CN109784594A - 一种售电商可调负荷决策方法及系统 - Google Patents
一种售电商可调负荷决策方法及系统 Download PDFInfo
- Publication number
- CN109784594A CN109784594A CN201711103360.4A CN201711103360A CN109784594A CN 109784594 A CN109784594 A CN 109784594A CN 201711103360 A CN201711103360 A CN 201711103360A CN 109784594 A CN109784594 A CN 109784594A
- Authority
- CN
- China
- Prior art keywords
- electricity
- deferrable load
- sale
- user
- response
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 374
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 220
- 238000011160 research Methods 0.000 claims description 47
- 238000009826 distribution Methods 0.000 claims description 34
- 238000005381 potential energy Methods 0.000 claims description 12
- 240000002853 Nelumbo nucifera Species 0.000 claims description 9
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 9
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 9
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 2
- 244000131316 Panax pseudoginseng Species 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种考虑风险价值的售电商可调负荷决策方法及系统,包括:采集各可调负荷用户的历史需求响应信息以及预测的市场电价;基于所述采集到的历史需求响应信息、预测市场电价信息和预先构建的售电商可调负荷决策模型得到售电商可调负荷决策方案;所述售电商可调负荷决策模型包括用户响应偏差的风险价值和市场电价预测的风险价值。本发明提供的技术方案,降低了售电商采用可调负荷作为备用的收益风险,有益于可调负荷决策方案的推广与实施。
Description
技术领域
本发明涉及需求响应的技术领域,具体涉及一种售电商可调负荷决策方法及系统。
背景技术
随着售电侧市场放开,推动了售电商、负荷集合商等专业化主体成立,推动了需求响应潜力的充分挖掘。售电商在兼顾售电主业务的同时,根据市场电价特点,通过为用户挖掘需求潜力、签订需求响应协议,帮助用户调整用电行为以获取经济回报。可调负荷作为一种基于激励调控手段的需求响应资源,是削减高峰负荷、规避市场电价风险的必要手段,也是售电商主要的需求响应调控对象。售电商所整合的可调负荷一般是指不需要借助额外的电源或储能单元辅助,依靠自身用电特性就可以实现削减或者转移目的负荷资源。中小用户可调负荷资源聚合业务覆盖用户的灯光、暖通空调、冷柜、热水、电动汽车插充以及分布式电源和蓄电池资源等。
但开放的电力批发市场交易存在交易价格预测性的市场风险,可调负荷在实际中也会由于关注机制发布不及时、用户用电习惯难以改变等因素无法做出准确的响应,可能导致售电商交易成本过高,收益减少甚至亏损的风险。
因此为克服上述缺陷,本发明提出了一种售电商可调负荷决策方法及系统。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供了一种售电商可调负荷决策方法及系统,将负荷响应的不确定性和市场电价预测带来的风险损失纳入售电商的决策模型中,既解决售电收益最优问题又规避市场风险、降低风险带来的经济损失。
本发明提供的技术方案是:一种售电商可调负荷决策方法,所述方法包括:
采集各可调负荷用户的历史需求响应信息以及预测的市场电价;
基于所述采集到的历史需求响应信息、预测市场电价信息和预先构建的售电商可调负荷决策模型得到售电商可调负荷决策方案;
所述售电商可调负荷决策模型包括用户响应偏差的风险价值和市场电价预测的风险价值。
优选的,所述售电商可调负荷决策模型的构建包括:
基于可调负荷用户需求响应信息计算可调负荷用户需求响应概率分布,并将所述可调负荷用户分为至少一类可调负荷集群;
计算给定置信度基础上可调负荷集群中所有用户响应偏差的风险价值;
基于市场电价计算市场电价的预测概率分布;
计算给定置信度基础上市场电价预测的风险价值;
根据所述用户响应偏差的风险价值和所述市场电价预测的风险价值预先构建售电商可调负荷决策模型。
优选的,所述基于可调负荷用户需求响应信息计算可调负荷用户需求响应概率分布,并将所述可调负荷用户分为至少一类可调负荷集群包括:
基于各可调负荷用户的历史响应数据计算响应偏差率;
根据所述响应偏差率计算可调负荷用户响应特性参数;
根据所述可调负荷用户响应特性参数将可调负荷用户分为至少一类可调负荷集群;
根据所述可调负荷用户集群,计算可调负荷集群响应特性参数;
根据所述可调负荷集群响应特性参数,计算所述可调负荷集群响应偏差率的概率密度函数;
根据所述概率密度函数,确定可调负荷用户的响应偏差率分布。
优选的,所述响应偏差率按下式计算:
式中:δP:响应偏差率;εP:响应偏差量;Q0:期望动作量;Q:实际动作量。
优选的,根据所述响应偏差率计算可调负荷用户响应特性参数包括:偏差率均值和方差;
分别按下式计算:
式中:用户i的偏差率均值;用户i的方差;Ni:用户i参与需求响应的样本个数;用户i在第t个样本中的动作量期望值;用户i在第t个样本中的实际动作量;t:样本编号,t∈Ni。
优选的,所述将可调负荷用户分为至少一类可调负荷集群包括:
根据所述可调负荷用户的偏差率均值和方差将可调用户分为三类可调负荷集群,其中:
第I类可调负荷集群包括:当且或且
第II类可调负荷集群包括:当且 且或且
第III类可调负荷集群包括:且
优选的,所述计算可调负荷集群响应特性参数如下式所示:
式中:包含用户1~s的负荷集群v偏差率均值;用户i的偏差率均值;Ni:用户i参与需求响应的样本个数;包含用户1~s的负荷集群v方差;v:可调负荷集群;N1、N2、...、Ns:集群中各用户参与需求响应的样本个数。
优选的,所述可调负荷集群响应偏差率的概率密度函数为
优选的,所述基于所述可调负荷集群计算给定置信度基础上用户响应偏差的风险价值,按下式计算:
式中:响应偏差的风险价值;可调负荷集群响应偏差的风险价值;v:可调负荷集群;β:给定置信度;
所述可调负荷集群响应偏差的风险价值按下式计算:
式中:λloss:响应偏差成本;响应偏差率;Qv0:可调负荷集群的期望动作量;
所述λloss按下式计算:
λloss=λclear-λretail-λb
式中:λclear:市场批发电价;λretail:零售电价;λb:单位电量补偿价格。
优选的,所述基于市场电价计算市场电价的预测概率分布包括:用预测概率密度函数描述市场电价的预测概率分布为其中,
式中:j时刻的历史电价均值;距j时刻k小时的预测电价方差;k:1,2…24;K:取值为24;M:j时刻的历史电价样本个数;第t个样本中j时刻的市场批发电价;
所述按下式计算:
优选的,所述计算给定置信度基础上市场电价预测的风险价值,按下式计算:
式中:市场电价预测的风险价值;日前层面的电价预测风险价值;日内层面的电价预测风险价值;β:给定置信度;
所述日前层面的电价预测风险价值按下式计算:
式中:Pu:日前可调负荷的购买容量;ελ-:日前电价预测偏差量;
所述日内层面的电价预测的风险价值按下式计算:
式中:Q0:期望动作量;ελ+日内电价预测偏差量。
优选的,所述根据所述用户响应偏差的风险价值和所述市场电价预测的风险价值预先构建售电商可调负荷决策模型,还包括:售电商的收益;售电商实际支出的前期补贴;售电商实际支出的负荷调整补偿成本;售电商购买电量的成本;具体如下式所示:
式中:Bsell:售电商的收益;Ce:售电商实际支出的前期补贴;Cb:售电商实际支出的负荷调整补偿成本;Cbuy:售电商购买电量的成本;γ1:用户响应偏差的风险规避因子;γ2:市场电价预测误差的风险规避因子;用户响应偏差的风险价值;市场电价预测的风险价值。
优选的,所述售电商的收益,按下式计算:
Bsell=λretail×D
所述售电商购买电量的成本,按下式计算:
Cbuy=λclear,T×D
式中:λclear,T:时段T的市场批发电价;λretail:零售电价;D:实施可调负荷调整后售电商所辖电力的需求量;
所述售电商实际支出的前期补贴,按下式计算:
Ce=λe×(Pu1+Pu2+Pu3)
式中:λe:单位补贴价格;Pmin:用户参与需求响应项目的最小容量;Pu:日前可调负荷的购买容量;P1:参与容量第一界限;P2:参与容量第二档界限;λe1、λe2、λe3:对应的单位前期补贴价格,λe1<λe2<λe3;Pu1:从第I类可调负荷集群购买的可调负荷容量;Pu2:从第II类可调负荷集群购买的可调负荷容量;Pu3:从第III类可调负荷集群购买的可调负荷容量;
所述售电商实际支出的负荷调整补偿成本,按下式计算:
Cb=λb1×Q1+λb2×Q2+λb3×Q3
式中:λb1:第I类可调负荷集群的单位调度补偿价格;λb2:第II类可调负荷集群的单位调度补偿价格;λb3:第III类可调负荷集群的单位调度补偿价格,λb1>λb2>λb3;λb:单位电量补偿价格;Q1:第I类可调负荷集群动作量;Q2:第II类可调负荷集群动作量;Q3:第III类可调负荷集群动作量。
优选的,所述可调负荷决策模型还包括约束条件,如下式所示:
D=D0-Q1-Q2-Q3
式中:P3:参与容量第三档界限;Δt:负荷削减时长;D0:售电商所辖用户在时段T的初始需求电量。
优选的,所述基于所述采集到的历史需求响应信息、预测市场电价信息和预先构建的售电商可调负荷决策模型得到售电商可调负荷决策方案包括:
基于各可调负荷用户的历史需求响应信息、预测的市场电价、采集到的售电商所辖用户在时段T的初始需求电量、预先设定的各类负荷集群的日前可调容量Pu1、Pu2、Pu3和采集的日内的实际调度电量Q1、Q2、Q3;
采用matlab软件的遗传算法工具箱对所述可调负荷决策模型进行求解;
得到售电商的最大可调负荷和实施可调负荷调整后售电商所辖电力的需求量。
基于同一构思,本发明还提供了一种售电商可调负荷决策系统,所述系统包括:
采集模块:用于采集各可调负荷用户的历史需求响应信息以及预测的市场电价;
结果模块:用于基于所述采集到的历史需求响应信息、预测市场电价信息和所述售电商可调负荷决策模型得到售电商可调负荷决策方案;
所述售电商可调负荷决策模型包括用户响应偏差的风险价值和市场电价预测的风险价值。
优选的,还包括构建模块,用于预先构建售电商可调负荷决策模型;所述构建模块包括:
第一计算子模块:用于基于可调负荷用户需求响应信息计算可调负荷用户需求响应概率分布,并将所述可调负荷用户分为至少一类可调负荷集群;
第二计算子模块:用于计算给定置信度基础上可调负荷集群中所有用户响应偏差的风险价值;
第三计算子模块:用于基于市场电价计算市场电价的预测概率分布;计算给定置信度基础上市场电价预测的风险价值;
构建子模块:用于根据所述用户响应偏差的风险价值和所述市场电价预测的风险价值预先构建售电商可调负荷决策模型。
优选的,所述第一计算子模块包括:
第一计算单元:用于基于各可调负荷用户的历史响应数据计算响应偏差率;根据所述响应偏差率计算可调负荷用户响应特性参数;
分类单元:用于根据所述可调负荷用户响应特性参数将可调负荷用户分为至少一类可调负荷集群;
第二计算单元:用于根据所述可调负荷用户集群,计算可调负荷集群响应特性参数;根据所述可调负荷集群响应特性参数,计算所述可调负荷集群响应偏差率的概率密度函数;
响应偏差率分布单元:用于根据所述概率密度函数,确定可调负荷用户的响应偏差率分布。
优选的,所述第二计算子模块包括:
用户响应偏差的风险价值单元:用于按下式计算用户响应偏差的风险价值:
式中:响应偏差的风险价值;可调负荷集群响应偏差的风险价值;v:可调负荷集群;β:给定置信度;
可调负荷集群响应偏差的风险价值单元:用于按下式计算所述可调负荷集群响应偏差的风险价值:
式中:λloss:响应偏差成本;响应偏差率;Qv0:可调负荷集群的期望动作量;
响应偏差成本单元:用于按下式计算响应偏差成本:
λloss=λclear-λretail-λb
式中:λclear:市场批发电价;λretail:零售电价;λb:单位电量补偿价格。
优选的,所述第三计算子模块包括:
概率分布单元:用于用预测概率密度函数描述市场电价的预测概率分布,其中,
式中:j时刻的历史电价均值;距j时刻k小时的预测电价方差;k:1,2…24;K:取值为24;M:j时刻的历史电价样本个数;第t个样本中j时刻的市场批发电价;
历史电价均值单元:用于按下式计算j时刻的历史电价均值:
电价预测的风险价值单元:用于按下式计算给定置信度基础上市场电价预测的风险价值:
式中:市场电价预测的风险价值;日前层面的电价预测风险价值;日内层面的电价预测风险价值;β:给定置信度;
日前层面的电价预测风险价值单元:用于按下式计算所述日前层面的电价预测风险价值:
式中:Pu:日前可调负荷的购买容量;ελ-:日前电价预测偏差量;
日内层面的电价预测的风险价值单元:用于按下式计算所述日内层面的电价预测的风险价值:
式中:Q0:期望动作量;ελ+日内电价预测偏差量。
优选的,所述构建子模块还包括:
模型单元:用于按下式构建售电商可调负荷决策模型:
式中:Bsell:售电商的收益;Ce:售电商实际支出的前期补贴;Cb:售电商实际支出的负荷调整补偿成本;Cbuy:售电商购买电量的成本;γ1:用户响应偏差的风险规避因子;γ2:市场电价预测误差的风险规避因子;用户响应偏差的风险价值;市场电价预测的风险价值;
计算售电商的收益单元:用于按下式计算所述售电商的收益,
Bsell=λretail×D
计算售电商购买电量的成本单元:用于按下式计算所述售电商购买电量的成本,
Cbuy=λclear,T×D
式中:λclear,T:时段T的市场批发电价;λretail:零售电价;D:实施可调负荷调整后售电商所辖电力的需求量;
计算前期补贴单元:用于按下式计算所述售电商实际支出的前期补贴,
Ce=λe×(Pu1+Pu2+Pu3)
式中:λe:单位补贴价格;Pmin:用户参与需求响应项目的最小容量;Pu:日前可调负荷的购买容量;P1:参与容量第一界限;P2:参与容量第二档界限;λe1、λe2、λe3:对应的单位前期补贴价格,λe1<λe2<λe3;Pu1:从第I类可调负荷集群购买的可调负荷容量;Pu2:从第II类可调负荷集群购买的可调负荷容量;Pu3:从第III类可调负荷集群购买的可调负荷容量;
计算负荷调整补偿成本单元:用于按下式计算所述售电商实际支出的负荷调整补偿成本,
Cb=λb1×Q1+λb2×Q2+λb3×Q3
式中:λb1:第I类可调负荷集群的单位调度补偿价格;λb2:第II类可调负荷集群的单位调度补偿价格;λb3:第III类可调负荷集群的单位调度补偿价格,λb1>λb2>λb3;λb:单位电量补偿价格;Q1:第I类可调负荷集群动作量;Q2:第II类可调负荷集群动作量;Q3:第III类可调负荷集群动作量。
约束单元:用于作为可调负荷决策模型的约束条件,如下式所示:
D=D0-Q1-Q2-Q3
式中:P3:参与容量第三档界限;Δt:负荷削减时长;D0:售电商所辖用户在时段T的初始需求电量。
优选的,所述结果模块包括:
输入单元:用于基于各可调负荷用户的历史需求响应信息、预测的市场电价、采集到的售电商所辖用户在时段T的初始需求电量、预先设定的各类负荷集群的日前可调容量Pu1、Pu2、Pu3和采集的日内的实际调度电量Q1、Q2、Q3;
求解单元:用于采用matlab软件的遗传算法工具箱对所述可调负荷决策模型进行求解;
结果单元:用于得到售电商的最大可调负荷和实施可调负荷调整后售电商所辖电力的需求量。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
本发明提供的技术方案中,通过历史需求响应信息、预测市场电价信息获取可调负荷用户的响应偏差率分布和市场电价的预测概率分布,充分考虑了影响售电商收益的用户响应偏差的风险和市场电价预测的风险,建立售电商可调负荷决策模型,根据采集到的历史需求响应信息、预测市场电价信息和售电商可调负荷决策模型得到售电商可调负荷决策方案,降低了售电商采用可调负荷作为备用的收益风险,有益于可调负荷决策方案的推广与实施。
本发明提供的技术方案中,将负荷响应的不确定性和市场电价预测带来的风险损失纳入售电商的决策模型中,既解决售电收益最优问题又规避市场风险、降低风险带来的经济损失。
附图说明
图1为本发明的结构图,;
图2为本发明实施例中的流程图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
本发明的整体结构图如附图1:
采集各可调负荷用户的历史需求响应信息以及预测的市场电价;
基于所述采集到的历史需求响应信息、预测市场电价信息和预先构建的售电商可调负荷决策模型得到售电商可调负荷决策方案;
所述售电商可调负荷决策模型包括用户响应偏差的风险价值和市场电价预测的风险价值。
如图2所示为本发明流程图;
1)获取可调负荷用户的响应偏差率分布和市场电价的预测概率分布。获取售电商所辖用户集群的历史需求响应信息以及历史市场电价信息。
(1)获取可调负荷用户的响应偏差率分布
a根据响应偏差率计算各可调负荷用户响应特性参数;为精细化售电商的风险判别以及调度决策,对各个可调负荷用户依次计算响应偏差特征参数。为了方便建模,对响应偏差量做归一化处理,将响应偏差量Q-Q0与期望动作量Q0的比值作为响应偏差率δP。
对各个可调负荷用户的历次响应数据,用偏差率均值μP和方差(σP)2描述各用户响应的偏差特性,计算公式为:
式中:用户i的偏差率均值;用户i的方差;Ni:用户i参与需求响应的样本个数;用户i在第t个样本中的动作量期望值;用户i在第t个样本中的实际动作量;t:样本编号,t∈Ni;响应偏差量
b根据可调负荷用户响应特性参数对可调负荷用户分类:在用户个数众多的情况下,为提高后续决策效率,将可调负荷用户按照响应偏差率均值和方差分类,特性相近的用户组成为一类负荷集群,如表1,
表1
具体分类标准如下:
第I类:当且或且
第II类:当且且或且
第III类:且
c依次计算各类可调负荷集群响应特性参数:对可调负荷集群v,将该集群中所有用户的历史响应样本整合,计算集群的整体响应偏差率均值及方差,计算公式为:
式中,和分别代表包含用户1~s的负荷集群v历史响应偏差率均值和方差;Ni:用户i参与需求响应的样本个数;v:可调负荷集群;N1、N2、...、Ns为集群中各用户参与需求响应的历史样本个数。
d获得各类可调负荷集群响应偏差率的概率密度函数:将可调负荷集群v响应偏差率数据导入,拟合得到该集群响应偏差率的概率分布函数,即可得到其对应的概率密度函数以此类推求得其他各类可调负荷集群响应偏差率的概率密度函数。
(2)获取市场电价预测概率分布
零售商对市场电价的预测一般是随时间变化的,时间间隔越小,预测精度越大。因此,将电价预测概率分布的建模描述为关于时间变量的函数,其满足如下假设:
μλ(k)=μλ (6)
式中,μλ(k)为距待预测时刻k小时前的预测电价均值;μλ、σλ分别为从历史电价信息获得的待预测时刻电价均值及标准差;σλ(k)为距待预测时刻k小时前的预测电价标准差,并认为距待预测时刻24小时及以上售电商主要通过历史电价信息预测,则K取24;k:取值为1到24中的任意值。
对某一j时刻的市场批发电价预测,具体步骤为:
a在历史(过去一年)信息中取出每日j时刻的电价情况,作为分析样本;
b获得j时刻市场批发电价预测的概率密度函数:将a步骤得到的样本数据导入,拟合得到该时刻电价预测的概率分布函数,即可得到其对应的概率密度函数
c时刻j的电价均值及方差,计算公式如下
式中,和分别代表j时刻的历史电价均值及方差;M为j时刻的历史电价样本个数;为第t个样本中时刻j的市场批发电价。
则距j时刻k小时的预测概率分布可以描述为其中
2)根据可调负荷用户的响应偏差率分布,计算用户响应偏差的风险价值:
出于成本收益考虑,需求相应服务商总是希望风险损失小的可调负荷集群优先参与调度。可调负荷集群的风险损失是由动作量小于期望值引起的。在不考虑市场价格风险的前提下,当可调负荷集群v响应偏差量为时,可调负荷集群的损失价值可表示为:
式中,λloss是响应偏差成本,由市场批发电价λclear、零售电价λretail及单位电量补偿价格λb决定。其中市场批发电价λclear和零售电价λretail是每次计算前根据历史电价信息预测得到的,单位电量补偿价格λb是预先设定的;由于损失值和偏差量为对应关系,所以损失函数的概率密度函数与相同。对给定可容忍损失αv,则损失价值不超过αv的累积分布函数:
对于给定置信度β,可调负荷集群v的为
设上式右边的求解结果为则可得
用响应偏差率表示为所有集群的响应偏差风险总值可表示为
3)根据市场电价的预测概率分布,计算市场电价预测的风险价值:
市场电价波动影响了售电商对电力市场批发价格的预测准确性,从而影响了售电公司的售电收益。由于可调负荷作为备用,涉及到前期容量补贴及调度电量补偿两个时间断面,不同时间尺度售电商对于电价的预测精度不尽相同,与之相对应的风险价值也不同。因此本方法以日前24小时购买可调负荷容量为例,分别给出日前及日内层面的电价预测风险价值计算过程。
(1)日前层面的电价预测风险价值
日前层面售电商需要决策购买一定容量可调负荷的权利,因此此时面临的电价预测风险主要体现在容量补贴上。当日前对批发市场电价的预测偏差量为ελ-时,售电商的损失价值yλ-可表示为:
yλ-=Puελ- (16)
式中,Pu是日前可调负荷的购买容量。
同理可知,损失函数的概率密度函数f(yλ-)与f(ελ-)相同,给定最大可容忍损失χ,则风险损失yλ-的不超过χ的累积分布函数:
对于给定置信度β,日前层面市场电价预测的为
设上式右边的求解结果为则可得
(2)日内层面的电价预测风险价值
日内层面售电商选择行使可调负荷的调度权利,因此此时面临的电价预测风险主要体现在电量补偿上。设日内售电商提前k小时做调度决策并发布通知,则此时的电价预测满足概率分布。当日内市场电价的预测偏差量为ελ+时,售电商的损失价值yλ+可表示为:
yλ+=Q0ελ+ (20)
式中,Q0是售电商决策的期望动作量;对给定最大可容忍损失χ,则风险损失yλ+的不超过χ的累积分布函数:
对于给定置信度β,日内层面市场电价预测的为
设上式右边的求解结果为则可得
据此,售电商在可调负荷决策过程中的市场电价预测风险价值可表述为
式中,电价预测偏差与分别满足和的概率分布。
4)建立售电商的可调负荷决策模型;
设售电商按照如下原则进行可调负荷交易:
(1)售电商预先与用户签订合同,以前期补贴的方式从用户处购买调度可调负荷的权限。为提高用户参与项目的积极性,设计单位补贴价格λe(万元/MW)与用户可调负荷容量有关:
式中:Pmin为用户参与需求响应项目的最小容量,P1、P2分别为参与容量第一、二档界限,λe1、λe2、λe3为对应的单位前期补贴价格,λe1<λe2<λe3。售电商实际支出的前期补贴为Ce=λe×(Pu1+Pu2+Pu3)。其中Pu1、Pu2、Pu3分别为从三类负荷集群购买的可调负荷容量。
(2)当售电商行使对用户的调整负荷权利后,需按一定的补偿价格对用户响应量进行补偿。为体现不同用户可调负荷特性的差异,并鼓励用户提高响应准确度,设置单位电量补偿价格λb(万元/MWh)与可调负荷用户类别有关,I类用户补偿价格最大,Ⅱ类其次,Ⅲ类最小:
式中:λb1、λb2、λb3为三类用户的单位调度补偿价格,λb1>λb2>λb3。则售电商实际支出的负荷调整补偿成本为Cb=λb1×Q1+λb2×Q2+λb3×Q3。其中Q1、Q2、Q3分别为三类可调负荷集群动作量。
(3)设时段T的批发市场电价为λclear,T(万元/MWh),则当λclear,T>(λretail+λb)时,理性的售电商选择行使对用户的调整负荷权利;否则,售电商不会选择行使对用户的调整负荷权利。
(4)当时段T批发市场电价为λclear,T时,若售电商所辖电力需求量为D(MWh),则售电商从批发市场购买电量的成本为Cbuy=λclear,T×D,向用户售电收益为Bsell=λretail×D。
(5)由于日前合同限制,售电商在日内时段T具体决策调度电量时受到签约容量约束,即P1≤Pu1,P2≤Pu2,P3≤Pu3,其中P1、P2、P3为三类负荷集群的日内负荷削减功率。
售电商在平衡市场交易主要有两个目的:最大化交易收益和最小化交易风险,因此,考虑风险价值的售电商可调负荷决策模型目标函数为
式中,γ1、γ2分别表示对用户响应偏差以及市场电价预测误差的风险规避因子,与售电商的风险偏好有关,其值越小表示售电商对风险的接受能力越强,反之则越规避风险,该值是预先设定的。
该模型中还涉及到一些基本约束,如下式所示:
式中,描述了可调负荷的电量‐功率关系,Δt为负荷削减时长;
D=D0-Q1-Q2-Q3 (29)
式中:描述了电量平衡约束,D0为售电商所辖用户在时段T的初始需求电量,D为实施可调负荷调整后售电商所辖电力的需求量。
5)求解模型得出可调负荷调用方案
基于各可调负荷用户的历史需求响应信息、预测的市场电价、采集到的售电商所辖用户在时段T的初始需求电量、预先设定的各类负荷集群的日前可调容量Pu1、Pu2、Pu3和采集的日内的实际调度电量Q1、Q2、Q3;
采用matlab软件的遗传算法工具箱对所述可调负荷决策模型进行求解;
得到售电商的最大可调负荷和实施可调负荷调整后售电商所辖电力的需求量。
基于同一发明构思,本发明还提供了一种售电商可调负荷决策系统,所述系统包括:
采集模块:用于采集各可调负荷用户的历史需求响应信息以及预测的市场电价;
结果模块:用于基于所述采集到的历史需求响应信息、预测市场电价信息和所述售电商可调负荷决策模型得到售电商可调负荷决策方案;
所述售电商可调负荷决策模型包括用户响应偏差的风险价值和市场电价预测的风险价值。
实施例中,还包括构建模块,用于预先构建售电商可调负荷决策模型;所述构建模块包括:
第一计算子模块:用于基于可调负荷用户需求响应信息计算可调负荷用户需求响应概率分布,并将所述可调负荷用户分为至少一类可调负荷集群;
第二计算子模块:用于计算给定置信度基础上可调负荷集群中所有用户响应偏差的风险价值;
第三计算子模块:用于基于市场电价计算市场电价的预测概率分布;计算给定置信度基础上市场电价预测的风险价值;
构建子模块:用于根据所述用户响应偏差的风险价值和所述市场电价预测的风险价值预先构建售电商可调负荷决策模型。
实施例中,所述第一计算子模块包括:
第一计算单元:用于基于各可调负荷用户的历次响应数据计算响应偏差率;根据所述响应偏差率计算可调负荷用户响应特性参数;
分类单元:用于根据所述可调负荷用户响应特性参数将可调负荷用户分为至少一类可调负荷集群;
第二计算单元:用于根据所述可调负荷用户集群,计算可调负荷集群响应特性参数;根据所述可调负荷集群响应特性参数,计算所述可调负荷集群响应偏差率的概率密度函数;
响应偏差率分布单元:用于根据所述概率密度函数,确定可调负荷用户的响应偏差率分布。
实施例中,所述第二计算子模块包括:
用户响应偏差的风险价值单元:用于按下式计算用户响应偏差的风险价值:
式中:响应偏差的风险价值;可调负荷集群响应偏差的风险价值;v:可调负荷集群;β:给定置信度;
可调负荷集群响应偏差的风险价值单元:用于按下式计算所述可调负荷集群响应偏差的风险价值:
式中:λloss:响应偏差成本;响应偏差率;Qv0:可调负荷集群的期望动作量;
响应偏差成本单元:用于按下式计算响应偏差成本:
λloss=λclear-λretail-λb
式中:λclear:市场批发电价;λretail:零售电价;λb:单位电量补偿价格。
实施例中,所述第三计算子模块包括:
概率分布单元:用于用预测概率密度函数描述市场电价的预测概率分布,其中,
式中:j时刻的历史电价均值;距j时刻k小时的预测电价方差;k:1,2…24;K:取值为24;M:j时刻的历史电价样本个数;第t个样本中j时刻的市场批发电价;
历史电价均值单元:用于按下式计算j时刻的历史电价均值:
电价预测的风险价值单元:用于按下式计算给定置信度基础上市场电价预测的风险价值:
式中:市场电价预测的风险价值;日前层面的电价预测风险价值;日内层面的电价预测风险价值;β:给定置信度;
日前层面的电价预测风险价值单元:用于按下式计算所述日前层面的电价预测风险价值:
式中:Pu:日前可调负荷的购买容量;ελ-:日前电价预测偏差量;
日内层面的电价预测的风险价值单元:用于按下式计算所述日内层面的电价预测的风险价值:
式中:Q0:期望动作量;ελ+日内电价预测偏差量。
实施例中,所述构建子模块还包括:
模型单元:用于按下式构建售电商可调负荷决策模型:
式中:Bsell:售电商的收益;Ce:售电商实际支出的前期补贴;Cb:售电商实际支出的负荷调整补偿成本;Cbuy:售电商购买电量的成本;γ1:用户响应偏差的风险规避因子;γ2:市场电价预测误差的风险规避因子;用户响应偏差的风险价值;市场电价预测的风险价值。
实施例中,计算售电商的收益单元:用于按下式计算所述售电商的收益,
Bsell=λretail×D
计算售电商购买电量的成本单元:用于按下式计算所述售电商购买电量的成本,
Cbuy=λclear,T×D
式中:λclear,T:时段T的市场批发电价;λretail:零售电价;D:实施可调负荷调整后售电商所辖电力的需求量;
计算前期补贴单元:用于按下式计算所述售电商实际支出的前期补贴,
Ce=λe×(Pu1+Pu2+Pu3)
式中:λe:单位补贴价格;Pmin:用户参与需求响应项目的最小容量;Pu:日前可调负荷的购买容量;P1:参与容量第一界限;P2:参与容量第二档界限;λe1、λe2、λe3:对应的单位前期补贴价格,λe1<λe2<λe3;Pu1:从第I类可调负荷集群购买的可调负荷容量;Pu2:从第II类可调负荷集群购买的可调负荷容量;Pu3:从第III类可调负荷集群购买的可调负荷容量;
计算负荷调整补偿成本单元:用于按下式计算所述售电商实际支出的负荷调整补偿成本,
Cb=λb1×Q1+λb2×Q2+λb3×Q3
式中:λb1:第I类可调负荷集群的单位调度补偿价格;λb2:第II类可调负荷集群的单位调度补偿价格;λb3:第III类可调负荷集群的单位调度补偿价格,λb1>λb2>λb3;λb:单位电量补偿价格;Q1:第I类可调负荷集群动作量;Q2:第II类可调负荷集群动作量;Q3:第III类可调负荷集群动作量。
实施例中,约束单元:用于作为可调负荷决策模型的约束条件,如下式所示:
D=D0-Q1-Q2-Q3
式中:P3:参与容量第三档界限;Δt:负荷削减时长;D0:售电商所辖用户在时段T的初始需求电量。
实施例中,所述结果模块包括:
输入单元:用于基于各可调负荷用户的历史需求响应信息、预测的市场电价、采集到的售电商所辖用户在时段T的初始需求电量、预先设定的各类负荷集群的日前可调容量Pu1、Pu2、Pu3和采集的日内的实际调度电量Q1、Q2、Q3;
求解单元:用于采用matlab软件的遗传算法工具箱对所述可调负荷决策模型进行求解;
结果单元:用于得到售电商的最大可调负荷和实施可调负荷调整后售电商所辖电力的需求量。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (22)
1.一种售电商可调负荷决策方法,其特征在于,所述方法包括:
采集各可调负荷用户的历史需求响应信息以及预测的市场电价;
基于所述采集到的历史需求响应信息、预测市场电价信息和预先构建的售电商可调负荷决策模型得到售电商可调负荷决策方案;
所述售电商可调负荷决策模型包括用户响应偏差的风险价值和市场电价预测的风险价值。
2.如权利要求1所述的售电商可调负荷决策方法,其特征在于,所述售电商可调负荷决策模型的构建包括:
基于可调负荷用户需求响应信息计算可调负荷用户需求响应概率分布,并将所述可调负荷用户分为至少一类可调负荷集群;
计算给定置信度基础上可调负荷集群中所有用户响应偏差的风险价值;
基于市场电价计算市场电价的预测概率分布;
计算给定置信度基础上市场电价预测的风险价值;
根据所述用户响应偏差的风险价值和所述市场电价预测的风险价值预先构建售电商可调负荷决策模型。
3.如权利要求2所述的售电商可调负荷决策方法,其特征在于,所述基于可调负荷用户需求响应信息计算可调负荷用户需求响应概率分布,并将所述可调负荷用户分为至少一类可调负荷集群包括:
基于各可调负荷用户的历史响应数据计算响应偏差率;
根据所述响应偏差率计算可调负荷用户响应特性参数;
根据所述可调负荷用户响应特性参数将可调负荷用户分为至少一类可调负荷集群;
根据所述可调负荷用户集群,计算可调负荷集群响应特性参数;
根据所述可调负荷集群响应特性参数,计算所述可调负荷集群响应偏差率的概率密度函数;
根据所述概率密度函数,确定可调负荷用户的响应偏差率分布。
4.如权利要求3所述的售电商可调负荷决策方法,其特征在于,所述响应偏差率按下式计算:
式中:δP:响应偏差率;εP:响应偏差量;Q0:期望动作量;Q:实际动作量。
5.如权利要求4所述的售电商可调负荷决策方法,其特征在于,根据所述响应偏差率计算可调负荷用户响应特性参数包括:偏差率均值和方差;
分别按下式计算:
式中:用户i的偏差率均值;用户i的方差;Ni:用户i参与需求响应的样本个数;用户i在第t个样本中的动作量期望值;用户i在第t个样本中的实际动作量;t:样本编号,t∈Ni。
6.如权利要求3所述的售电商可调负荷决策方法,其特征在于,所述将可调负荷用户分为至少一类可调负荷集群包括:
根据所述可调负荷用户的偏差率均值和方差将可调用户分为三类可调负荷集群,其中:
第I类可调负荷集群包括:当且或且
第II类可调负荷集群包括:当且且或且
第III类可调负荷集群包括:且
7.如权利要求6所述的售电商可调负荷决策方法,其特征在于,所述计算可调负荷集群响应特性参数如下式所示:
式中:包含用户1~s的负荷集群v偏差率均值;用户i的偏差率均值;Ni:用户i参与需求响应的样本个数;包含用户1~s的负荷集群v方差;v:可调负荷集群;N1、N2、...、Ns:集群中各用户参与需求响应的样本个数。
8.如权利要求7所述的售电商可调负荷决策方法,其特征在于,所述可调负荷集群响应偏差率的概率密度函数为
9.如权利要求2所述的售电商可调负荷决策方法,其特征在于,所述基于所述可调负荷集群计算给定置信度基础上用户响应偏差的风险价值,按下式计算:
式中:响应偏差的风险价值;可调负荷集群响应偏差的风险价值;v:可调负荷集群;β:给定置信度;
所述可调负荷集群响应偏差的风险价值按下式计算:
式中:λloss:响应偏差成本;响应偏差率;Qv0:可调负荷集群的期望动作量;
所述λloss按下式计算:
λloss=λclear-λretail-λb
式中:λclear:市场批发电价;λretail:零售电价;λb:单位电量补偿价格。
10.如权利要求2所述的售电商可调负荷决策方法,其特征在于,所述基于市场电价计算市场电价的预测概率分布包括:用预测概率密度函数描述市场电价的预测概率分布为其中,
式中:j时刻的历史电价均值;距j时刻k小时的预测电价方差;k:1,2…24;K:取值为24;M:j时刻的历史电价样本个数;第t个样本中j时刻的市场批发电价;
所述按下式计算:
11.如权利要求2所述的售电商可调负荷决策方法,其特征在于,所述计算给定置信度基础上市场电价预测的风险价值,按下式计算:
式中:市场电价预测的风险价值;日前层面的电价预测风险价值;日内层面的电价预测风险价值;β:给定置信度;
所述日前层面的电价预测风险价值按下式计算:
式中:Pu:日前可调负荷的购买容量;ελ-:日前电价预测偏差量;
所述日内层面的电价预测的风险价值按下式计算:
式中:Q0:期望动作量;ελ+日内电价预测偏差量。
12.如权利要求6所述的售电商可调负荷决策方法,其特征在于,所述根据所述用户响应偏差的风险价值和所述市场电价预测的风险价值预先构建售电商可调负荷决策模型,还包括:售电商的收益;售电商实际支出的前期补贴;售电商实际支出的负荷调整补偿成本;售电商购买电量的成本;具体如下式所示:
式中:Bsell:售电商的收益;Ce:售电商实际支出的前期补贴;Cb:售电商实际支出的负荷调整补偿成本;Cbuy:售电商购买电量的成本;γ1:用户响应偏差的风险规避因子;γ2:市场电价预测误差的风险规避因子;用户响应偏差的风险价值;市场电价预测的风险价值。
13.如权利要求12所述的售电商可调负荷决策方法,其特征在于,所述售电商的收益,按下式计算:
Bsell=λretail×D
所述售电商购买电量的成本,按下式计算:
Cbuy=λclear,T×D
式中:λclear,T:时段T的市场批发电价;λretail:零售电价;D:实施可调负荷调整后售电商所辖电力的需求量;
所述售电商实际支出的前期补贴,按下式计算:
Ce=λe×(Pu1+Pu2+Pu3)
式中:λe:单位补贴价格;Pmin:用户参与需求响应项目的最小容量;Pu:日前可调负荷的购买容量;P1:参与容量第一界限;P2:参与容量第二档界限;λe1、λe2、λe3:对应的单位前期补贴价格,λe1<λe2<λe3;Pu1:从第I类可调负荷集群购买的可调负荷容量;Pu2:从第II类可调负荷集群购买的可调负荷容量;Pu3:从第III类可调负荷集群购买的可调负荷容量;
所述售电商实际支出的负荷调整补偿成本,按下式计算:
Cb=λb1×Q1+λb2×Q2+λb3×Q3
式中:λb1:第I类可调负荷集群的单位调度补偿价格;λb2:第II类可调负荷集群的单位调度补偿价格;λb3:第III类可调负荷集群的单位调度补偿价格,λb1>λb2>λb3;λb:单位电量补偿价格;Q1:第I类可调负荷集群动作量;Q2:第II类可调负荷集群动作量;Q3:第III类可调负荷集群动作量。
14.如权利要求13所述的售电商可调负荷决策方法,其特征在于,所述可调负荷决策模型还包括约束条件,如下式所示:
D=D0-Q1-Q2-Q3
式中:P3:参与容量第三档界限;Δt:负荷削减时长;D0:售电商所辖用户在时段T的初始需求电量。
15.如权利要求1-14任一项所述的售电商可调负荷决策方法,其特征在于,所述基于所述采集到的历史需求响应信息、预测市场电价信息和预先构建的售电商可调负荷决策模型得到售电商可调负荷决策方案包括:
基于各可调负荷用户的历史需求响应信息、预测的市场电价、采集到的售电商所辖用户在时段T的初始需求电量、预先设定的各类负荷集群的日前可调容量Pu1、Pu2、Pu3和采集的日内的实际调度电量Q1、Q2、Q3;
采用matlab软件的遗传算法工具箱对所述可调负荷决策模型进行求解;
得到售电商的最大可调负荷和实施可调负荷调整后售电商所辖电力的需求量。
16.一种售电商可调负荷决策系统,其特征在于,所述系统包括:
采集模块:用于采集各可调负荷用户的历史需求响应信息以及预测的市场电价;
结果模块:用于基于所述采集到的历史需求响应信息、预测市场电价信息和预先构建的售电商可调负荷决策模型得到售电商可调负荷决策方案;
所述售电商可调负荷决策模型包括用户响应偏差的风险价值和市场电价预测的风险价值。
17.如权利要求16所述的售电商可调负荷决策系统,其特征在于,还包括构建模块,用于预先构建售电商可调负荷决策模型;所述构建模块包括:
第一计算子模块:用于基于可调负荷用户需求响应信息计算可调负荷用户需求响应概率分布,并将所述可调负荷用户分为至少一类可调负荷集群;
第二计算子模块:用于计算给定置信度基础上可调负荷集群中所有用户响应偏差的风险价值;
第三计算子模块:用于基于市场电价计算市场电价的预测概率分布;计算给定置信度基础上市场电价预测的风险价值;
构建子模块:用于根据所述用户响应偏差的风险价值和所述市场电价预测的风险价值预先构建售电商可调负荷决策模型。
18.如权利要求17所述的售电商可调负荷决策系统,其特征在于,所述第一计算子模块包括:
第一计算单元:用于基于各可调负荷用户的历史响应数据计算响应偏差率;根据所述响应偏差率计算可调负荷用户响应特性参数;
分类单元:用于根据所述可调负荷用户响应特性参数将可调负荷用户分为至少一类可调负荷集群;
第二计算单元:用于根据所述可调负荷用户集群,计算可调负荷集群响应特性参数;根据所述可调负荷集群响应特性参数,计算所述可调负荷集群响应偏差率的概率密度函数;
响应偏差率分布单元:用于根据所述概率密度函数,确定可调负荷用户的响应偏差率分布。
19.如权利要求17所述的售电商可调负荷决策系统,其特征在于,所述第二计算子模块包括:
用户响应偏差的风险价值单元:用于按下式计算用户响应偏差的风险价值:
式中:响应偏差的风险价值;可调负荷集群响应偏差的风险价值;v:可调负荷集群;β:给定置信度;
可调负荷集群响应偏差的风险价值单元:用于按下式计算所述可调负荷集群响应偏差的风险价值:
式中:λloss:响应偏差成本;响应偏差率;Qv0:可调负荷集群的期望动作量;
响应偏差成本单元:用于按下式计算响应偏差成本:
λloss=λclear-λretail-λb
式中:λclear:市场批发电价;λretail:零售电价;λb:单位电量补偿价格。
20.如权利要求19所述的售电商可调负荷决策系统,其特征在于,所述第三计算子模块包括:
概率分布单元:用于用预测概率密度函数描述市场电价的预测概率分布,其中,
式中:j时刻的历史电价均值;距j时刻k小时的预测电价方差;k:1,2…24;K:取值为24;M:j时刻的历史电价样本个数;第t个样本中j时刻的市场批发电价;
历史电价均值单元:用于按下式计算j时刻的历史电价均值:
电价预测的风险价值单元:用于按下式计算给定置信度基础上市场电价预测的风险价值:
式中:市场电价预测的风险价值;日前层面的电价预测风险价值;日内层面的电价预测风险价值;β:给定置信度;
日前层面的电价预测风险价值单元:用于按下式计算所述日前层面的电价预测风险价值:
式中:Pu:日前可调负荷的购买容量;ελ-:日前电价预测偏差量;
日内层面的电价预测的风险价值单元:用于按下式计算所述日内层面的电价预测的风险价值:
式中:Q0:期望动作量;ελ+日内电价预测偏差量。
21.如权利要求20所述的售电商可调负荷决策系统,其特征在于,所述构建子模块还包括:
模型单元:用于按下式构建售电商可调负荷决策模型:
式中:Bsell:售电商的收益;Ce:售电商实际支出的前期补贴;Cb:售电商实际支出的负荷调整补偿成本;Cbuy:售电商购买电量的成本;γ1:用户响应偏差的风险规避因子;γ2:市场电价预测误差的风险规避因子;用户响应偏差的风险价值;市场电价预测的风险价值;
计算售电商的收益单元:用于按下式计算所述售电商的收益,
Bsell=λretail×D
计算售电商购买电量的成本单元:用于按下式计算所述售电商购买电量的成本,
Cbuy=λclear,T×D
式中:λclear,T:时段T的市场批发电价;λretail:零售电价;D:实施可调负荷调整后售电商所辖电力的需求量;
计算前期补贴单元:用于按下式计算所述售电商实际支出的前期补贴,
Ce=λe×(Pu1+Pu2+Pu3)
式中:λe:单位补贴价格;Pmin:用户参与需求响应项目的最小容量;Pu:日前可调负荷的购买容量;P1:参与容量第一界限;P2:参与容量第二档界限;λe1、λe2、λe3:对应的单位前期补贴价格,λe1<λe2<λe3;Pu1:从第I类可调负荷集群购买的可调负荷容量;Pu2:从第II类可调负荷集群购买的可调负荷容量;Pu3:从第III类可调负荷集群购买的可调负荷容量;
计算负荷调整补偿成本单元:用于按下式计算所述售电商实际支出的负荷调整补偿成本,
Cb=λb1×Q1+λb2×Q2+λb3×Q3
式中:λb1:第I类可调负荷集群的单位调度补偿价格;λb2:第II类可调负荷集群的单位调度补偿价格;λb3:第III类可调负荷集群的单位调度补偿价格,λb1>λb2>λb3;λb:单位电量补偿价格;Q1:第I类可调负荷集群动作量;Q2:第II类可调负荷集群动作量;Q3:第III类可调负荷集群动作量。
约束单元:用于作为可调负荷决策模型的约束条件,如下式所示:
D=D0-Q1-Q2-Q3
式中:P3:参与容量第三档界限;Δt:负荷削减时长;D0:售电商所辖用户在时段T的初始需求电量。
22.如权利要求16-21中任一项所述的售电商可调负荷决策系统,其特征在于,所述结果模块包括:
输入单元:用于基于各可调负荷用户的历史需求响应信息、预测的市场电价、采集到的售电商所辖用户在时段T的初始需求电量、预先设定的各类负荷集群的日前可调容量Pu1、Pu2、Pu3和采集的日内的实际调度电量Q1、Q2、Q3;
求解单元:用于采用matlab软件的遗传算法工具箱对所述可调负荷决策模型进行求解;
结果单元:用于得到售电商的最大可调负荷和实施可调负荷调整后售电商所辖电力的需求量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711103360.4A CN109784594B (zh) | 2017-11-10 | 2017-11-10 | 一种售电商可调负荷决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711103360.4A CN109784594B (zh) | 2017-11-10 | 2017-11-10 | 一种售电商可调负荷决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784594A true CN109784594A (zh) | 2019-05-21 |
CN109784594B CN109784594B (zh) | 2024-01-19 |
Family
ID=66484391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711103360.4A Active CN109784594B (zh) | 2017-11-10 | 2017-11-10 | 一种售电商可调负荷决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784594B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008746A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司 | 一种考虑可转移负荷的负荷组合优化方法 |
CN111275285A (zh) * | 2019-12-30 | 2020-06-12 | 昆明电力交易中心有限责任公司 | 一种计及可中断负荷容量的用电量调控方法和系统 |
CN111600304A (zh) * | 2020-06-17 | 2020-08-28 | 广东工业大学 | 一种楼宇电力调度方法、装置和设备 |
CN112232886A (zh) * | 2020-10-30 | 2021-01-15 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN112348380A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学(保定) | 需求响应可调度容量概率预测方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215545A1 (en) * | 2003-01-31 | 2004-10-28 | Kabushiki Kaisha Toshiba | Power trading risk management system |
CN105719087A (zh) * | 2016-01-25 | 2016-06-29 | 云南电网有限责任公司电力科学研究院 | 一种弹性负荷集群的调度方法和系统 |
CN106228466A (zh) * | 2016-08-01 | 2016-12-14 | 中国南方电网有限责任公司电网技术研究中心 | 电力零售公司购电组合方案设计方法与系统 |
-
2017
- 2017-11-10 CN CN201711103360.4A patent/CN109784594B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215545A1 (en) * | 2003-01-31 | 2004-10-28 | Kabushiki Kaisha Toshiba | Power trading risk management system |
CN105719087A (zh) * | 2016-01-25 | 2016-06-29 | 云南电网有限责任公司电力科学研究院 | 一种弹性负荷集群的调度方法和系统 |
CN106228466A (zh) * | 2016-08-01 | 2016-12-14 | 中国南方电网有限责任公司电网技术研究中心 | 电力零售公司购电组合方案设计方法与系统 |
Non-Patent Citations (1)
Title |
---|
杨萌 等: "计及风险规避的售电公司平衡市场优化交易策略研究", 《电网技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008746A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司 | 一种考虑可转移负荷的负荷组合优化方法 |
CN111275285A (zh) * | 2019-12-30 | 2020-06-12 | 昆明电力交易中心有限责任公司 | 一种计及可中断负荷容量的用电量调控方法和系统 |
CN111275285B (zh) * | 2019-12-30 | 2024-02-20 | 昆明电力交易中心有限责任公司 | 一种计及可中断负荷容量的用电量调控方法和系统 |
CN111600304A (zh) * | 2020-06-17 | 2020-08-28 | 广东工业大学 | 一种楼宇电力调度方法、装置和设备 |
CN112232886A (zh) * | 2020-10-30 | 2021-01-15 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN112232886B (zh) * | 2020-10-30 | 2021-06-04 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN112348380A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学(保定) | 需求响应可调度容量概率预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109784594B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784594A (zh) | 一种售电商可调负荷决策方法及系统 | |
RU2747281C2 (ru) | Иерархический неявный контроллер для экранированной системы в энергосети | |
Walther et al. | Design of regional production networks for second generation synthetic bio-fuel–A case study in Northern Germany | |
Hesamzadeh et al. | Computation of extremal-Nash equilibria in a wholesale power market using a single-stage MILP | |
CN105164883A (zh) | 使用日前市场和实时市场价格的电力网中的需求调整 | |
Zhang et al. | Cooperative optimization scheduling of the electricity-gas coupled system considering wind power uncertainty via a decomposition-coordination framework | |
EP3343128A1 (en) | Profiling of hot water use from electrical thermal storage vessels | |
CN107464025A (zh) | 基于大数据的供应链需求预测与智能决策方法 | |
Bjelić et al. | Two methods for decreasing the flexibility gap in national energy systems | |
Wang et al. | A survey on distributed optimisation approaches and applications in smart grids | |
Davydenko et al. | Smart Sustainable Freight Transport for a City Multi-Floor Manufacturing Cluster: A Framework of the Energy Efficiency Monitoring of Electric Vehicle Fleet Charging | |
Jayawardana et al. | Optimisation framework for the operation of battery storage within solar‐rich microgrids | |
Binyet et al. | Potential of demand response for power reallocation, a literature review | |
Jentgen et al. | Energy management strategies use short‐term water consumption forecasting to minimize cost of pumping operations | |
CN110490220A (zh) | 一种母线负荷辨识方法和系统 | |
Ferris et al. | Renewable electricity capacity planning with uncertainty at multiple scales | |
CN110311417A (zh) | 一种计及用户效用的机组组合调度的决策方法 | |
CN113052630B (zh) | 利用模型进行电力设备配置的方法和电力设备配置方法 | |
Avdevicius et al. | Bus charging management based on AI prediction and MILP optimization | |
Oviedo Cepeda et al. | Design of a Methodology to Evaluate the Impact of Demand-Side Management in the Planning of Isolated/Islanded Microgrids | |
Rekhade et al. | Forecasting sector-wise electricity consumption for India using various regression models | |
Anderson et al. | Optimize Deep Decarbonization Pathways in California with Power System Planning Using Surrogate Level-based Lagrangian Relaxation | |
Aragón et al. | Optimization Framework for short-term control of Energy Storage Systems | |
Ferris et al. | 100% renewable electricity with storage | |
CN111598349A (zh) | 一种短期用电量预测方法、装置及可读存储介质 |
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 |