CN110555742A - 一种发电商代理报价的生成方法与系统 - Google Patents
一种发电商代理报价的生成方法与系统 Download PDFInfo
- Publication number
- CN110555742A CN110555742A CN201810548521.9A CN201810548521A CN110555742A CN 110555742 A CN110555742 A CN 110555742A CN 201810548521 A CN201810548521 A CN 201810548521A CN 110555742 A CN110555742 A CN 110555742A
- Authority
- CN
- China
- Prior art keywords
- market
- quotation
- strategy
- value
- epsilon
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 5
- 230000007306 turnover Effects 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 9
- 230000006399 behavior Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种发电商代理报价的生成方法与系统,包括:获取市场负荷预测值;将所述市场负荷预测值带入预先设定的决策模型中计算报价;所述预先构建的决策模型包括根据市场负荷预测值采用改进的ε‑贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价。本发明提出了一种发电商代理报价的生成方法与系统,通过根据市场负荷预测值采用改进的ε‑贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价的方法,能够很好的体现实际市场参与者的决策偏好,使得电力市场中的仿真能够很好的反映实际市场参与者行为的多样性,使仿真更接近实际市场。
Description
技术领域
本发明属于电力系统自动化技术领域,具体而言本发明涉及一种发电商代理报价的生成方法与系统。
背景技术
当前电力行业发展面临一些亟待解决的问题,特别是市场交易机制缺失,发电企业与用户之间市场交易有限,市场定价机制尚未完全形成,售电侧有效竞争机制也尚未建立。电力市场的高效稳定运行,需要一整套科学缜密的市场机制提供保障。但贸然引入一项新的交易机制会给整个市场带来未知的风险,一旦引入的市场规则不合理,就会破坏市场的稳定,造成严重的经济损失。为了合理引导并优化市场交易机制的设计,降低和控制市场潜在的运行风险,未来电力市场的建设需要更有利的技术支持。
近年来,基于代理的建模技术被广泛应用于电力市场仿真研究,通过将电力市场中的情况进行计算机智能代理,针对特定市场,根据市场规则构建仿真模型,通过仿真实验,评估市场运行状态,检验市场规则的合理性。
虽然目前在发电商代理决策算法方面有较多的应用算法,有RE算法, Q-Learning算法、粒子群算法等,但是上述几种代理并不能完全体现实际市场参与者的决策偏好及实际市场参与者行为的多样性。
发明内容
为了解决现有代理不能完全体现实际市场参与者的决策偏好及实际市场参与者行为的多样性问题,本发明提供一种发电商代理报价的生成方法,包括:
获取市场负荷预测值;
将所述市场负荷预测值带入预先设定的决策模型中计算报价;
所述预先构建的决策模型包括:根据市场负荷预测值采用改进的ε-贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价。
优选的,所述预先构建的决策模型包括:
从预先构造市场状态集中选择市场负荷预测值对应的市场状态;
从预先构建的报价策略集合中选择与所述市场状态对应的报价策略;
设置初始值报价和迭代次数;
采用改进的ε-贪心算法对所述报价策略的值函数进行迭代计算获得最终报价。
优选的,所述采用改进的ε-贪心算法对所述报价策略的值函数进行迭代计算获得最终报价,包括:
设定奖赏折扣系数α和探索概率ε;
随机产生一个[0,1]之间的随机数r;
比较r与探索概率ε的大小,若r<ε,则以均匀概率随机从报价策略集合中选取一个策略;若r>ε,则选择st状态下值函数中的最大值对应的策略;
选择所述策略对应的报价;
将所述报价与预先获取的交易出清价格进行比较计算收益;
将所述策略设定为当前报价策略,更新所述报价策略对应的值函数,同时更新所述探索概率ε;
当达到迭代次数后,停止迭代;否则继续随机产生一个[0,1]之间的随机数r 进行迭代计算。
优选的,所述报价策略对应的值函数,如下式所示:
式中,α:奖赏折扣;R:策略ak带来的奖赏回报;s:表示市场状态集; sk:表是第t轮的市场状态;akj:表示策略值;Qt+1(s,a):表示第t+1轮的值函数;Qt(s,a):表示第t轮的值函数。
优选的,所述策略ak带来的奖赏回报R,按下式计算:
R=(LMP-C)*qi
式中,LMP:表示市场交易出清价格;qi:表示标电量;C:表示发电商代理i最末一段成交电量的成本。
优选的,所述探索概率ε的计算式如下:式中,t表示第t轮迭代。
优选的,所述预先构造市场状态集,包括:
将由在最小负荷和最大负荷基础上浮动一定阈值组成的负荷区间划分为m 个间隔,落在不同间隔范围内的负荷对应不同的市场状态,m个间隔构成具有m 个市场状态的市场状态集。
优选的,所述预先构建的报价策略集合包括:
由不同的市场状态,以发电商成本为基础,满足目标利润在5%-10%区间构建的策略组成的集合。
优选的,所述市场负荷预测值包括:根据月负荷预测数据得到。
一种发电商代理报价的生成系统,所述系统包括:
获取模块,用于获取市场负荷预测值;
计算模块,用于将所述市场负荷预测值带入预先设定的决策模型中计算报价;
构建模块,用于构建根据市场负荷预测值采用改进的ε-贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价的决策模型。
优选的,所述构建模块包括:选择单元、设置单元、计算单元和确定单元;
所述选择单元,用于从预先构造市场状态集中选择市场负荷预测值对应的市场状态,以及从预先构建的报价策略集合中选择与所述市场状态对应的报价策略;
所述设置单元,用于设置初始值报价和迭代次数;
所述计算单元,用于根据所述迭代次数的增加更新所述报价策略对应的值函数和探索概率;
所述确定单元,用于根采用改进的ε-贪心算法对所述报价策略的值函数进行迭代计算,获得最终报价。
优选的,所述确定单元包括:设定子单元、第一判断单元和选择更新子单元;所述设定子单元用于设定奖赏折扣系数α和探索概率ε;
所述第一判断单元,用于随机产生一个[0,1]之间的随机数r,比较r与探索概率ε的大小,若r<ε,则以均匀概率随机从报价策略集合中选取一个策略;若 r>ε,则选择st状态下值函数中的最大值对应的策略;
所述选择更新子单元,用于选择所述策略对应的报价,将所述报价与预先获取的交易出清价格进行比较计算收益,将所述策略设定为当前报价策略,更新所述报价策略对应的值函数,同时更新所述探索概率ε,并判断是否达到迭代次数,当达到迭代次数时,停止迭代;否则继续随机产生一个[0,1]之间的随机数r进行迭代计算。
优选的,所述计算单元用于根据所述迭代次数的增加更新所述报价策略集合中的报价策略对应的值函数,如下式所示:
式中,α:奖赏折扣;R:策略ak带来的奖赏回报;s:表示市场状态集; sk:表是第t轮的市场状态;akj:表示策略值;Qt+1(s,a):表示第t+1轮的值函数;Qt(s,a):表示第t轮的值函数;
所述策略ak带来的奖赏回报R,按下式计算:
R=(LMP-C)*qi
式中,LMP:表示市场出清价;qi:表示标电量;C:表示发电商代理i最末一段成交电量的成本。
和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:
1、本发明提出了一种发电商代理报价的生成方法与系统,通过根据市场负荷预测值采用改进的ε-贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价的方法,能够很好的体现实际市场参与者的决策偏好,使得电力市场中的仿真能够很好的反映实际市场参与者行为的多样性,使仿真更接近实际市场。
2、本发明提出了一种发电商代理报价的生成方法与系统,这种方法能够解决集中竞价交易中发电企业的决策行为模拟,丰富了发电商智能代理的多样性,为市场仿真提供多种发电商代理模型。
3、本发明提出了一种发电商代理报价的生成方法与系统,市场状态集的构造能够反映集中竞价交易中,发电企业考虑负荷需求情况调整报价的决策行为。
4、本发明提出了一种发电商代理报价的生成方法与系统,该模型的应用中可通过设置随迭代次数增加而递减的奖赏折扣系数α和探索概率ε,反映不同时期发电商的报价决策行为,在报价初期,发电商代理没有可借鉴的经验,经常尝试一些新的策略,后期随报价经验的累积,探索的次数逐渐减少。
附图说明
图1为本发明的发电商代理报价的生成方法示意图;
图2为本发明的发电商代理报价的生成方法步骤流程图;
图3为本发明的发电商机组的成本曲线与报价曲线示意图。
具体实施方式
下面结合实施例对发明作进一步详细说明,其流程如图1和图2所示。
如图1所示的发电商代理报价的生成方法示意图,获取市场负荷预测值,将所述市场负荷预测值带入预先设定的决策模型中计算报价;所述预先构建的决策模型包括:根据市场负荷预测值采用改进的ε-贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价。
图2为本发明的发电商代理报价的生成方法的步骤流程图,根据市场状态获取市场的负荷预测值,然后将市场的负荷预测值带入预先设定的决策模型中计算报价,其中决策模型包括根据市场负荷预测值采用改进的贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价;
上述预先构建的决策模型包括有从预先构建的市场状态中选择市场负荷预测值对应的市场状态,然后从预先构建的报价策略集合中选择与所述市场状态对应的报价策略,接下来就是设置初始报价和迭代次数,最后采用改进的贪心算法对上述报价策略的值函数进行迭代计算获得最终报价;其中采用改进的贪心算法对报价策略进行跌倒计算获得最终报价包括设定奖赏折扣系数和探索概率,比较随机产生的随机数r和探索概率的大小,若r<ε,则以均匀概率随机从报价策略集合中选取一个策略;若r>ε,则选择st状态下值函数中的最大值对应的策略。
然后就是选择策略对应的报价,将报价与预先获取的交易出清价格进行比较计算收益,将策略设定为当前的报价策略,更新报价策略对应的值函数,同时更新探索概率,当达到迭代次数后就停止迭代,否则继续随机产生一个[0,1]之间的随机数r进行迭代计算;报价策略对应的值函数用来进行表示,其中α:奖赏折扣;R:策略ak带来的奖赏回报;s:表示市场状态集;sk:表是第t轮的市场状态;akj:表示策略值;Qt+1(s,a):表示第t+1轮的值函数;Qt(s,a):表示第t轮的值函数,策略ak带来的奖赏回报R用R=(LMP-C)*qi来进行计算,LMP:表示市场交易出清价格;qi:表示标电量;C:表示发电商代理i最末一段成交电量的成本,探索概率计算的式子为式中,t表示第t轮迭代;
当我们构造市场状态集时,会将由在最小负荷和最大负荷基础上浮动一定阈值组成的负荷区间划分为m个间隔,落在不同间隔范围内的负荷对应不同的市场状态,m个间隔构成具有m个市场状态的市场状态集,预先构建的报价策略集合包括有不同的市场状态以发电商成本为基础,满足目标利润在5%-10%区间构建的策略组成的集合。
一种发电商代理报价的生成系统中有获取模块、计算模块和构建模块,获取模块用于获取市场负荷预测值,计算模块用来构建市场负荷预测值带入预先设定的决策模型中计算报价,构建模块根据市场负荷预测值采用改进的贪心算法在市场负荷预测值对应的报价策略中选择最终报价的决策模型;
构建模块中还有选择单元、设置单元、计算单元和确定单元,选择单元用于从预先构建的市场状态集中选择负荷市场预测值对应的市场状态以及从预先构建的报价策略集合中选择与市场对应的报价策略,设置单元用来设置初始值报价和迭代次数,计算单元根据所述迭代次数的增加更新报价策略对应的值函数和探索概率,确定单元用于根据改进的贪心算法对所述报价策略的值函数进行迭代计算,获得最终报价,在确定单元中有设定子单元、第一判断单元和选择更新单元,设定子单元用于设定奖赏折扣系数和探索概率,第一判断单元用于随机产生一个 [0,1]之间的随机数r,比较r与探索概率ε的大小,若r<ε,则以均匀概率随机从报价策略集合中选取一个策略;若r>ε,则选择st状态下值函数中的最大值对应的策略;选择更新子单元用于选择所述策略对应的报价,将所述报价与预先获取的交易出清价格进行比较计算收益,将所述策略设定为当前报价策略,更新所述报价策略对应的值函数,同时更新所述探索概率ε,当达到迭代次数后,停止迭代;否则继续随机产生一个[0,1]之间的随机数r进行迭代计算,计算单元中更新报价策略集合中的报价策略对应值函数的公式如下:
策略带来的奖赏回报R按下式计算:R=(LMP-C)*qi。
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 (13)
1.一种发电商代理报价的生成方法,其特征在于,包括:
获取市场负荷预测值;
将所述市场负荷预测值带入预先设定的决策模型中计算报价;
所述预先构建的决策模型包括:根据市场负荷预测值采用改进的ε-贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价。
2.如权利要求1所述的发电商代理报价的生成方法,其特征在于,所述预先构建的决策模型包括:
从预先构造市场状态集中选择市场负荷预测值对应的市场状态;
从预先构建的报价策略集合中选择与所述市场状态对应的报价策略;
设置初始值报价和迭代次数;
采用改进的ε-贪心算法对所述报价策略的值函数进行迭代计算获得最终报价。
3.如权利要求2所述的发电商代理报价的生成方法,其特征在于,所述采用改进的ε-贪心算法对所述报价策略的值函数进行迭代计算获得最终报价,包括:
设定奖赏折扣系数α和探索概率ε;
随机产生一个[0,1]之间的随机数r;
比较r与探索概率ε的大小,若r<ε,则以均匀概率随机从报价策略集合中选取一个策略;若r>ε,则选择st状态下值函数中的最大值对应的策略;
选择所述策略对应的报价;
将所述报价与预先获取的交易出清价格进行比较计算收益;
将所述策略设定为当前报价策略,更新所述报价策略对应的值函数,同时更新所述探索概率ε;
当达到迭代次数后,停止迭代;否则继续随机产生一个[0,1]之间的随机数r进行迭代计算。
4.如权利要求3所述的发电商代理报价的生成方法,其特征在于,所述报价策略对应的值函数,如下式所示:
式中,α:奖赏折扣;R:策略ak带来的奖赏回报;s:表示市场状态集;sk:表示是第t轮的市场状态;akj:表示策略值;Qt+1(s,a):表示第t+1轮的值函数;Qt(s,a):表示第t轮的值函数。
5.如权利要求4所述的发电商代理报价的生成方法,其特征在于,所述策略ak带来的奖赏回报R,按下式计算:
R=(LMP-C)*qi
式中,LMP:表示市场交易出清价格;qi:表示标电量;C:表示发电商代理i最末一段成交电量的成本。
6.如权利要求3所述的发电商代理报价的生成方法,其特征在于,所述探索概率ε的计算式如下:式中,t表示第t轮迭代。
7.如权利要求2所述的发电商代理报价的生成方法,其特征在于,所述预先构造市场状态集,包括:
将由在最小负荷和最大负荷基础上浮动一定阈值组成的负荷区间划分为m个间隔,落在不同间隔范围内的负荷对应不同的市场状态,m个间隔构成具有m个市场状态的市场状态集。
8.如权利要求2所述的发电商代理报价的生成方法,其特征在于,所述预先构建的报价策略集合包括:
由不同的市场状态,以发电商成本为基础,满足目标利润在5%-10%区间构建的策略组成的集合。
9.如权利要求1所述的发电商代理报价的生成方法,其特征在于,
所述市场负荷预测值包括:根据月负荷预测数据得到。
10.一种发电商代理报价的生成系统,其特征在于,所述系统包括:
获取模块,用于获取市场负荷预测值;
计算模块,用于将所述市场负荷预测值带入预先设定的决策模型中计算报价;
构建模块,用于构建根据市场负荷预测值采用改进的ε-贪心算法在所述市场负荷预测值对应的报价策略中选择最终报价的决策模型。
11.如权利要求10所述的发电商代理报价的生成系统,其特征在于,
所述构建模块包括:选择单元、设置单元、计算单元和确定单元;
所述选择单元,用于从预先构造市场状态集中选择市场负荷预测值对应的市场状态,以及从预先构建的报价策略集合中选择与所述市场状态对应的报价策略;
所述设置单元,用于设置初始值报价和迭代次数;
所述计算单元,用于根据所述迭代次数的增加更新所述报价策略对应的值函数和探索概率;
所述确定单元,用于根采用改进的ε-贪心算法对所述报价策略的值函数进行迭代计算,获得最终报价。
12.如权利要求11所述的发电商代理报价的生成系统,其特征在于,所述确定单元包括:设定子单元、第一判断单元和选择更新子单元;所述设定子单元用于设定奖赏折扣系数α和探索概率ε;
所述第一判断单元,用于随机产生一个[0,1]之间的随机数r,比较r与探索概率ε的大小,若r<ε,则以均匀概率随机从报价策略集合中选取一个策略;若r>ε,则选择st状态下值函数中的最大的值对应的策略;
所述选择更新子单元,用于选择所述策略对应的报价,将所述报价与预先获取的交易出清价格进行比较计算收益,将所述策略设定为当前报价策略,更新所述报价策略对应的值函数,同时更新所述探索概率ε,并判断是否达到迭代次数,当达到迭代次数时,停止迭代;否则继续随机产生一个[0,1]之间的随机数r进行迭代计算。
13.如权利要求11所述的发电商代理报价的生成系统,其特征在于,所述计算单元用于根据所述迭代次数的增加更新所述报价策略集合中的报价策略对应的值函数,如下式所示:
式中,α:奖赏折扣;R:策略ak带来的奖赏回报;s:表示市场状态集;sk:表是第t轮的市场状态;akj:表示策略值;Qt+1(s,a):表示第t+1轮的值函数;Qt(s,a):表示第t轮的值函数;
所述策略ak带来的奖赏回报R,按下式计算:
R=(LMP-C)*qi
式中,LMP:表示市场出清价;qi:表示标电量;C:表示发电商代理i最末一段成交电量的成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810548521.9A CN110555742A (zh) | 2018-05-31 | 2018-05-31 | 一种发电商代理报价的生成方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810548521.9A CN110555742A (zh) | 2018-05-31 | 2018-05-31 | 一种发电商代理报价的生成方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555742A true CN110555742A (zh) | 2019-12-10 |
Family
ID=68735277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810548521.9A Pending CN110555742A (zh) | 2018-05-31 | 2018-05-31 | 一种发电商代理报价的生成方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555742A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308628A (zh) * | 2020-11-12 | 2021-02-02 | 南方电网能源发展研究院有限责任公司 | 适用于发电商月度电量的集中交易模拟仿真方法及装置 |
CN112488389A (zh) * | 2020-11-30 | 2021-03-12 | 国网浙江省电力有限公司电力科学研究院 | 一种现货市场出清申报参数自动校核及修正方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102571570A (zh) * | 2011-12-27 | 2012-07-11 | 广东电网公司电力科学研究院 | 一种基于强化学习的网络流量负载均衡控制方法 |
CN103729698A (zh) * | 2014-01-16 | 2014-04-16 | 国家电网公司 | 一种应对风电不确定性的需求响应调度方法 |
CN107644370A (zh) * | 2017-09-29 | 2018-01-30 | 中国电力科学研究院 | 一种自增强学习的撮合竞价方法及系统 |
-
2018
- 2018-05-31 CN CN201810548521.9A patent/CN110555742A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102571570A (zh) * | 2011-12-27 | 2012-07-11 | 广东电网公司电力科学研究院 | 一种基于强化学习的网络流量负载均衡控制方法 |
CN103729698A (zh) * | 2014-01-16 | 2014-04-16 | 国家电网公司 | 一种应对风电不确定性的需求响应调度方法 |
CN107644370A (zh) * | 2017-09-29 | 2018-01-30 | 中国电力科学研究院 | 一种自增强学习的撮合竞价方法及系统 |
Non-Patent Citations (3)
Title |
---|
王帅: ""发电商基于Q-Learning 算法的日前市场竞价策略"", 《能源技术经济》 * |
陈皓勇 等: ""电力市场智能模拟中代理决策模块的实现"", 《电力系统自动化》 * |
魏振春 等: ""基于Q 学习和规划的传感器节点任务调度算法"", 《模式识别与人工智能》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308628A (zh) * | 2020-11-12 | 2021-02-02 | 南方电网能源发展研究院有限责任公司 | 适用于发电商月度电量的集中交易模拟仿真方法及装置 |
CN112488389A (zh) * | 2020-11-30 | 2021-03-12 | 国网浙江省电力有限公司电力科学研究院 | 一种现货市场出清申报参数自动校核及修正方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Garg et al. | Bi-objective optimization of the reliability-redundancy allocation problem for series-parallel system | |
KR102242516B1 (ko) | 복수의 기계 학습 태스크에 대해 기계 학습 모델들을 훈련 | |
Grüne et al. | Using nonlinear model predictive control for dynamic decision problems in economics | |
Wang et al. | Estimation of distribution and differential evolution cooperation for large scale economic load dispatch optimization of power systems | |
Kumar et al. | Strategic bidding using fuzzy adaptive gravitational search algorithm in a pool based electricity market | |
Prayogo et al. | Optimization model for construction project resource leveling using a novel modified symbiotic organisms search | |
Wang | An optimized Nash nonlinear grey Bernoulli model for forecasting the main economic indices of high technology enterprises in China | |
US20220210028A1 (en) | Cloud software service resource allocation method based on qos model self-correctio | |
Yuan et al. | Optimal self-scheduling of hydro producer in the electricity market | |
Singh et al. | A hybrid whale optimization-differential evolution and genetic algorithm based approach to solve unit commitment scheduling problem: WODEGA | |
Sun et al. | Solving the multi-stage portfolio optimization problem with a novel particle swarm optimization | |
CN111210144A (zh) | 一种面向电力现货市场的发电风险管理方法及系统 | |
Wei et al. | A multi-objective migrating birds optimization algorithm based on game theory for dynamic flexible job shop scheduling problem | |
Zhang et al. | Data-driven cooperative trading framework for a risk-constrained wind integrated power system considering market uncertainties | |
CN110555742A (zh) | 一种发电商代理报价的生成方法与系统 | |
Lu et al. | Adaptive online data-driven closed-loop parameter control strategy for swarm intelligence algorithm | |
Hu et al. | A multi-objective scheduling model for solving the resource-constrained project scheduling and resource leveling problems | |
Chandrakala et al. | Multi-agent based modeling and learning approach for intelligent day-ahead bidding strategy in wholesale electricity market | |
Wang et al. | Economical data-intensive service provision supported with a modified genetic algorithm | |
Huang et al. | An adapted firefly algorithm for product development project scheduling with fuzzy activity duration | |
CN114648178B (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 | |
Xu et al. | Deep reinforcement learning based model-free optimization for unit commitment against wind power uncertainty | |
Kim et al. | Single-machine total completion time scheduling with position-based deterioration and multiple rate-modifying activities | |
CN113220437B (zh) | 一种工作流多目标调度方法及装置 | |
García-Mercado et al. | Improved binary particle swarm optimization for the deterministic security-constrained transmission network expansion planning problem |
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: 20191210 |
|
RJ01 | Rejection of invention patent application after publication |