发明内容
为了克服现有技术的不足,本发明的目的之一在于提供中长期交易电量分解方法,通过建立中长期交易电量分解的机会约束规划模型,最大化的降低售电公司的购电成本,从而提高售电公司的利润。
本发明的目的之二在于提供一种电子设备,通过建立中长期交易电量分解的机会约束规划模型,最大化的降低售电公司的购电成本,从而提高售电公司的利润。
本发明的目的之三在于提供一种计算机可读存储介质,通过建立中长期交易电量分解的机会约束规划模型,最大化的降低售电公司的购电成本,从而提高售电公司的利润。
本发明的目的之一采用如下技术方案实现:
中长期交易电量分解方法,包括以下步骤:
数据获取,获取售电公司的中长期交易电量、短期交易各周期内实际用电量预测值及市场电价预测值;
确定分解目标,确定以售电公司购电成本最小为分解目标,生成中长期交易电量分解模型;
设置机会约束,对所述中长期交易电量分解模型设置目标约束、机会约束;
模型优化,生成中长期交易电量分解的机会约束规划模型;
模型求解,对所述机会约束进行随机模拟,利用遗传算法对所述机会约束规划模型进行求解,得到中长期交易电量分解最优解集。
进一步地,所述步骤数据获取具体为:获取售电公司的中长期交易电量、短期交易各周期内实际用电量预测值及市场电价预测值,所述短期交易各周期内实际用电量预测值及市场电价预测值符合正态分布。
进一步地,所述步骤确定分解目标具体如下:计算当前周期实际电量预测值与当前周期分解电量的差值,得到当前周期电量偏差值,将当前周期电量偏差值与当前周期市场电价预测值进行乘积,得到当前周期偏差成本,对当前周期偏差成本进行累加得到偏差总成本,确定以偏差总成本最小为分解目标,生成表示购电成本最小值的中长期交易电量分解模型。
进一步地,所述步骤设置机会约束具体如下:计算当前分解策略的当前市场购电成本不大于所述购电成本最小值的概率,得到当前目标约束条件成立概率值,生成目标约束,所述目标约束为当前目标约束条件成立概率值不小于目标置信水平,计算所述当前周期分解电量小于当前周期实际电量预测值的概率,得到当前机会约束条件成立概率值,生成机会约束,所述机会约束为当前机会约束条件成立概率值不小于机会置信水平。
进一步地,所述步骤模型优化具体如下:生成中长期交易电量分解的机会约束规划模型,所述机会约束规划模型包括所述中长期交易电量分解模型、所述目标约束、所述机会约束。
进一步地,所述步骤模型求解具体如下:通过蒙特卡洛随机模拟处理所述机会约束,利用遗传算法对所述机会约束规划模型进行求解,得到中长期交易电量分解最优解集。
进一步地,所述步骤模型求解具体如下:
获取输入参数,获取用户输入的种群规模N、目标置信水平、机会置信水平、循环次数;
种群初始化,利用蒙特卡洛随机模拟对每一个中长期交易电量分解解集进行可行性校验,得到可行解集合,并从所述可行解集合中随机选择N个中长期交易电量分解可行解集作为初始可行种群,每个所述中长期交易电量分解可行解集包含n个实数的短期分解电量;
计算目标值,利用蒙特卡洛随机模拟计算每个中长期交易电量分解可行解集的目标值;
计算适应度,使用基于序的评价函数计算每个中长期交易电量分解可行解集的适应度;
选择过程,采用轮盘赌算法对初始可行种群中中长期交易电量分解可行解集进行选择操作;
交叉和变异,对初始可行种群中中长期交易电量分解可行解集进行交叉和变异操作,得到新的可行种群;
次数判断,重复步骤计算目标值、步骤计算适应度、步骤选择过程,步骤交叉和变异,直到完成给定的循环次数;
得到最优解,得到中长期交易电量分解最优解集。
本发明的目的之二采用如下技术方案实现:
一种电子设备,包括:处理器;存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行上述的中长期交易电量分解方法。
本发明的目的之三采用如下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行上述的中长期交易电量分解方法。
相比现有技术,本发明的有益效果在于:
本发明提供了中长期交易电量分解方法,还涉及一种电子设备和一种计算机可读存储介质,通过建立以售电公司购电成本最小为分解目标,以分解至短期交易各周期内的中长期交易电量小于实际用电量为约束的机会约束规划模型,尽可能的在售电公司可接受的偏差考核风险内,最大化的降低售电公司的购电成本,从而提高售电公司的利润。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
中长期交易电量分解方法,如图1-图2所示,包括以下步骤:
数据获取,获取售电公司的中长期交易电量、短期交易各周期内实际用电量预测值及市场电价预测值;
确定分解目标,确定以售电公司购电成本最小为分解目标,生成中长期交易电量分解模型;
设置机会约束,对中长期交易电量分解模型设置目标约束、机会约束;
模型优化,生成中长期交易电量分解的机会约束规划模型;
模型求解,对机会约束进行随机模拟,利用遗传算法对机会约束规划模型进行求解,得到中长期交易电量分解最优解集。
如上,通过建立以售电公司购电成本最小为分解目标的机会约束规划模型,尽可能的在售电公司可接受的偏差考核风险内,最大化的降低售电公司的购电成本,从而提高售电公司的利润。
其中,步骤数据获取具体为:获取售电公司的中长期交易电量、短期交易各周期内实际用电量预测值及市场电价预测值,短期交易各周期内实际用电量预测值及市场电价预测值符合正态分布。
如上所述,中长期交易电量Q可以确定,售电公司短期交易各周期内所有用户的实际用电量预测值与市场电价预测值为不确定量,可以分别用正态分布来表示,假设短期交易第i个周期的市场电价预测值pi满足如下:
pi~N(upi,σpi 2)
短期交易第i个周期的实际用电量预测值qi服从正态分布如下:
qi~N(uqi,σqi 2)
假设中长期交易总电量假设为3000000万千瓦时,通过负荷预测与电价预测,获取某省实际用电量预测值及市场电价预测值如下表:
表1、某省实际用电量预测值及市场电价预测值
其中,步骤确定分解目标具体如下:计算当前周期实际电量预测值与当前周期分解电量的差值,得到当前周期电量偏差值,将当前周期电量偏差值与当前周期市场电价预测值进行乘积,得到当前周期偏差成本,对当前周期偏差成本进行累加得到偏差总成本,确定以偏差总成本最小为分解目标,生成表示购电成本最小值的中长期交易电量分解模型。
如上所述,先对以下变量做如下定义,其中Q为中长期交易电量,pc为中长期交易电价,pi为短期交易第i个周期内市场电价预测值,q(1,i)为售电公司分解至短期交易第i个周期的中长期交易电量,qi为短期交易第i个周期内售电公司代理用户的实际电量预测值,n为指中长期交易周期内短期交易周期的数量,考虑以售电公司购电成本最小为分解目标的中长期交易电量分解模型如下:
由于,
故第一项为常数,可以省掉,即中长期交易电量分解模型等价于:
即售电公司购电成本最小的分解策略即为使得中长期交易周期内售电公司需要从市场买入的电量乘以市场电价的累计最小的分解策略。
其中,步骤设置机会约束具体如下:计算当前分解策略的当前市场购电成本不大于购电成本最小值的概率,得到当前目标约束条件成立概率值,生成目标约束,目标约束为当前目标约束条件成立概率值不小于目标置信水平,计算当前周期分解电量小于当前周期实际电量预测值的概率,得到当前机会约束条件成立概率值,生成机会约束,机会约束为当前机会约束条件成立概率值不小于机会置信水平。
如上所述,在一定分解策略下的市场购电成本为变量
则
的目标置信水平β为:
不同的分解策略对应的
有不同的目标置信水平β,分解目标为minf(q
1,i)
inf(β),基于此给出目标约束如下:
另外,对于短期交易每个周期分到的分解电量不应该大于实际电量,将其作为约束条件,给出机会约束如下:
Pr{q1,i<qi}≥αi=1,2,…,n。
其中,步骤模型优化具体如下:生成中长期交易电量分解的机会约束规划模型,机会约束规划模型包括中长期交易电量分解模型、目标约束、机会约束。
即结合上述可知,机会约束规划模型表达如下:
在给出短期交易各周期内用户实际用电量和市场电价预测误差概率分布的基础上,在保证短期交易每个周期分解到的中长期交易电量以机会置信水平α满足小于用户实际用电量约束的前提下,把中长期交易电量分解到短期交易各个周期,使得售电公司在一定目标置信水平β下购电成本最小,即用此模型得到的中长期交易电量分解策略,不大于此最小可能购电费用的概率为给定的目标置信水平β,其中机会置信水平α值越大代表售电公司愿意承担的偏差考核风险越小。
其中,步骤模型求解具体如下:通过蒙特卡洛随机模拟处理机会约束,利用遗传算法对机会约束规划模型进行求解,得到中长期交易电量分解最优解集,包括如下步骤:
获取输入参数,获取用户输入的种群规模N、目标置信水平β、机会置信水平α、循环次数;
种群初始化,利用蒙特卡洛随机模拟对每一个中长期交易电量分解解集进行可行性校验,得到可行解集合,并从可行解集合中随机选择N个中长期交易电量分解可行解集作为初始可行种群,每个中长期交易电量分解可行解集包含n个实数的短期分解电量;短期交易每个周期内的实际用电量预测值服从正态分布,对每个分布进行随机模拟,分别产生N个服从分布的随机数,将这N个随机数从大到小按顺序进行排序,取第αN个数作为判断解是否可行的阈值,记为αq
i。将
与处理过的机会约束q
1,i<αq
i作为检验中长期交易电量分解解集是否可行的约束条件。
计算目标值,利用蒙特卡洛随机模拟计算每个中长期交易电量分解可行解集的目标值,对于每一个中长期交易电量分解可行解集,短期交易每个周期内的市场电价预测值与实际用电量预测值分别有各自的分布函数,对
抽样N次生成N个随机数,按从小到大的顺序排序,取第βN个随机数作为该解目标值;
计算适应度,使用基于序的评价函数计算每个中长期交易电量分解可行解集的适应度,设目前该代中的中长期交易电量分解可行解集为V1、V2、…、VN,可根据中长期交易电量分解可行解集的序进行再生分配,即中长期交易电量分解可行解集由好到坏进行重新排序。设参数α∈(0,1)给定,定义基于序的评价函数为:
eval(Vi)=α(1-α)i-1,i=1,2,…,N
选择过程,采用轮盘赌算法对初始可行种群中中长期交易电量分解可行解集进行选择操作,选择过程是以轮盘赌N次为基础的,过程如下:对每一个中长期交易电量分解可行解集Vi,计算累积概率qi:
之后从从区间(0,qN]中产生一个随机数r,若q(i-1)<r<qi,则选择第i个中长期交易电量分解可行解集Vi,如此重复共N次;
交叉和变异,对初始可行种群中中长期交易电量分解可行解集进行交叉和变异操作,得到新的可行种群;其中定义Pc作为交叉操作的概率,对每一个中长期交易电量分解可行解集以概率Pc的机会被选择作为进行交叉操作的父代,用(V′1,V′2)表示,并把它们随机结对,以(V′1,V′2)为例,首先从开区间(0,1)产生一个随机数c,然后随机选择在中长期交易电量分解可行解集的一个维度i上,进行交叉操作,在交叉并产生两个后代X与Y,其中在维度i上,等式约束如下:
X[i]=c·V′1[i]+(1-c)·V′2[i]
Y[i]=(1-c)·V′1[i]+c·V′2[i]
对于产生的后代X与Y首先判断满足不等式约束,对于在中长期交易电量分解可行解集某一维度上超出边界的情况,令其值为边界;为满足等式约束,每一次交叉操作完成后,将维度i上的变化量,按照一定比例分配给其他维度以保证等式约束条件得以满足;用得到的可行后代取代其父代;
其中,定义Pm为变异概率,类似于交叉操作选择父代的过程,对每一个染色体以概率Pm的机会被选择作为进行变异操作的父代,对每一个选择的父代,按以下方式进行变异,随机选择中长期交易电量分解可行解集的维度d,在维度d上随机选择方向进行变异,变异步长随着迭代次数不断减小,从而保证迭代前期寻到全局最优解,迭代后期注重优化精度,进行变异后,其他维度上的处理同交叉操作,保证同时满足不等式约束条件和等式约束条件,用变异后代代替父代。
次数判断,重复步骤计算目标值、步骤计算适应度、步骤选择过程,步骤交叉和变异,直到完成给定的循环次数;
得到最优解,得到中长期交易电量分解最优解集。
经过以上步骤,只需要设置分解至每月的长期电量小于用户用电量预测值的机会置信水平α,就可以得到在一定目标置信水平β下售电公司购电成本的最小值。
综上所述,若用户输入的目标置信水平β=0.7、机会置信水平α=0.9,则优化迭代中得到的优化结果与按每月需求负荷比例进行分配得到的结果对比如下表2所示。
表2:两种方法优化结果及对比
若设置不同的机会置信水平α,结果如表3,可以看出α的值设置的越大,表示约束范围越小,所以优化得到的月度购电成本越大;也就是说分解到月的电量不超过需求负荷量的概率越大,即风险越小,得到的月度购电成本越大。
表3:机会置信水平α对购电成本影响
设置不同目标置信水平β下的优化目标结果如表4,可以看出β的值越大,表示目标置信水平越大,优化得到的月度购电成本越大,也就是说售电公司愿意付出的风险越小,优化得到的月度购电成本越大,即收益越小。
表4:目标置信水平β对购电成本影响
一种电子设备,包括:处理器;存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行上述的中长期交易电量分解方法;一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行上述的中长期交易电量分解方法。
本发明提供了中长期交易电量分解方法,还涉及一种电子设备和一种计算机可读存储介质,通过建立以售电公司购电成本最小为分解目标,以分解至短期交易各周期内的中长期交易电量小于实际用电量为约束的机会约束规划模型,尽可能的在售电公司可接受的偏差考核风险内,最大化的降低售电公司的购电成本,从而提高售电公司的利润。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。