外在对于电力零售侧方面的研究主要集中在零售市场构建模式、市场化改革、销售电价体系等几个方面。有关售电商运营与决策的研究鲜少，有以下两种方法：

(1)基于风险价值理论(VaR)的售电公司购售电决策

在双边交易价格随着购电量变化情况下，考虑不同购、售电合同对售电公司收益和风险的影响，以及不同售电公司的风险承受能力，构建了购售电的最优决策模型。但是不考虑用电计划与实时之间的差异，即不考虑平衡市场的成本支出；以均一电价和保底封顶电价为主的营销体系，没有考虑价格变化对用户需求的影响建模。

(2)售电公司平衡市场优化交易

以可中断负荷/电量收购和关键负荷电价两类需求响应项目参与平衡市场，以售电公司收益最大、风险损失最小为上层目标，以用户满意度最大为下层目标的双层规划模型。但只是设计需求响应参与平衡市场的交易策略，没有揭示售电商定价决策与用户用电需求行为决策之间的互动博弈关系。

上述两种方法均存在两个问题：第一就是没有揭示售电商定价决策与用户用电需求行为决策之间的互动博弈关系，没考虑零售电价改变后用户用电舒适度要求；第二个就是没有考虑在需求不平衡时，售电商在现货市场中面临价格的不确定性，存在较大的风险。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种计及不确定性的售电商最优电价决策方法。

本发明的目的可以通过以下技术方案来实现：

一种计及不确定性的售电商最优电价决策方法，包括以下步骤：

S1、根据售电商与发电商签订的双边合同、与电力用户签订的售电合同以及在现货市场中进行的电能交易，得到售电商预期收益；

S2、采用CVaR作为风险度量方法，建立以售电商预期收益最大和风险损失最小为目标的上层售电商最优决策模型；

S3、建立电力用户在保证舒适度的情况下用电成本最小为目标的下层用户需求响应决策模型；

S4、求解包含上层售电商最优决策模型和下层用户需求响应决策模型的双层规划模型，通过迭代交替法得到最优电价决策。

优选的，所述售电商预期收益具体为：

P_r＝P_in-C_f-C_d-C_p

其中，P_in表示售电商通过将电能出售给电力用户获得的售电收入，C_f表示售电商通过双边合同购电产生的成本，C_d表示售电商通过参与日前市场产生的成本，C_p表示售电商参与实时市场交易产生的成本。

优选的，所述售电商参与实时市场交易产生的成本C_p具体为：

其中，ω为现货市场电能价格的第ω个场景，π(ω)表示第ω个场景发生的概率，λ_p,t(ω)表示ω场景中第t时段的现货市场电能价格，表示第ω个场景中在第t时段售电商出售给电力用户的电量，P_f,t表示售电商与发电商之间在第t用电时段的电能交易量，P_d,t表示售电商在第时段t从日前市场购入的电能，T表示总决策周期设。

优选的，所述售电商的风险损失具体为：

其中，β为置信度，表示当置信度为β时，在最坏情况下售电商损失利益超过预期损失的概率不超过(1-β)×100％；R_Var,β为计算R_CVar,β的辅助变量，(f(ω)-R_Var,β)⁺表示max(0,(f(ω)-R_Var,β))，f(ω)表示交易损失函数，具体为：

f(ω)＝P_r-P_r(ω)

其中，P_r表示售电商预期收益，P_r(ω)表示售电商在现货市场电能价格在第ω个场景的预期收益。

优选的，所述上层售电商最优决策模型的目标函数为：

maxF＝P_r-ρ·R_CVar,β

其中，ρ表示风险规避因子，其值越小表示越接受风险。

优选的，所述上层售电商最优决策模型的约束条件为：

其中，λ_H表示售电商提供的交易电价的最大值,λ_AVG表示一天内售电商提供的交易电价的平均值，λ_se,t表示售电商所制定的在第t时段用电的售电电价，λ_se,p表示售电商定价决策中的峰时价格，λ_se,v表示售电商定价决策中的谷时价格，T_P表示峰时时段，T_V表示谷时时段。

优选的，所述下层用户需求响应决策模型的目标函数为：

minf＝C¹+α·C²

其中，α表示用户用电决策中的舒适度权重，其值越大表示用户对舒适度要求越高；C¹为用户用电成本：

其中，ω为现货市场电能价格的第ω个场景，π(ω)表示第ω个场景发生的概率，与分别表示在每个场景ω中电力用户的可控负荷量与不可控负荷量；C²为用户用电舒适度：

其中，表示峰谷电价实施前用户在第t个时段的用电量。

优选的，所述所述下层用户需求响应决策模型的目标函数为：

优选的，所述上层售电商最优决策模型采用遗传算法进行求解，下层用户需求响应决策模型采用非线性规划方法进行求解。

优选的，所述步骤S4具体为：

将下层用户需求响应决策模型求解结果嵌套于上层售电商最优决策模型求解过程的每次迭代中，当下层用户需求响应决策模型求解结果收敛时，上层售电商最优决策模型根据其给出的最优解调整本代种群适应度，并继续迭代，当两层模型求解结果同时收敛并达到上层售电商最优决策模型的最大迭代次数时，迭代终止，得到最优电价决策。

与现有技术相比，本发明具有以下优点：

1、考虑用户需求不确定性以及用户舒适度、售电商面临现货市场不确定性、售电商策略决策行为与用户用电需求决策行为的博弈过程，考虑全面，真实反映出售电商策略与用户用电消费决策行为之间的主从博弈关系，使得电价决策行为更加科学合理，。

2、采用CVaR方法能够度量投资组合超过给定最大可接受损失部分的期望值，更适用于本方法中的组合优化问题。

3、采用遗传算法求解上层售电商最优决策模型，具有不受非凸性及不可微性等因素限制的优势。

附图说明

图1为本发明实施例中售电商购售电决策行为的简化示意图；

图2为本发明实施例中双层规划模型图；

图3为本发明实施例中不同风险偏好下峰谷电价变化；

图4为本发明实施例中不同风险偏好下预期收益与风险损失的变化；

图5为本发明实施例中寻优迭代过程中双方决策行为的相互影响关系图；

图6为本发明实施例中不同舒适度系数α下双方决策行为结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

一种计及不确定性的售电商最优电价决策方法，考虑用户需求不确定性以及用户舒适度、售电商面临现货市场不确定性、考虑售电商策略决策行为与用户用电需求决策行为的博弈过程，采用应用斯坦伯格博弈论理论，上层应用条件风险价值方法CVaR和非线性随机规划理论，构建了计及多种因素的售电商行为策略决策模型；考虑下层引入需求侧舒适度，构建了用户用电需求决策行为模型；最后构建构建用户互动式运行的双层规划模型，得到最优结果。具体包括以下步骤：

S1、根据售电商与发电商签订的双边合同、与电力用户签订的售电合同以及在现货市场中进行的电能交易，得到售电商预期收益；

S2、采用CVaR作为风险度量方法，建立以售电商预期收益最大和风险损失最小为目标的上层售电商最优决策模型；

S3、建立电力用户在保证舒适度的情况下用电成本最小为目标的下层用户需求响应决策模型；

S4、求解包含上层售电商最优决策模型和下层用户需求响应决策模型的双层规划模型，通过迭代交替法得到最优电价决策。

售电商预期收益具体为：

P_r＝P_in-C_f-C_d-C_p

其中，P_in表示售电商通过将电能出售给电力用户获得的售电收入，C_f表示售电商通过双边合同购电产生的成本，C_d表示售电商通过参与日前市场产生的成本，C_p表示售电商参与实时市场交易产生的成本。

将总决策周期设为T，并将T划分为峰时时段T_P以及谷时时段T_V，售电商通过将电能出售给电力用户获得的售电收入P_in为：

其中，D_t,a表示在第t时段电力用户所消耗的用电量，其值取决于下层函数中用户用电需求的行为决策；λ_se,t表示售电商所制定的在第t时段用电的售电电价，当t∈T_P时，λ_se,t为定价决策中的峰时价格λ_se,p；当t∈T_V时，λ_se,t为定价决策中的谷时价格λ_se,v。

在双边合同中，售电商与发电商以某一固定电价与发电商就某一负荷曲线签订购电合同。设签订了M笔双边合同，总决策周期为T，其中包括峰时时段T_P以及谷时时段T_V。故售电商通过双边合同购电产生成本C_f为：

式中，P_f,t表示售电商与发电商之间在第t用电时段的电能交易量，λ_f,t表示售电商与发电商之间在第t用电时段的电能交易价格，δ_m,t为0～1变量，若在第t个时段，售电商通过双边合同m进行购电，则δ_m,t＝1，否则，δ_m,t＝0。

当总决策周期为T时，售电商通过参与日前市场产生的成本C_d为：

式中，P_d,t表示售电商在第时段t从日前市场购入的电能，λ_d,t表日前市场在时段t的电能价格。

实时市场电能价格难以准确预测，具有不确定性，故现货市场的电能价格由多场景法表述，每个场景由一组现货市场价格及其发生概率构成。售电商参与实时市场交易的成本C_p具体为：

其中，ω为现货市场电能价格的第ω个场景，π(ω)表示第ω个场景发生的概率，λ_p,t(ω)表示ω场景中第t时段的现货市场电能价格，表示第ω个场景中在第t时段售电商出售给电力用户的电量，P_f,t表示售电商与发电商之间在第t用电时段的电能交易量，P_d,t表示售电商在第时段t从日前市场购入的电能，T表示总决策周期设。

在电力市场中，现货市场电能价格具有不确定性。故售电商在进行售电价格决策过程中，既要追求收益最大化，也要考虑不确定性引起的风险。这就需要对风险进行评估。采用CVaR作为风险度量方法，用f(ω)表示交易损失函数，CVaR表示损失超过VaR的条件均值，反映潜在损失的平均水平，具体为：

f(ω)＝P_r-P_r(ω)

其中，β为置信度，表示当置信度为β时，在最坏情况下售电商损失利益超过预期损失的概率不超过(1-β)×100％；R_Var,β为计算R_CVar，β的辅助变量，它是式(1)售电商收益期望与单个场景收益之间的差值，(f(ω)-R_Var,β)⁺表示max(0,(f(ω)-R_Var,β))。

上层售电商最优决策模型的目标函数为：

maxF＝P_r-ρ·R_CVar,β

其中，ρ表示风险规避因子，其值越小表示越接受风险。

为了保证售电商保有市场竞争力，对售电商提供的峰谷电价水平提出最高电价及平均电价两点约束，所以上层售电商最优决策模型的约束条件为：

其中，λ_H表示售电商提供的交易电价的最大值,λ_AVG表示一天内售电商提供的交易电价的平均值，λ_se,t表示售电商所制定的在第t时段用电的售电电价，λ_se,p表示售电商定价决策中的峰时价格，λ_se,v表示售电商定价决策中的谷时价格。

用户的用电消费决策问题是在保证舒适度的情况下，实现用电成本最小化，所以下层用户需求响应决策模型的目标函数为：

minf＝C¹+α·C²

其中，α表示舒适度系数，即用户用电决策中的舒适度权重，其值越大表示用户对舒适度要求越高；C¹为用户用电成本：

其中，ω为现货市场电能价格的第ω个场景，π(ω)表示第ω个场景发生的概率，与分别表示在每个场景ω中电力用户的可控负荷量与不可控负荷量；C²为用户用电舒适度：

其中，表示峰谷电价实施前用户在第t个时段的用电量。

用电负荷应满足下述约束条件：针对每个场景ω，用户可控负荷与不可控负荷之和应等于该场景中的总用电量；可控负荷必须为正值；限定用户用电量的减少量，避免某时段出现负荷减少过多的情况引起用户舒适度降低及工作效率降低等一系列负效应。所以下层用户需求响应决策模型的目标函数为：

由于问题本质的非凸性及不可微性，双层非线性规划问题是强NP-难问题，解决起来很复杂。考虑采用迭代交替的求解方法，使上下两层之间的优化结果相互影响，构成一个循环的反馈机制，不断调整两层的最优解，直至得到最有结果。考虑到遗传算法不受非凸性及不可微性等因素限制的优势，上层售电商最优决策模型采用遗传算法进行求解，下层用户需求响应决策模型采用非线性规划方法进行求解。

步骤S4具体为：

将下层用户需求响应决策模型求解结果嵌套于上层售电商最优决策模型求解过程的每次迭代中，当下层用户需求响应决策模型求解结果收敛时，上层售电商最优决策模型根据下层用户需求响应决策模型给出的最优解调整本代种群适应度，并继续迭代，当两层模型求解结果同时收敛并达到上层售电商最优决策模型的最大迭代次数时，迭代终止，得到最优电价决策。

某售电商已经与发电商签订一笔购电合同，购电价格为固定价格75€/MWh，并在合同中规定了相应的负荷曲线。该售电商拟将之以两费率峰谷电价出售给用户，不平衡电量部分以现货市场价格买/卖。该峰谷电价的时段划分为：每日6时至22时为峰时，每日22时至次日6时为谷时。按峰谷电价的时段划分进行统计，该购电合同中负荷曲线规定的交易量为峰时9MW/h，谷时7MW/h。现货市场价格数据考虑预测的不确定性，采用蒙特卡洛模拟法进行场景生成，具体为：以峰谷电价时段划分为基础再行分为6个时段，分别为周一峰时t₁、周一谷时t₂、平日峰时t₃、平日谷时t₄、周末峰时t₅以及周末谷时t₆，现货市场价格设定同文献(García-Bertrand R.Sale prices setting tool for retailers.IEEE Trans SmartGrid:2013；4(4):2028–35.)，通过多场景技术最终产生100组场景。以一周(168h)时间为计算周期，进行售电商售电定价策略分析。针对售电商不同的风险偏好，计算售电商的两费率最优峰谷定价决策。风险管理中的置信度ρ取0.95。根据上述算例对本方法原理分析如下。

1、用户用电需求决策行为分析：

取不同舒适度系数α和峰谷电价，计算用户在各时段的用电消费情况，结果如表1和表2所示。

表1用户在不同售电商决策行为下的用电量比较

表2用户在不同舒适度系数α下的用电量比较

结果表明：1)当用户舒适度系数α为固定值300时，峰谷比价越高，用户从峰时向谷时转移的用电量越多，用户总用电量变化很少，见表1。也就是说，售电商峰谷定价决策会影响用户的用电需求行为，其主要功用是引导用户调整用电消费时段。2)当峰谷电价为固定值92€/MWh和/44€/MWh时，用户舒适度系数α越高，用户从峰时向谷时的用电转移量越少，见表2。也就是说，用户越注重用电舒适性，峰谷电价所起到的削峰填谷效益越弱；若要达到同等的削峰效应，则需要更高的峰谷比价，这会导致更低的售电收益。

综上可知，峰谷电价是引导用户改变用电习惯的重要手段，以削峰填谷效应为主，其中峰谷比价和用户对用电舒适度的要求是影响其实施效果的主要因素。因此，售电商在峰谷定价决策中，必须考虑用户对用电舒适度的要求，同时要注重不同用电时段、消费量下同一用户对用电舒适度要求的差异性。

2、售电商峰谷定价策略分析：

计算不同风险偏好下售电商的最优峰谷定价决策结果，如图3、4所示。该图表明：1)随着风险规避因子ρ的上升，售电商会提高峰电价；考虑到用户流失，故限制平均电价水平，因此同时降低谷电价，见图3。2)随着ρ的上升，售电商提高峰价、降低谷价，故售电商预期收益期望值与风险损失CVaR值都呈下降趋势，当ρ接近0时风险损失值很高，这既体现了高风险-高收益的市场规律，也反映了售电商定价决策中进行风险管理非常必要，见图4。

综上所述，售电商峰谷定价策略的制定应当综合考虑峰谷电价对预期收益期望和风险的影响，它既与现货市场价格及其不确定性有关，也与售电商风险偏好和用户需求行为有关。

3、售电商定价与用户用电决策的互动行为分析：

取风险规避因子ρ＝1、舒适度系数α＝300时，计算最优峰谷电价，寻优迭代过程中双方决策行为的相互影响关系如图5；风险规避因子ρ＝0，取不同舒适度系数α计算最优峰谷电价，双方决策结果的变化情况如图6。

图6表明：售电商为了增加自身收益、降低风险，会趋向于增加峰谷比价，见图1；峰谷比价的提高，又会使得用户将更多的用电负荷从峰时转移至谷时，见表1；当用电转移过多时，会使售电商收益降低；双方博弈最终达到均衡。

在上述双方决策博弈过程中，用户对用电舒适性的要求越高，用户越愿意承受更高峰价换取更好的用电舒适性，则售电商提高峰谷比价策略对用户用电转移的影响越小，故峰谷转移电量随α增加而减少；电量转移越小，提高峰谷比价对增加售电商收益越有效，这会影响售电商决策，故峰谷比价随α增加而提高。综上，而售电商峰谷比价决策行为与用户用电负荷峰谷转移决策行为相互影响，具有主从博弈关系。

Claims (10)

1.一种计及不确定性的售电商最优电价决策方法，其特征在于，包括以下步骤：

S1、根据售电商与发电商签订的双边合同、与电力用户签订的售电合同以及在现货市场中进行的电能交易，得到售电商预期收益；

S2、采用CVaR作为风险度量方法，建立以售电商预期收益最大和风险损失最小为目标的上层售电商最优决策模型；

S3、建立电力用户在保证舒适度的情况下用电成本最小为目标的下层用户需求响应决策模型；

S4、求解包含上层售电商最优决策模型和下层用户需求响应决策模型的双层规划模型，通过迭代交替法得到最优电价决策。

2.根据权利要求1所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述售电商预期收益具体为：

P_r＝P_in-C_f-C_d-C_p

其中，P_in表示售电商通过将电能出售给电力用户获得的售电收入，C_f表示售电商通过双边合同购电产生的成本，C_d表示售电商通过参与日前市场产生的成本，C_p表示售电商参与实时市场交易产生的成本。

3.根据权利要求2所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述售电商参与实时市场交易产生的成本C_p具体为：

其中，ω为现货市场电能价格的第ω个场景，π(ω)表示第ω个场景发生的概率，λ_p,t(ω)表示ω场景中第t时段的现货市场电能价格，表示第ω个场景中在第t时段售电商出售给电力用户的电量，P_f,t表示售电商与发电商之间在第t用电时段的电能交易量，P_d,t表示售电商在第时段t从日前市场购入的电能，T表示总决策周期设。

4.根据权利要求3所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述售电商的风险损失具体为：

其中，β为置信度，表示当置信度为β时，在最坏情况下售电商损失利益超过预期损失的概率不超过(1-β)×100％；R_Var,β为计算R_CVar,β的辅助变量，(f(ω)-R_Var,β)⁺表示max(0,(f(ω)-R_Var,β))，f(ω)表示交易损失函数，具体为：

f(ω)＝P_r-P_r(ω)

其中，P_r表示售电商预期收益，P_r(ω)表示售电商在现货市场电能价格在第ω个场景的预期收益。

5.根据权利要求4所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述上层售电商最优决策模型的目标函数为：

maxF＝P_r-ρ·R_CVar,β

其中，ρ表示风险规避因子，其值越小表示越接受风险。

6.根据权利要求4所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述上层售电商最优决策模型的约束条件为：

其中，λ_H表示售电商提供的交易电价的最大值,λ_AVG表示一天内售电商提供的交易电价的平均值，λ_se,t表示售电商所制定的在第t时段用电的售电电价，λ_se,p表示售电商定价决策中的峰时价格，λ_se,v表示售电商定价决策中的谷时价格，T_P表示峰时时段，T_V表示谷时时段。

7.根据权利要求1所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述下层用户需求响应决策模型的目标函数为：

minf＝C¹+α·C²

其中，α表示用户用电决策中的舒适度权重，其值越大表示用户对舒适度要求越高；C¹为用户用电成本：

其中，ω为现货市场电能价格的第ω个场景，π(ω)表示第ω个场景发生的概率，与分别表示在每个场景ω中电力用户的可控负荷量与不可控负荷量；C²为用户用电舒适度：

其中，表示峰谷电价实施前用户在第t个时段的用电量。

8.根据权利要求7所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述所述下层用户需求响应决策模型的目标函数为：

9.根据权利要求1所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述上层售电商最优决策模型采用遗传算法进行求解，下层用户需求响应决策模型采用非线性规划方法进行求解。

10.根据权利要求9所述的一种计及不确定性的售电商最优电价决策方法，其特征在于，所述步骤S4具体为：

将下层用户需求响应决策模型求解结果嵌套于上层售电商最优决策模型求解过程的每次迭代中，当下层用户需求响应决策模型求解结果收敛时，上层售电商最优决策模型根据其给出的最优解调整本代种群适应度，并继续迭代，当两层模型求解结果同时收敛并达到上层售电商最优决策模型的最大迭代次数时，迭代终止，得到最优电价决策。