CN109102155B - 一种超短期节点边际电价概率预测方法及系统 - Google Patents
一种超短期节点边际电价概率预测方法及系统 Download PDFInfo
- Publication number
- CN109102155B CN109102155B CN201810744564.4A CN201810744564A CN109102155B CN 109102155 B CN109102155 B CN 109102155B CN 201810744564 A CN201810744564 A CN 201810744564A CN 109102155 B CN109102155 B CN 109102155B
- Authority
- CN
- China
- Prior art keywords
- critical area
- probability
- state
- electricity price
- time
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000005096 rolling process Methods 0.000 claims abstract description 30
- 230000009977 dual effect Effects 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 230000007704 transition Effects 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 18
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 17
- 230000002123 temporal effect Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 4
- 108010074506 Transfer Factor Proteins 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 230000035699 permeability Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
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
- G06Q10/0637—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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种超短期节点边际电价概率预测方法及系统,方法包括:基于净负荷参数的历史数据离线计算对应的临界区域字典集;根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型;根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布。本发明离线建立了临界区域字典集,在线计算时只需对滚动更新的节点边际电价向量对应的临界区域状态建立离散非时齐马尔科夫链模型,使得大部分的计算在离线状态下完成,能满足在线计算的需要。本发明可广泛应用于电力调度领域。
Description
技术领域
本发明涉及电力调度领域,尤其是一种超短期节点边际电价概率预测方法及系统。
背景技术
在采用实时节点边际电价(节点边际电价又简称LMP)计价模式的电力市场中,调度运行人员通过电价预测结果调整其实时调度运行决策;市场参与者基于电价预测结果合理制定报价决策参与实时交易市场。在“源-荷”互动电力市场下,由于大规模间歇式电源接入电力系统,“互动”运行的多元电源和柔性负荷作为可调度资源参与实时平衡调度。新能源及负荷的预测误差、发电商及柔性负荷市场参与者报价、网络结构的变化等,使得输电系统运行更容易接近其极限容量,导致系统的节点边际电价在短期内变化剧烈,实时电价变得更加难以预测。日益增加的系统阻塞和节点边际电价变化的不确定性给系统调度员和市场参与者都带来了巨大挑战。因此如何在考虑系统发电机、负荷和运行状况不确定性的情况下,准确预测超短期实时节点边际电价变得尤为重要。然而传统的节点边际电价预测方法的预测过程运算量大,难以满足在线计算的需要。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种能满足在线计算需要的实时超短期节点边际电价概率预测方法及系统。
本发明所采取的第一技术方案是:
一种超短期节点边际电价概率预测方法,包括以下步骤:
基于净负荷参数的历史数据离线计算对应的临界区域字典集;
根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型;
根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布。
进一步,所述基于净负荷参数的历史数据离线计算对应的临界区域字典集这一步骤,具体包括:
输入预测时间尺度和时间间隔;
以净负荷为参数,基于净负荷参数历史数据预测样本集动态求取对应的临界区域集合,划分参数空间,以离线求解出对应的临界区域字典集。
进一步,所述根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型这一步骤,具体包括:
以预设时间间隔滚动更新负荷预测值;
根据滚动更新的净负荷预测值产生净负荷时序样本序列作为净负荷参数样本集;
根据预测时间尺度、时间间隔以及净负荷参数样本集在线建立反映临界区域状态的离散非时齐马尔科夫链模型,所述在线建立的离散非时齐马尔科夫链模型的定义元素包括:基于临界区域编号集组成的状态空间、初始临界区域编号状态概率和临界区域状态概率转移矩阵。
进一步,所述根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布这一步骤,具体包括:
采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,从而估计出临界区域状态概率转移矩阵;
根据临界区域状态概率转移矩阵由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数。
进一步,所述采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,从而估计出临界区域状态概率转移矩阵这一步骤,具体包括:
采用拟蒙特卡洛模拟法抽样临界区域编号集历史数据;
根据临界区域编号集历史数据估计临界区域状态不同时段间的转移概率,最终得到估计的临界区域状态概率转移矩阵。
进一步,所述根据临界区域状态概率转移矩阵由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数这一步骤,具体包括:
根据估计出的临界区域状态概率转移矩阵计算临界区域状态的概率质量函数,所述临界区域状态的概率质量函数的计算公式为:
由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值,所述实时节点边际电价预测值的计算公式为:
π(d)=λ(d)·1+GSFTμ(d)
其中,d为净负荷,π(d)为d对应的实时节点边际电价,λ(d)为能量平衡约束影子电价,1为单位矩阵,GSF为发电机转移因子矩阵,GSFT为GSF的转置,μ(d)为线路传输容量约束影子电价。
本发明所采取的第二技术方案是:
一种超短期节点边际电价概率预测系统,包括:
离线计算模块,用于基于净负荷参数的历史数据离线计算对应的临界区域字典集;
在线建模模块,用于根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型;
实时节点边际电价概率计算模块,用于根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布。
进一步,所述离线计算模块包括:
输入单元,用于输入预测时间尺度和时间间隔;
离线求解单元,用于以净负荷为参数,基于净负荷参数历史数据预测样本集动态求取对应的临界区域集合,划分参数空间,以离线求解出对应的临界区域字典集。
进一步,所述在线建模模块具体包括:
滚动更新单元,用于以预设时间间隔滚动更新负荷预测值;
净负荷参数样本集产生单元,用于根据滚动更新的净负荷预测值产生净负荷时序样本序列作为净负荷参数样本集;
在线建模单元,用于根据预测时间尺度、时间间隔以及净负荷参数样本集在线建立反映临界区域状态的离散非时齐马尔科夫链模型,所述在线建立的离散非时齐马尔科夫链模型的定义元素包括:基于临界区域编号集组成的状态空间、初始临界区域编号状态概率和临界区域状态概率转移矩阵。
本发明所采取的第三技术方案是:
一种超短期节点边际电价概率预测系统,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行如第一技术方案所述的超短期节点边际电价概率预测方法。
本发明的有益效果是:本发明一种超短期节点边际电价概率预测方法及系统,基于净负荷参数的历史数据离线计算对应的临界区域字典集,然后根据滚动更新的净负荷预测值在线建立离散非时齐马尔科夫链模型,最后结合多参数规划理论中临界区域和拉格朗日对偶问题的关系得到实时节点边际电价的预测值及对应的概率分布,基于离线预测历史结果寻求不确定性参数状态空间和解空间的关系,建立临界区域字典集,在线计算时只需对滚动更新的节点边际电价向量对应的临界区域状态建立离散非时齐马尔科夫链模型,即可配合参数规划理论来得出实时节点边际电价的预测值及对应的概率分布,使得大部分的计算在离线状态下完成,能满足在线计算的需要,适用于实时市场的超短期实时节点边际电价概率预测。
附图说明
图1为本发明一种超短期节点边际电价概率预测方法的步骤流程图;
图2为本发明节点边际电价马尔科夫链模型示意图;
图3为本发明参数状态划分示意图;
图4为本发明实时节点边际电价概率预测流程图;
图5为预测时间尺度为12小时时分别采用本发明的方法和采用简单随机抽样蒙特卡洛模拟法进行预测得到的结果对比图;
图6为预测时间尺度为16小时时分别采用本发明的方法和采用简单随机抽样蒙特卡洛模拟法进行预测得到的结果对比图;
图7为预测时间尺度为22小时时分别采用本发明的方法和采用简单随机抽样蒙特卡洛模拟法进行预测得到的结果对比图;
图8为预测时间尺度为24小时时分别采用本发明的方法和采用简单随机抽样蒙特卡洛模拟法进行预测得到的结果对比图。
具体实施方式
参照图1,一种超短期节点边际电价概率预测方法,包括以下步骤:
基于净负荷参数的历史数据离线计算对应的临界区域字典集;
根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型;
根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布。
进一步作为优选的实施方式,所述基于净负荷参数的历史数据离线计算对应的临界区域字典集这一步骤,具体包括:
输入预测时间尺度和时间间隔;
以净负荷为参数,基于净负荷参数历史数据预测样本集动态求取对应的临界区域集合,划分参数空间,以离线求解出对应的临界区域字典集。
进一步作为优选的实施方式,所述根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型这一步骤,具体包括:
以预设时间间隔滚动更新负荷预测值;
根据滚动更新的净负荷预测值产生净负荷时序样本序列作为净负荷参数样本集;
根据预测时间尺度、时间间隔以及净负荷参数样本集在线建立反映临界区域状态的离散非时齐马尔科夫链模型,所述在线建立的离散非时齐马尔科夫链模型的定义元素包括:基于临界区域编号集组成的状态空间、初始临界区域编号状态概率和临界区域状态概率转移矩阵。
进一步作为优选的实施方式,所述根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布这一步骤,具体包括:
采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,从而估计出临界区域状态概率转移矩阵;
根据临界区域状态概率转移矩阵由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数。
进一步作为优选的实施方式,所述采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,从而估计出临界区域状态概率转移矩阵这一步骤,具体包括:
采用拟蒙特卡洛模拟法抽样临界区域编号集历史数据;
根据临界区域编号集历史数据估计临界区域状态不同时段间的转移概率,最终得到估计的临界区域状态概率转移矩阵。
进一步作为优选的实施方式,所述根据临界区域状态概率转移矩阵由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数这一步骤,具体包括:
根据估计出的临界区域状态概率转移矩阵计算临界区域状态的概率质量函数,所述临界区域状态的概率质量函数的计算公式为:
由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值,所述实时节点边际电价预测值的计算公式为:
π(d)=λ(d)·1+GSFTμ(d)
其中,d为净负荷,π(d)为d对应的实时节点边际电价,λ(d)为能量平衡约束影子电价,1为单位矩阵,GSF为发电机转移因子矩阵,GSFT为GSF的转置,μ(d)为线路传输容量约束影子电价。
与图1的方法相对应,本发明一种超短期节点边际电价概率预测系统,包括:
离线计算模块,用于基于净负荷参数的历史数据离线计算对应的临界区域字典集;
在线建模模块,用于根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型;
实时节点边际电价概率计算模块,用于根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布。
进一步作为优选的实施方式,所述离线计算模块包括:
输入单元,用于输入预测时间尺度和时间间隔;
离线求解单元,用于以净负荷为参数,基于净负荷参数历史数据预测样本集动态求取对应的临界区域集合,划分参数空间,以离线求解出对应的临界区域字典集。
进一步作为优选的实施方式,所述在线建模模块具体包括:
滚动更新单元,用于以预设时间间隔滚动更新负荷预测值;
净负荷参数样本集产生单元,用于根据滚动更新的净负荷预测值产生净负荷时序样本序列作为净负荷参数样本集;
在线建模单元,用于根据预测时间尺度、时间间隔以及净负荷参数样本集在线建立反映临界区域状态的离散非时齐马尔科夫链模型,所述在线建立的离散非时齐马尔科夫链模型的定义元素包括:基于临界区域编号集组成的状态空间、初始临界区域编号状态概率和临界区域状态概率转移矩阵。
与图1的方法相对应,本发明一种超短期节点边际电价概率预测系统,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行如本发明所述的超短期节点边际电价概率预测方法。
本发明基于马尔科夫链模型和多参数规划理论,提出一种混合预测模型,预测实时节点边际电价的概率统计信息,应用于实时电力市场调度决策问题。如图2所示,本发明采用非时齐马尔科夫链模型描述实时节点边际电价时序特性,利用转移概率描述未来实时节点边际电价和当前系统运行状况的关联性。本发明采用拟蒙特卡洛模拟法生成状态概率转移矩阵,在保证预测精度的前提下,进一步提高了大规模电力系统的本发明计算速度。基于多参数规划方法存储历史节点边际电价序列,本发明还提出一种快速预测实时节点边际电价的方法。下面对本发明的基础理论及具体实现过程进行详细说明:
一、离线临界区域动态求取模型
由多参数规划理论的临界区域和优化问题拉格朗日对偶问题的关系可知:当线性规划成本函数为线性函数或二次型函数的情况下,由参数样本和对应已知临界区域的信息可快速求取系统节点边际电价,并预测输电线路的阻塞情况。因而本发明方法本质上是基于预测的临界区域出现规律,从而预测实时节点边际电价时序特性。
在离线状态下,将考虑安全约束的直流潮流最优模型看作是以净负荷d为参数的多参数规划问题,则系统节点边际电价可以看作是参数d的分段线性常数/仿射函数,如下式(1)所示:
π(d)=λ(d)·1+GSFTμ(d) (1)
假设最优调度决策变量可表示为:
由净负荷历参数史数据预测样本集动态求取对应的临界区域集合,划分参数状态空间(如图3所示),离线求解临界区域字典集{Di},其对应最优决策变量g*(d)分段线性仿射函数公式(2)及节点边际电价π(d)分段线性常数/仿射函数公式(1)。
二、在线马尔科夫链概率预测
本发明采用非时齐马尔科夫链模型描述实时节点边际电价的时序特性,可以等效为采用离散时序马尔科夫链预测临界区域的出现规律。
其中,T表示预测时间尺度;M表示拟蒙特卡洛模拟次数,表示字典集中任意一个字典原子(临界区域)的编号。可以将临界区域编号序列(即临界区域编号集合)描述成一个非时齐的马尔科夫过程,表示为{It|t=1,2,…,T}。所有可能出现的临界区域集合构成了临界区域状态空间,记为Ω。t时刻的临界区域状态变量定义为It,表示t时刻所有出现的临界区域编号集。
本发明通过预测临界区域状态It来预测实时节点边际电价LMPt。相比现有直接预测LMPt的点预测方法,采用本发明方法预测临界区域状态It进而求取LMPt有巨大的优势:实时节点边际电价波动性大,点预测方法难以准确预测;本发明离线得到的临界区域字典集节省了计算直流最优潮流时间,能满足在线计算要求。
本发明具有时序关联性的临界区域状态序列It是基于离线求取的临界区域字典集,通过建立其离散非时齐马尔科夫链模型得到的。特别地,本发明建立的状态随机序列{It:t=1,2,…,T}(T为预测时间尺度),为一个一阶非时齐马尔科夫链模型(Time in-homogeneous first-order Markov chain,TIFOMC)。非时齐意味着状态转移和部分时变参数变量相关,如负荷序列样本,系统实际运行状态等。
其中,非时马尔科夫链模型由如下元素定义:
1)基于临界区域编号集合组成的状态空间Ω;
3)状态概率转移矩阵集合:
Q≡{Qt,t+1},t=0,…,T-1 (4)
其中,Qt,t+1(i,j)=Pr(It+1=ej|It=ei)。该式说明It+1在t+1时刻的状态ej只与t时刻的状态ei有关,与之前任意历史时刻的数据无关。
而临界区域状态IT对应的该时刻的实时节点边际电价状态值由式(1)分段线性仿射函数求得。
三、拟蒙特卡洛模拟法估计临界区域状态概率转移矩阵
特别地,Qt,t+1(i,j)的估计量可以由下式求得:
其中,nt,t+1(i,j)表示基于时间窗口[tt,tt+1]观测到的临界区域序列参数样本由状态ei转移到状态ej的频次。
拟蒙特卡洛模拟法通过产生确定性低偏差率的点阵代替蒙特卡洛模拟法抽样得到的伪随机数集合,相比于常规蒙特卡洛模拟法具有更好的性能。拟蒙特卡洛模拟法从改进积分误差收敛速度的角度入手,产生低偏差率的点阵,将其均匀地填充至单位超立方体空间中,以提高求取积分问题的计算效率。
四、本发明的具体实现流程:
本发明所提出的混合模型包括两部分:离线临界区域动态求取模型和在线马尔科夫链概率预测模型。本发明实时节点边际电价概率预测方法在离线计算过程中,对多参数规划问题的参数空间建立临界区域字典集;在实时调度计算中,系统以预设时间间隔(如每5min)滚动更新净负荷预测值。而在线计算过程中,本发明首先基于更新的净负荷预测值产生净负荷参数样本集,并根据更新的数据在线建立临界区域状态马尔科夫链模型,然后采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,最后由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数,具体的算法流程参见图4。
为验证本发明所提出的混合模型对实时LMP和系统输电阻塞概率预测方法的准确性和高效性,本实施例还采用了神经网络点预测方法(CE)、正态分布拟合法(NM)和简单随机抽样蒙特卡洛模拟法(MC)对实时LMP进行概率预测,并与本发明所提出的基于马尔科夫链和多参数规划混合模型(HM)概率预测方法进行如下对比分析:
(1)算法预测精度对比
本实施例采用布莱尔分数(BS)指标衡量HM、CE、NM、MC四种方法的预测精度(指标参见公式(8)):
式中,P(i)是基于所采用的预测方法发生事件i的概率,O(i)是事件i的实际概率(如果不发生则为0),N是预测事件数量。
采用总变差距离(total variation distance,TV)指标衡量HM、NM两种概率预测方法相对MC(M=10000)方法的精度:
式中,Q(i)是采用MC预测方法发生事件i时的概率。总变差距离指标衡量了概率预测方法的预测精度,其指标取值范围为[0,1]。取值越大,预测精度越差。
表1列举了不同算法在全天提前1小时概率预测中预测精度指标均值的对比。
表1
算法 | HM | CE | NM | MC |
E[BS] | 0.421 | 0.734 | 0.644 | 0.424 |
E[TV] | 0.028 | - | 0.435 | - |
其中,布莱尔分数取值BS(HM)≈BS(MC)<BS(NM)<BS(CE)。MC方法精度较高但是计算速度较慢,一般作为对比算法衡量其他方法的预测精度。
表1的结果说明,相比与NM、CE算法,本发明所提出的算法的精度最高。总变差距离指标一般用来衡量概率预测方法的精度,以MC作为参考算法TV(HM)<TV(NM)。与上述指标结果吻合,采用本发明所提出的算法的预测精度最高,验证了本发明算法的准确性。
(2)不同新能源渗透率下算法的适用性分析
图5、图6、图7和图8分别为采用直接蒙特卡洛法和本发明所提出的方法提前1小时进行临界区域编号概率预测的结果对比。采用这两种方法均通过预测临界区域编号的概率分布,进而求取LMP概率分布。在图6、图7和图8中,新能源渗透率分别为5.5%、7%和9%,两种方法的临界区域编号概率分布均很贴合。在图5中,该时段新能源渗透率为26%,临界区域编号概率分布波动较大。然而HM方法和MC方法临界区域编号1的概率分别为0.32和0.33,此时LMP的值计算得35$/MW。采用CE方法不能获得临界区域编号概率分布,该方法预测得到LMP的值为40$/MW。此刻,LMP实际值为35$/MW。故在该时段采用CE方法由于LMP的离散分布特性,基于点预测的CE方法很难准确预测LMP的值,同时该结论也验证了本发明的算法在不同新能源渗透率情况下的适用性均较高。
综上所述,本发明的方案基于离线(日前)预测结果寻求不确定性参数状态空间和解空间的关系,建立临界区域字典集;并基于在线滚动预测模型对出现的实时节点边际电价向量(对应临界区域的编号值)建立离散非时齐马尔科夫链模型;通过拟蒙特卡洛模拟法估计临界区域的一步状态概率转移矩阵,并求取实时节点边际电价概率分布。由于本发明在离线状态下已经完成了大量计算,使得本发明的方案适用于实时市场的超短期实时节点边际电价概率预测。在系统状态模型不发生改变的情况下,本发明可重复利用离线计算的临界区域字典集,进一步节省计算成本。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种超短期节点边际电价概率预测方法,其特征在于:包括以下步骤:
基于净负荷参数的历史数据离线计算对应的临界区域字典集;
根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型;
根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布;
所述根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布,包括:
采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,从而估计出临界区域状态概率转移矩阵;
根据临界区域状态概率转移矩阵由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数;
所述采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,从而估计出临界区域状态概率转移矩阵这一步骤,具体包括:
采用拟蒙特卡洛模拟法抽样临界区域编号集历史数据;
根据临界区域编号集历史数据估计临界区域状态不同时段间的转移概率,最终得到估计的临界区域状态概率转移矩阵;
所述根据临界区域状态概率转移矩阵由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数这一步骤,具体包括:
根据估计出的临界区域状态概率转移矩阵计算临界区域状态的概率质量函数,所述临界区域状态的概率质量函数的计算公式为:
由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值,所述实时节点边际电价预测值的计算公式为:
π(d)=λ(d)·1+GSFTμ(d)
其中,d为净负荷,π(d)为d对应的实时节点边际电价,λ(d)为能量平衡约束影子电价,1为单位矩阵,GSF为发电机转移因子矩阵,GSFT为GSF的转置,μ(d)为线路传输容量约束影子电价。
2.根据权利要求1所述的一种超短期节点边际电价概率预测方法,其特征在于:所述基于净负荷参数的历史数据离线计算对应的临界区域字典集这一步骤,具体包括:
输入预测时间尺度和时间间隔;
以净负荷为参数,基于净负荷参数历史数据预测样本集动态求取对应的临界区域集合,划分参数空间,以离线求解出对应的临界区域字典集。
3.根据权利要求2所述的一种超短期节点边际电价概率预测方法,其特征在于:所述根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型这一步骤,具体包括:
以预设时间间隔滚动更新负荷预测值;
根据滚动更新的净负荷预测值产生净负荷时序样本序列作为净负荷参数样本集;
根据预测时间尺度、时间间隔以及净负荷参数样本集在线建立反映临界区域状态的离散非时齐马尔科夫链模型,所述在线建立的离散非时齐马尔科夫链模型的定义元素包括:基于临界区域编号集组成的状态空间、初始临界区域编号状态概率和临界区域状态概率转移矩阵。
4.一种超短期节点边际电价概率预测系统,其特征在于:包括:
离线计算模块,用于基于净负荷参数的历史数据离线计算对应的临界区域字典集;
在线建模模块,用于根据滚动更新的净负荷预测值产生净负荷参数样本集,并基于离线计算的临界区域字典集在线建立反映临界区域状态的离散非时齐马尔科夫链模型;
实时节点边际电价概率计算模块,用于根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布;
所述根据在线建立的离散非时齐马尔科夫链模型以及多参数规划理论中临界区域和拉格朗日对偶问题的关系,计算实时节点边际电价的预测值及对应的概率分布,包括:
采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,从而估计出临界区域状态概率转移矩阵;
根据临界区域状态概率转移矩阵由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数;
所述采用拟蒙特卡洛模拟法抽样数据计算临界区域状态不同时段间的转移概率,从而估计出临界区域状态概率转移矩阵,具体包括:
采用拟蒙特卡洛模拟法抽样临界区域编号集历史数据;
根据临界区域编号集历史数据估计临界区域状态不同时段间的转移概率,最终得到估计的临界区域状态概率转移矩阵;
所述根据临界区域状态概率转移矩阵由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值及对应的概率质量函数这一步骤,具体包括:
根据估计出的临界区域状态概率转移矩阵计算临界区域状态的概率质量函数,所述临界区域状态的概率质量函数的计算公式为:
由多参数规划拉格朗日对偶问题和临界区域的线性仿射关系求取实时节点边际电价预测值,所述实时节点边际电价预测值的计算公式为:
π(d)=λ(d)·1+GSFTμ(d)
其中,d为净负荷,π(d)为d对应的实时节点边际电价,λ(d)为能量平衡约束影子电价,1为单位矩阵,GSF为发电机转移因子矩阵,GSFT为GSF的转置,μ(d)为线路传输容量约束影子电价。
5.根据权利要求4所述的一种超短期节点边际电价概率预测系统,其特征在于:所述离线计算模块包括:
输入单元,用于输入预测时间尺度和时间间隔;
离线求解单元,用于以净负荷为参数,基于净负荷参数历史数据预测样本集动态求取对应的临界区域集合,划分参数空间,以离线求解出对应的临界区域字典集。
6.根据权利要求5所述的一种超短期节点边际电价概率预测系统,其特征在于:所述在线建模模块具体包括:
滚动更新单元,用于以预设时间间隔滚动更新负荷预测值;
净负荷参数样本集产生单元,用于根据滚动更新的净负荷预测值产生净负荷时序样本序列作为净负荷参数样本集;
在线建模单元,用于根据预测时间尺度、时间间隔以及净负荷参数样本集在线建立反映临界区域状态的离散非时齐马尔科夫链模型,所述在线建立的离散非时齐马尔科夫链模型的定义元素包括:基于临界区域编号集组成的状态空间、初始临界区域编号状态概率和临界区域状态概率转移矩阵。
7.一种超短期节点边际电价概率预测系统,其特征在于:包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行如权利要求1-3任一项所述的超短期节点边际电价概率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810744564.4A CN109102155B (zh) | 2018-07-09 | 2018-07-09 | 一种超短期节点边际电价概率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810744564.4A CN109102155B (zh) | 2018-07-09 | 2018-07-09 | 一种超短期节点边际电价概率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102155A CN109102155A (zh) | 2018-12-28 |
CN109102155B true CN109102155B (zh) | 2022-03-15 |
Family
ID=64845900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810744564.4A Active CN109102155B (zh) | 2018-07-09 | 2018-07-09 | 一种超短期节点边际电价概率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102155B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070221A (zh) * | 2019-04-16 | 2019-07-30 | 清华大学 | 基于全成本电价的电网规划方案评估与优选方法及系统 |
CN112183813B (zh) * | 2020-08-26 | 2024-04-09 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN112801415A (zh) * | 2021-03-05 | 2021-05-14 | 国网山东省电力公司寿光市供电公司 | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 |
CN112836900B (zh) * | 2021-03-05 | 2024-01-02 | 重庆大学 | 风电预测误差概率计算方法、装置及可读存储介质 |
CN113159835B (zh) * | 2021-04-07 | 2023-02-28 | 远光软件股份有限公司 | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1828656A (zh) * | 2006-04-13 | 2006-09-06 | 东南大学 | 基于马尔科夫链的发电侧竞价决策信息获取及处理方法 |
CN104462019A (zh) * | 2014-12-18 | 2015-03-25 | 江西理工大学 | 一种稀疏表示下支持向量机核函数选择方法及其应用 |
CN105279575A (zh) * | 2015-10-09 | 2016-01-27 | 南京邮电大学 | 基于发电预测的多能源主体分布式博弈优化方法 |
CN107563779A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种节点边际电价求解方法 |
CN107833101A (zh) * | 2017-11-10 | 2018-03-23 | 国家电网公司西北分部 | 一种基于节点电价机制的可再生能源交易费用的计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170030949A1 (en) * | 2015-07-29 | 2017-02-02 | Alcatel-Lucent Usa Inc. | Electrical load prediction including sparse coding |
-
2018
- 2018-07-09 CN CN201810744564.4A patent/CN109102155B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1828656A (zh) * | 2006-04-13 | 2006-09-06 | 东南大学 | 基于马尔科夫链的发电侧竞价决策信息获取及处理方法 |
CN104462019A (zh) * | 2014-12-18 | 2015-03-25 | 江西理工大学 | 一种稀疏表示下支持向量机核函数选择方法及其应用 |
CN105279575A (zh) * | 2015-10-09 | 2016-01-27 | 南京邮电大学 | 基于发电预测的多能源主体分布式博弈优化方法 |
CN107563779A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种节点边际电价求解方法 |
CN107833101A (zh) * | 2017-11-10 | 2018-03-23 | 国家电网公司西北分部 | 一种基于节点电价机制的可再生能源交易费用的计算方法 |
Non-Patent Citations (2)
Title |
---|
Probabilistic Forecasting and Simulation of__Electricity Markets via Online Dictionary Learning;Weisi Deng等;《arXiv:1606.07855v1》;20160625;无页码 * |
基于熵权时序模型的超短期风电功率预测;靳冰洁等;《水电能源科学》;20140831;第32卷(第8期);第189-192页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109102155A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102155B (zh) | 一种超短期节点边际电价概率预测方法及系统 | |
Li et al. | Data-driven charging strategy of PEVs under transformer aging risk | |
Li et al. | Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach | |
Liang et al. | Robust transmission expansion planning based on adaptive uncertainty set optimization under high-penetration wind power generation | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN105868853A (zh) | 一种短期风电功率组合概率预测方法 | |
Ozoh et al. | A comparative analysis of techniques for forecasting electricity consumption | |
Mbuwir et al. | A hybrid policy gradient and rule-based control framework for electric vehicle charging | |
CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
Li et al. | Modeling and energy dynamic control for a ZEH via hybrid model-based deep reinforcement learning | |
Silva et al. | Advanced fuzzy time series applied to short term load forecasting | |
de Mars et al. | Reinforcement learning and A* search for the unit commitment problem | |
CN116862551A (zh) | 一种考虑用户隐私保护的新能源消纳电价决策方法 | |
CN107464007A (zh) | 基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法 | |
Jiménez et al. | A closed-loop data-driven optimization framework for the unit commitment problem: A Q-learning approach under real-time operation | |
Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
Jiang et al. | Data-driven low-rank tensor approximation for fast grid integration of commercial EV charging stations considering demand uncertainties | |
Rouhani et al. | Soft clustering based probabilistic power flow with correlated inter temporal events | |
Taieb et al. | Probabilistic time series forecasting with boosted additive models: an application to smart meter data | |
Walraven et al. | Planning under uncertainty for aggregated electric vehicle charging with renewable energy supply | |
Xu et al. | Probabilistic forecasting-based reserve determination considering multi-temporal uncertainty of renewable energy generation | |
CN110991693A (zh) | 一种考虑购电成本不确定性的负荷价-量曲线聚合系统 | |
Coria et al. | Computational efficient approach to compute a prediction-of-use tariff for coordinating charging of plug-in electric vehicles under uncertainty | |
Srinivas et al. | A methodology for short term load forecasting using fuzzy logic and similarity | |
Livani et al. | A unified approach for power system predictive operations using Viterbi algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |