CN108985507A - 基于大数据的多元交易能源协调优化方法和装置 - Google Patents

基于大数据的多元交易能源协调优化方法和装置 Download PDF

Info

Publication number
CN108985507A
CN108985507A CN201810721488.5A CN201810721488A CN108985507A CN 108985507 A CN108985507 A CN 108985507A CN 201810721488 A CN201810721488 A CN 201810721488A CN 108985507 A CN108985507 A CN 108985507A
Authority
CN
China
Prior art keywords
electricity
market
price
electricity price
sequence
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
CN201810721488.5A
Other languages
English (en)
Inventor
王海宁
王蕾
严宇
代勇
方印
高春成
王清波
张倩
习培玉
王春艳
吴雨健
吕经纬
吕俊良
汪涛
袁明珠
李守宝
肖锋
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.)
Beijing Electric Power Trading Center Co Ltd
Beijing Kedong Electric Power Control System Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
Beijing Electric Power Trading Center Co Ltd
Beijing Kedong Electric Power Control System Co Ltd
Electric Power Research Institute of State Grid Liaoning 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 Beijing Electric Power Trading Center Co Ltd, Beijing Kedong Electric Power Control System Co Ltd, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical Beijing Electric Power Trading Center Co Ltd
Priority to CN201810721488.5A priority Critical patent/CN108985507A/zh
Publication of CN108985507A publication Critical patent/CN108985507A/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
    • G06Q10/04—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
    • 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—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)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于大数据的多元交易能源协调优化方法和装置，涉及电力市场交易策略技术领域，该方法包括获取多个目标电力市场的电价特性数据和历史电价数据；根据预测电价特性数据构建预测电价序列，根据历史电价特性数据构建历史电价序列；通过相似性分析从该历史电价序列中查找与该预测电价序列相似的相似电价序列；根据该相似电价序列和该历史电价数据计算上述多个目标电力市场在目标时刻的交易电价；根据该交易电价计算用户在多个目标电力市场的最优购电组合。本发明实施例提供的基于大数据的多元交易能源协调优化方法和装置，可以预测电力市场的电价，提供多市场、多时段、多交易品种的交易策略，促进电力资源的优化配置。

Description

基于大数据的多元交易能源协调优化方法和装置
技术领域
本发明涉及电力市场交易策略技术领域，尤其是涉及一种基于大数据的多元交易能源协调优化方法和装置。
背景技术
随着电力市场改革发展，交易品种与交易方式更加丰富，逐步形成了“多市场-多交易品种-多时段”的市场格局。在电力市场环境下，电价的剧烈波动会给电力市场成员带来巨大风险。电价的波动性使得越来越多的市场设计者和参与者认识到电价预测及其带来风险的重要性。
另外，当前的电力市场交易策略研究的是单一市场的购电问题，尚缺乏考虑多市场、多交易品种、多时段的交易策略，无法适应当前电力市场发展的需要。
发明内容
有鉴于此，本发明的目的在于提供一种基于大数据的多元交易能源协调优化方法和装置，可以预测电力市场的电价，提供多市场、多时段、多交易品种的交易策略，促进电力资源的优化配置。
第一方面，本发明实施例提供了一种基于大数据的多元交易能源协调优化方法，包括：获取多个目标电力市场的电价特性数据和历史电价数据；该电价特性数据包括多个时刻的历史电价特性数据和目标时刻的预测电价特性数据；该电价特性数据包括：市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数；上述多个目标电力市场至少包括：日前市场、实时市场和远期合约市场；根据该预测电价特性数据构建预测电价序列，根据该历史电价特性数据构建历史电价序列；通过相似性分析从该历史电价序列中查找与该预测电价序列相似的相似电价序列；根据该相似电价序列和该历史电价数据计算上述多个目标电力市场在目标时刻的交易电价；根据该交易电价计算用户在多个目标电力市场的最优购电组合。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，在上述根据该相似电价序列和该历史电价数据计算多个目标电力市场在目标时刻的交易电价的步骤之后，还包括：构建用户的购售电利润最大化的目标函数和约束条件；该目标函数和该约束条件用于结合该交易电价计算该用户在多个目标电力市场的最优购电组合。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，该约束条件包括购电量约束和最大风险约束。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，该最大风险约束满足以下公式：
式中，ω为购电组合，R(ω,t)为t时刻购电组合ω的风险值，Qb(t)为t时刻的购电量，为t时刻的购电组合ω的风险价值，β为置信度，Plost(t)为t时刻购电组合的损失，Rmax为用户允许的最大风险值，Ps(t)为t时刻i电力市场的售电价格，Pβ表示置信度为β下的电价，Pro表示购电组合损失价格的联合概率密度，ωk(t)表示t时刻在第k个电力市场的购电组合，Pk(t)表示t时刻在第k个电力市场的购电价格。
结合第一方面的第一至第三任一种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，该购售电利润最大化的目标函数为：式中，π为最大利润，t＝1,2,...T，Qs(t)为t时刻售电量；Qb(t)为t时刻购电量；Ps(t)为t时刻i电力市场的售电价格；Pi(t)为t时刻i电力市场的购电价格；ωi(t)为t时刻在i电力市场的购电比例。
结合第一方面的第一至第三任一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述根据该相似电价序列和该历史电价数据计算该多个目标电力市场在该目标时刻的交易电价的步骤，包括：根据该相似电价序列和该历史电价数据，采用加权平均法计算多个目标电力市场在该目标时刻的交易电价。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，该加权平均法的计算公式为：式中，P*为目标时刻的预测电价；n为相似电价序列的数目；β为权重因子；Pi为第i个相似电价序列对应的电价；Xi为电价特性数据中的任一特性元素的历史实际值所组成的序列；X*为电价特性数据中的任一特性元素的预测值所组成的序列；D(Xi,X*)表示序列Xi和序列X*的距离，由欧几里德距离公式计算得到。
结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，在上述根据该预测电价特性数据构建预测电价序列，根据该历史电价特性数据构建历史电价序列的步骤之前，还包括：规范化处理该电价特性数据。
结合第一方面的第七种可能的实施方式，本发明实施例提供了第一方面的第八种可能的实施方式，其中，上述规范化处理的公式为： 式中，Xi表示电价特性数据中的特性元素的实际值，Xi'是规范化后的数据值，是电价特性数据中特性元素的平均值，m为数据总数。
第二方面，本发明实施例还提供了一种基于大数据的多元交易能源协调优化装置，该装置包括：数据获取模块，用于获取多个目标电力市场的电价特性数据和历史电价数据；该电价特性数据包括多个时刻的历史电价特性数据和目标时刻的预测电价特性数据；该电价特性数据包括：市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数；多个目标电力市场至少包括：日前市场、实时市场和远期合约市场；电价序列构建模块，用于根据该预测电价特性数据构建预测电价序列，根据该历史电价特性数据构建历史电价序列；相似电价序列查找模块，用于通过相似性分析从该历史电价序列中查找与该预测电价序列相似的相似电价序列；交易电价计算模块，用于根据该相似电价序列和该历史电价数据计算多个目标电力市场在该目标时刻的交易电价；最优购电组合计算模块，用于根据该交易电价计算用户在该多个目标电力市场的最优购电组合。
本发明实施例带来了以下有益效果：
本发明实施例提供的一种基于大数据的多元交易能源协调优化方法和装置，该方法包括获取多个目标电力市场的电价特性数据和历史电价数据；该电价特性数据包括多个时刻的历史电价特性数据和目标时刻的预测电价特性数据；该电价特性数据包括：市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数；上述多个目标电力市场至少包括：日前市场、实时市场和远期合约市场；根据该预测电价特性数据构建预测电价序列，根据该历史电价特性数据构建历史电价序列；通过相似性分析从该历史电价序列中查找与该预测电价序列相似的相似电价序列；根据该相似电价序列和该历史电价数据计算上述多个目标电力市场在目标时刻的交易电价；根据该交易电价计算用户在多个目标电力市场的最优购电组合；可以预测电力市场的电价，提供多市场、多时段、多交易品种的交易策略，促进电力资源的优化配置。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，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基于大数据的多元交易能源协调优化方法的流程图；
图2为本发明实施例提供的另一种基于大数据的多元交易能源协调优化方法的流程图；
图3为本发明实施例提供的另一种基于大数据的多元交易能源协调优化方法的流程图；
图4为本发明实施例提供的一种基于大数据的多元交易能源协调优化装置的结构示意图。
图标：
41-数据获取模块；42-电价序列构建模块；43-相似电价序列查找模块；44-交易电价计算模块；45-最优购电组合计算模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为打破垄断、鼓励竞争、提高效率而进行的世界范围的电力工业结构重组和解除管制，在引导电力工业市场化运营的同时，也使得各个市场主体面临着前所未有的市场风险，特别是市场价格波动的风险。不同于一般商品，电能不能大规模地有效储存，并且要求供需之间瞬时平衡，由于需求的变化不能通过储存来平衡，因而电力市场均衡价格呈现出类似于负荷变化的随机性；由于有限的机组发电容量和输电容量，以及较低的需求弹性，电力价格表现出强烈的跳跃和尖峰特性；由于电力市场的寡头垄断特性，部分发电商利用其市场力操纵电价也使得电价的变化更加复杂。自从电力工业市场化运营以后，电力已成为价格最易变的一种商品。电力市场中电价的易变性使得各个市场参与者都面临巨大的利益损失风险，如果不加以有效的防范，将会导致灾难性的后果。
目前，现有电力市场交易策略研究的是单一市场的购电问题，尚缺乏考虑多市场、多交易品种、多时段的交易策略，基于此，本发明实施例提供的一种基于大数据的多元交易能源协调优化方法和装置，可以预测电力市场的电价，提供多市场、多时段、多交易品种的交易策略，促进电力资源的优化配置。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于大数据的多元交易能源协调优化方法进行详细介绍。
实施例一
如图1所示，为本发明实施例提供的一种基于大数据的多元交易能源协调优化方法的流程图，由图1可见，该方法包括以下步骤：
步骤S101：获取多个目标电力市场的电价特性数据和历史电价数据；该电价特性数据包括多个时刻的历史电价特性数据和目标时刻的预测电价特性数据；该电价特性数据包括：市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数；上述多个目标电力市场至少包括：日前市场、实时市场和远期合约市场。
电力市场的电能价格受一些关键因素的影响，其中包括电能的市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数。通过获得影响电能价格的这些关键因素的数据，可以准确预测出电力市场的电能价格。
目前，电力市场中的竞争主要通过集中的电能现货交易来实现，这种现货交易通过日前市场和实时市场完成。在电力系统运行中，电网调度运行人员负责实时管理系统、维持系统安全运行，他需要一点提前时间作调度，一般是提前1天，因此设置了集中交易的日前市场。而电力系统的安全稳定运行及电能质量需要实时调节和平衡，因而需要实时交易的平衡市场，即实时市场。其中，日前市场进行电能的日前现货交易，日前现货交易是指相对实时运行提前一天进行的次日24小时的电能交易。
另外，电力市场成员还可以通过远期合约市场进行电力远期合同的交易。由于电能不能大量有效地储存，这是制约电力市场健康、有序发展的主要因素之一，而通过电力远期合同交易，电力可以被“虚拟”地储存。除了能为各参与者提供选择机会以满足在价格和风险方面的特定要求，并有利于供需双方信息交流外，电力远期合同交易由于减少了发电商可以操纵的现货电量，从而降低了它在现货市场中的份额，即降低了其市场力，从而减少了其操纵现货电价的兴趣，有利于市场公平竞争，形成高效的市场均衡电价。另外，适当的远期合同交易机制的引入还有利于维持电力市场的稳定。
整体来说，在日前市场和实时市场进行的电能交易，其购电单价相对较低，但波动大，风险高。而通过远期合约市场进行的电能交易，其购电单价相对较高，但波动小，风险低。电力市场成员往往选择在实时市场、日前市场和远期合约市场这三者的购电配搭以实现自身利益的最大化。
步骤S102：根据该预测电价特性数据构建预测电价序列，根据该历史电价特性数据构建历史电价序列。
在其中一种可能的实施方式中，在获得电价特性数据之后，将各个时刻的电价特性数据表示为相应的一组序列空间组合，如下所示：
p(t)＝{λ(t),Pg(t),Pd(t),pf(t),α(t)}
上式中，p(t)为交易中心在时刻t的市场出清价；λ(t)为时刻t的市场供求关系，且λ(t)＝Pg(t)/Pd(t)。λ>1表明供过于求，λ<1表明供不应求。λ越大则市场竞争越激烈，价格会较低，λ越小则价格会越高。Pg(t)为时刻t的上网竞价发电功率、Pd(t)为时刻t的用户负荷需求、pf(t)为时刻t的燃料价格、α(t)为时刻t的物价指数和消费。
步骤S103：通过相似性分析从该历史电价序列中查找与该预测电价序列相似的相似电价序列。
这里，对任意两个电价序列进行相似性分析的过程如下：
当给定阈值ξ≥0时，如果序列X和序列Y之间的距离D满足D(X,Y)≤ξ，则称序列X和Y在阈值ξ内相似，简称序列X和序列Y相似。在定义序列间距离的公式中，最常用的是欧几里德距离公式，即：
式中，n为序列长度。根据构成电价序列的特性因素可知，电价pi和电价pj在阈值ζ内相似，则有：
特性元素对电价的影响程度不同，在此，取权重因子进行修正，故此，上式中的权重因子β满足：
步骤S104：根据该相似电价序列和该历史电价数据计算上述多个目标电力市场在目标时刻的交易电价。
对于每一个从历史电价序列中查找到的相似电价序列，均对应有历史电价数据，在其中一种可能的实施方式中，根据上述相似电价序列和历史电价数据，可以采用加权平均法计算多个目标电力市场在目标时刻的交易电价。其中，该加权平均法的计算公式为：
式中，P*为目标时刻的预测电价；n为相似电价序列的数目；β为权重因子；Pi为第i个相似电价序列对应的电价；Xi为电价特性数据中的任一特性元素的历史实际值所组成的序列；X*为电价特性数据中的任一特性元素的预测值所组成的序列；D(Xi,X*)表示序列Xi和序列X*的距离，由欧几里德距离公式计算得到。
步骤S105：根据该交易电价计算用户在多个目标电力市场的最优购电组合。
在获得多个目标电力市场在目标时刻的交易电价之后，根据用户的购电需求可以生成进行多市场、多交易品种、多时段的电能交易策略，形成一个利益最大化的最优购电组合。
本发明实施例提供的基于大数据的多元交易能源协调优化方法，该方法包括获取多个目标电力市场的电价特性数据和历史电价数据；该电价特性数据包括多个时刻的历史电价特性数据和目标时刻的预测电价特性数据；该电价特性数据包括：市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数；上述多个目标电力市场至少包括：日前市场、实时市场和远期合约市场；根据该预测电价特性数据构建预测电价序列，根据该历史电价特性数据构建历史电价序列；通过相似性分析从该历史电价序列中查找与该预测电价序列相似的相似电价序列；根据该相似电价序列和该历史电价数据计算上述多个目标电力市场在目标时刻的交易电价；根据该交易电价计算用户在多个目标电力市场的最优购电组合；可以预测电力市场的电价，提供多市场、多时段、多交易品种的交易策略，促进电力资源的优化配置。
实施例二
在图1的基础上，参见图2，为本发明实施例提供的另一种基于大数据的多元交易能源协调优化方法的流程图，在图2示出的实施方式中，在获取多个目标电力市场的电价特性数据和历史电价数据的步骤之后，还包括：规范化处理该电价特性数据。
这里，对电价特性数据进行规范化处理的公式为：
式中，Xi表示电价特性数据中的特性元素的实际值，Xi'是规范化后的数据值，是电价特性数据中特性元素的平均值，m为数据总数，一般m个数据的时间周期正好构成某一电价数据变化的时间间隔。
在对电价特性数据进行规范化处理之后，将已处理好的所有数据按照时间序列进行排序，进而构成由5个特征元素代表的相应电价序列。
相似性搜索就是对历史数据进行搜索，并提取出与目标数据相似的数据序列。若给定阈值ζi，则对于任一时间序列数据，应满足：
D(Xi,X*)≤ζi
式中，Xi为电价特性中的任一特性元素的历史实际值所组成的序列；X*为电价特性中的任一特元素的预测值所组成的序列。序列Xi与X*相似并可作为相似序列参与电价预测。假定最终提取出的由满足要求的历史数据序列构成的电价序列为：
p＝{p1,p2...,pn}
式中，n表示满足相似性搜索要求的历史电价数据个数，p1，p2...，pn分别表示相应的历史电价数据。
然后，采用加权平均法预测电价，从而得到多个目标电力市场在目标时刻的交易电价。这里，在其中一种可能的实施方式中，参见图3，为本发明实施例提供的另一种基于大数据的多元交易能源协调优化方法的流程图，在图3示出的实施方式中，在上述通过相似性分析从该历史电价序列中查找与该预测电价序列相似的相似电价序列的步骤之后，还包括：构建用户的购售电利润最大化的目标函数和约束条件；该目标函数和该约束条件用于结合该交易电价计算该用户在多个目标电力市场的最优购电组合。
这里，在构建以市场成员购售电利润最大化目标的目标函数时，以售电公司为例，在年度市场中统筹日前市场、实时市场、远期合约市场中省内交易和省间交易的总购电费用与总售电费用之差最小为目标，其目标函数为：
式中，π为最大利润，t＝1,2,...T，Qs(t)为t时刻售电量；Qb(t)为t时刻购电量；Ps(t)为t时刻i电力市场的售电价格；Pi(t)为t时刻i电力市场的购电价格；ωi(t)为t时刻在i电力市场的购电比例。
然后，对日前市场、实时市场和远期合约市场的购电费用分析如下：
(1)日前市场的购电费用分析：
Cda＝pda1qda1+pda2qda2
式中，pda1为日前市场省内交易电价，qda1为交易电量；pda2为日前市场省间交易电价，qda2为交易电量。
(2)实时市场的购电费用分析：
Crt＝prt1qrt1+prt2qrt2
式中，prt1为实时市场省内交易电价，qrt1为交易电量；prt2为实时市场省间交易电价，qrt2为交易电量。
(3)远期合约市场的购电费用分析：
Cfc＝pfc1qfc1+pfc2qfc2
式中，pfc1为远期合约交易省内交易电价，qfc1为交易电量；pfc2为远期合约市场省间交易电价，qfc2为交易电量。
在本实施例中，上述约束条件包括购电量约束和最大风险约束，其中，对于特定的用户，其一段时间内的购电量是在一定范围的，这就构成了购电量的约束。这里，购电量约束满足以下公式：
0≤ωm≤ωi(t)≤ωM≤1
式中，ωi(t)为t时段i市场的购电比例；ωm、ωM为售电公司在i市场购电比例下限和上限。
对于不同的电力市场成员，其可以承担的风险各不相同，有的市场成员以风险最小为主要目标，有的市场成员则以总成本价格最低为优先考虑要素。
在其中一种可能的实施方式中，最大风险约束满足以下公式：
上式中，ω为购电组合，R(ω,t)为t时刻购电组合ω的风险值，Qb(t)为t时刻的购电量，为t时刻的购电组合ω的风险价值，β为置信度，Plost(t)为t时刻购电组合的损失，Rmax为用户允许的最大风险值，Ps(t)为t时刻i电力市场的售电价格，Pβ表示置信度为β下的电价，Pro表示购电组合损失价格的联合概率密度，ωk(t)表示t时刻在第k个电力市场的购电组合，Pk(t)表示t时刻在第k个电力市场的购电价格。
这样，本发明实施例提供的基于大数据的多元交易能源协调优化方法，运用大数据技术对电力交易价格的影响因素进行分析，实现了基于数据挖掘技术的电价预测。它将电价用其影响因素来表征，利用数据挖掘中的相似性搜索技术，对所搜索到的匹配电价序列进行加权平均进而得到所预测的电价值。在此基础上，考虑多市场、多交易品种、多时段的条件下，以自身利益最大化为目标，以购电量限制和市场成员能接受的最大风险为约束，构建基于大数据技术的多元交易能源协调优化模型，使得电力市场成员合理分配在不同市场、不同交易品种、不同时段的购电量，达到自身利益最大化，实现资源最优配置，该方法适应性强、可操作性强。
实施例三
参见图4，为本发明实施例提供的一种基于大数据的多元交易能源协调优化装置的结构示意图，由图4可见，该装置包括依次相连的数据获取模块41、电价序列构建模块42、相似电价序列查找模块43、交易电价计算模块44和最优购电组合计算模块45。其中，各个模块的功能如下：
数据获取模块41，用于获取多个目标电力市场的电价特性数据和历史电价数据；该电价特性数据包括多个时刻的历史电价特性数据和目标时刻的预测电价特性数据；该电价特性数据包括：市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数；多个目标电力市场至少包括：日前市场、实时市场和远期合约市场；
电价序列构建模块42，用于根据该预测电价特性数据构建预测电价序列，根据该历史电价特性数据构建历史电价序列；
相似电价序列查找模块43，用于通过相似性分析从该历史电价序列中查找与该预测电价序列相似的相似电价序列；
交易电价计算模块44，用于根据该相似电价序列和该历史电价数据计算多个目标电力市场在该目标时刻的交易电价；
最优购电组合计算模块45，用于根据该交易电价计算用户在该多个目标电力市场的最优购电组合。
在另外一种可能的实施方式中，该装置还包括规范化处理模块，该规范化处理模块分别与数据获取模块41和电价序列构建模块42相连，用于规范化处理从数据获取模块41所获得的电价特性数据。
此外，在其中一种或多种可能的实施方式中，该基于大数据的多元交易能源协调优化装置还可以包括利润最大化模块，该利润最大化模块分别与上述交易电价计算模块44和最优购电组合计算模块45相连，用于构建用户的购售电利润最大化的目标函数和约束条件，该目标函数和该约束条件用于结合上述交易电价计算模块44提供的交易电价，计算用户在多个目标电力市场的最优购电组合。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明实施例所提供的进行基于大数据的多元交易能源协调优化方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于大数据的多元交易能源协调优化方法，其特征在于，包括：
获取多个目标电力市场的电价特性数据和历史电价数据；所述电价特性数据包括多个时刻的历史电价特性数据和目标时刻的预测电价特性数据；所述电价特性数据包括：市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数；所述多个目标电力市场至少包括：日前市场、实时市场和远期合约市场；
根据所述预测电价特性数据构建预测电价序列，根据所述历史电价特性数据构建历史电价序列；
通过相似性分析从所述历史电价序列中查找与所述预测电价序列相似的相似电价序列；
根据所述相似电价序列和所述历史电价数据计算所述多个目标电力市场在所述目标时刻的交易电价；
根据所述交易电价计算用户在所述多个目标电力市场的最优购电组合。
2.根据权利要求1所述的基于大数据的多元交易能源协调优化方法，其特征在于，在所述根据所述相似电价序列和所述历史电价数据计算所述多个目标电力市场在所述目标时刻的交易电价的步骤之后，还包括：
构建用户的购售电利润最大化的目标函数和约束条件；
所述目标函数和所述约束条件用于结合所述交易电价计算所述用户在所述多个目标电力市场的最优购电组合。
3.根据权利要求2所述的基于大数据的多元交易能源协调优化方法，其特征在于，所述约束条件包括购电量约束和最大风险约束。
4.根据权利要求3所述的基于大数据的多元交易能源协调优化方法，其特征在于，所述最大风险约束满足以下公式：
式中，ω为购电组合，R(ω,t)为t时刻购电组合ω的风险值，Qb(t)为t时刻的购电量，VRβ(ω,t)为t时刻的购电组合ω的风险价值，β为置信度，Plost(t)为t时刻购电组合的损失，Rmax为用户允许的最大风险值，Ps(t)为t时刻i电力市场的售电价格，Pβ表示置信度为β下的电价，Pro表示购电组合损失价格的联合概率密度，ωk(t)表示t时刻在第k个电力市场的购电组合，Pk(t)表示t时刻在第k个电力市场的购电价格。
5.根据权利要求2-4任一项所述的基于大数据的多元交易能源协调优化方法，其特征在于，所述购售电利润最大化的目标函数为：
式中，π为最大利润，t＝1,2,...T，Qs(t)为t时刻售电量；Qb(t)为t时刻购电量；Ps(t)为t时刻i电力市场的售电价格；Pi(t)为t时刻i电力市场的购电价格；ωi(t)为t时刻在i电力市场的购电比例。
6.根据权利要求1-4任一项所述的基于大数据的多元交易能源协调优化方法，其特征在于，所述根据所述相似电价序列和所述历史电价数据计算所述多个目标电力市场在所述目标时刻的交易电价的步骤，包括：
根据所述相似电价序列和所述历史电价数据，采用加权平均法计算所述多个目标电力市场在所述目标时刻的交易电价。
7.根据权利要求6所述的基于大数据的多元交易能源协调优化方法，其特征在于，所述加权平均法的计算公式为：
式中，P*为目标时刻的预测电价；n为相似电价序列的数目；β为权重因子；Pi为第i个相似电价序列对应的电价；Xi为电价特性数据中的任一特性元素的历史实际值所组成的序列；X*为电价特性数据中的任一特性元素的预测值所组成的序列；D(Xi,X*)表示序列Xi和序列X*的距离，由欧几里德距离公式计算得到。
8.根据权利要求1所述的基于大数据的多元交易能源协调优化方法，其特征在于，在所述根据所述预测电价特性数据构建预测电价序列，根据所述历史电价特性数据构建历史电价序列的步骤之前，还包括：
规范化处理所述电价特性数据。
9.根据权利要求8所述的基于大数据的多元交易能源协调优化方法，其特征在于，所述规范化处理的公式为：
式中，Xi表示电价特性数据中的特性元素的实际值，Xi'是规范化后的数据值，是电价特性数据中特性元素的平均值，m为数据总数。
10.一种基于大数据的多元交易能源协调优化装置，其特征在于，包括：
数据获取模块，用于获取多个目标电力市场的电价特性数据和历史电价数据；所述电价特性数据包括多个时刻的历史电价特性数据和目标时刻的预测电价特性数据；所述电价特性数据包括：市场供求关系、上网竞价发电功率、用户负荷需求、燃料价格和物价指数；所述多个目标电力市场至少包括：日前市场、实时市场和远期合约市场；
电价序列构建模块，用于根据所述预测电价特性数据构建预测电价序列，根据所述历史电价特性数据构建历史电价序列；
相似电价序列查找模块，用于通过相似性分析从所述历史电价序列中查找与所述预测电价序列相似的相似电价序列；
交易电价计算模块，用于根据所述相似电价序列和所述历史电价数据计算所述多个目标电力市场在所述目标时刻的交易电价；
最优购电组合计算模块，用于根据所述交易电价计算用户在所述多个目标电力市场的最优购电组合。
CN201810721488.5A 2018-07-03 2018-07-03 基于大数据的多元交易能源协调优化方法和装置 Pending CN108985507A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810721488.5A CN108985507A (zh) 2018-07-03 2018-07-03 基于大数据的多元交易能源协调优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810721488.5A CN108985507A (zh) 2018-07-03 2018-07-03 基于大数据的多元交易能源协调优化方法和装置

Publications (1)

Publication Number Publication Date
CN108985507A true CN108985507A (zh) 2018-12-11

Family

ID=64535990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810721488.5A Pending CN108985507A (zh) 2018-07-03 2018-07-03 基于大数据的多元交易能源协调优化方法和装置

Country Status (1)

Country Link
CN (1) CN108985507A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428144A (zh) * 2019-07-09 2019-11-08 华能汕头海门发电有限责任公司 适用于电厂的燃煤采购与发电指标预测处理系统及方法
CN111754299A (zh) * 2020-06-05 2020-10-09 华北电力大学 一种电力市场多元主体灵活能量块竞价交易系统和方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428144A (zh) * 2019-07-09 2019-11-08 华能汕头海门发电有限责任公司 适用于电厂的燃煤采购与发电指标预测处理系统及方法
CN110428144B (zh) * 2019-07-09 2022-08-16 华能汕头海门发电有限责任公司 适用于电厂的燃煤采购与发电指标预测处理系统及方法
CN111754299A (zh) * 2020-06-05 2020-10-09 华北电力大学 一种电力市场多元主体灵活能量块竞价交易系统和方法

Similar Documents

Publication Publication Date Title
O'Neill et al. Efficient market-clearing prices in markets with nonconvexities
Yamin Review on methods of generation scheduling in electric power systems
Amin et al. Improving DEA cross-efficiency optimization in portfolio selection
Triki et al. Optimal capacity allocation in multi-auction electricity markets under uncertainty
Najafzad et al. Multi-skill project scheduling problem under time-of-use electricity tariffs and shift differential payments
Dorahaki et al. An integrated model for citizen energy communities and renewable energy communities based on clean energy package: A two-stage risk-based approach
Liu et al. Cryptocurrency valuation: An explainable ai approach
Logenthiran et al. Formulation of unit commitment (UC) problems and analysis of available methodologies used for solving the problems
CN108510200A (zh) 基于全生命周期的数据资产运营效益的计算方法及装置
Pach-Gurgul et al. Progress of the V4 Countries towards the EU’s Energy and Climate Targets in the Context of Energy Security Improvement
CN108985507A (zh) 基于大数据的多元交易能源协调优化方法和装置
Cheng et al. Container liner shipping network design with shipper’s dual preference
Wang et al. Peer-to-peer energy trading for residential prosumers with photovoltaic and battery storage systems
CN110797872A (zh) 用户侧储能容量配置方法、装置、设备及存储介质
Malmir et al. Selecting warehouse location by means of the balancing and ranking method with an interval approach
Owen et al. Redefining SME productivity measurement and assessment for a low carbon economy
CN104881764A (zh) 大型工程建设项目多材料配比动态采购与库存控制方法
Schmutz et al. Economic performance of contracts in electricity markets: A fuzzy and multiple criteria approach
Boelhouwer et al. Stagnation in Dutch housing production and suggestions for a way forward
Wen et al. Supplier selection based on intuitionistic fuzzy sets group decision making
Kintsakis et al. Agent-based short-term load and price forecasting using a parallel implementation of an adaptive PSO-trained local linear wavelet neural network
Gatto et al. Defining, measuring and ranking energy vulnerability
Li et al. DeepDLP: deep reinforcement learning based framework for dynamic liner trade pricing
Wang et al. An approximate dynamic programming algorithm for multi-period maritime fleet renewal problem under uncertain market
Xiang et al. Efficient multi-unit procurement mechanism with supply disruption risk

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

Application publication date: 20181211

RJ01 Rejection of invention patent application after publication