CN110689277A - 一种售电商规避现货市场风险的方法、系统及设备 - Google Patents
一种售电商规避现货市场风险的方法、系统及设备 Download PDFInfo
- Publication number
- CN110689277A CN110689277A CN201910963404.3A CN201910963404A CN110689277A CN 110689277 A CN110689277 A CN 110689277A CN 201910963404 A CN201910963404 A CN 201910963404A CN 110689277 A CN110689277 A CN 110689277A
- Authority
- CN
- China
- Prior art keywords
- electricity
- demand response
- user
- model
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004044 response Effects 0.000 claims abstract description 193
- 241000283153 Cetacea Species 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 239000000126 substance Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003278 mimic effect Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation 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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种售电商规避现货市场风险的方法、系统及设备，通过建立用户需求响应收益模型以及售电商需求响应收益模型，建立计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型，计算所述用户最优响应量，并根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格。降低了售电商在现货市场面临的实时电价波动的风险。
Description
技术领域
本申请涉及电力系统技术领域，尤其涉及一种售电商规避现货市场风险的方法、系统及设备。
背景技术
随着节点电力供需紧张关系的变化，现货市场中实时电价也会随之波动，售电商在现货市场面临的风险来源于此。由于售电商相当大一部分利润来源于购售电业务，其面向用户的售电价格通常在一定时期内是固定不变的，当节点电力供需趋向紧张时，现货市场的实时电价必然高涨，那么售电商将面对售电损失。有鉴于此，售电商可以通过需求响应的手段来规避此风险。
需求响应(demand response，DR)是这样一种行为：电力用户与供电方签定合同约定，在特定的情况下，供电方发出通知要求电力用户减少或推移某时段的用电负荷，而供电方补偿电力用户的这种响应行为。根据需求响应发布的补偿形式，可以分为价格型需求响应和激励型需求响应。
在当前市场，随着电气汽车、智能家居、空调、电热水器等柔性负荷的占比不断提高，用电负荷具备主动调节能力，即用电负荷能够支撑电力用户参与需求响应。而对售电商而言如何通过需求响应降低售电损失的风险是当前市场亟待解决的问题。
发明内容
本申请实施例提供了一种售电商规避现货市场风险的方法、系统及设备，通过借助需求响应建立博弈模型，降低了售电商在现货市场面临的实时电价波动的风险。
有鉴于此，本申请第一方面提供了一种售电商规避现货市场风险的方法，所述方法包括：
建立用户需求响应收益模型以及售电商需求响应收益模型；
建立计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型；
根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格，并根据所述售电商最优补贴价格确定所述用户最优响应量。
优选地，所述用户需求响应收益模型为：
Ci,e表示用户参与需求响应的补贴收益，Bi,c表示用户减少用电量获得的收益，
表示用户参与需求响应的成本。
优选地，所述售电商需求响应收益模型为：
Fr＝Bbuy-Cs-Cr,e
Bbuy表示售电商节省的购电成本，Cs表示售电商损失的售电收益，Cr,e表示售电商提供给用户的响应补偿。
优选地，所述售电商的需求响应博弈模型为：
其中，
为补贴给用户的单价，
表示用户i的响应电量，n表示用户的数量，
表示第t个时段内，售电商制定的零售电价，
表示在第t次需求响应时，电力现货市场实时电价。
优选地，所述多元用户的响应博弈模型为：
其中，
时间段t内的最高响应量，系数ai与bi为大于0的常数。
优选地，所述求得所述用户最优响应量的计算公式为：
其中，
表示用户最优响应量。
优选地，所述根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格具体为：
S1：初始化鲸鱼种群xi；
S2：计算种群中个体的适应度以及个体的位置值，获取适应度最高搜索个体的位置值；
S3：根据用户需求响应收益模型以及售电商需求响应收益模型更新当前搜索个体的位置值；
S4：检查是否存在搜索个体超出搜索空间，若存在，则对超出搜索空间的个体位置进行修改；
S5：更新适应度最高搜索个体的位置值；
S6：重复步骤S3至S5直到达到预设的最大迭代次数，得到最优搜索个体的位置值。
本申请第二方面提供一种售电商规避现货市场风险的系统，所述系统包括：
第一模型建立模块，所述第一模型建立模块用于建立用户需求响应收益模型以及售电商需求响应收益模型；
第二模型建立模块，所述第二模型建立模块用于建立计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型；
模型计算模块，所述模型计算模块用于根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格，并根据所述售电商最优补贴价格确定所述用户最优响应量。
本申请第三方面提供一种售电商规避现货市场风险的设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的一种售电商规避现货市场风险的方法的步骤。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的方法。
从以上技术方案可以看出，本申请具有以下优点：本申请提供了一种售电商规避现货市场风险的方法，包括建立用户需求响应收益模型以及售电商需求响应收益模型；建立计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型；根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格，并根据所述售电商最优补贴价格确定所述用户最优响应量。本申请通过售电商以及多元用户等多方主体共同的需求响应研究，并在此基础上提出了激励型需求响应中的需求响应博弈模型，通过座头鲸猎食算法得到售电商最优补贴价格，使得能够快速求解最优解，并能降低售电商在现货市场面临的实时电价波动的风险。
附图说明
图1为本申请一种售电商规避现货市场风险的方法的一个实施例的方法流程图；
图2为本申请一种售电商规避现货市场风险的系统的一个实施例的系统结构图；
图3为本申请一种售电商规避现货市场风险的方法的一个实施例中现货市场实时电价所对应的售电商最优补贴价格的示意图；
图4为本发明一种售电商规避现货市场风险的方法的一个实施例中现货市场实时电价所对应的用户的最优响应量的示意图；
图5为本发明一种售电商规避现货市场风险的方法的一个实施例中现货市场实时电价所对应的售电商需求响应收益的示意图；
图6为本发明一种售电商规避现货市场风险的方法的一个实施例中现货市场实时电价所对应的用户需求响应收益的示意图。
具体实施方式
本申请通过售电商以及多元用户等多方主体共同的需求响应研究，并在此基础上提出了激励型需求响应中的需求响应博弈模型，通过座头鲸猎食算法得到售电商最优补贴价格，使得能够快速求解最优解，并能降低售电商在现货市场面临的实时电价波动的风险。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为了便于理解，请参阅图1，图1为本申请一种售电商规避现货市场风险的方法的一个实施例的方法流程图，如图1所示，图1中包括：
101、建立用户需求响应收益模型以及售电商需求响应收益模型。
需要说明的是，用户需求响应收益模型可以是：
其中，Ci,e表示用户参与需求响应的补贴收益，Bi,c表示用户减少用电量获得的收益，
表示用户参与需求响应的成本。
用户i参与需求响应的补贴收益Ci,e为：
其中，
表示需求响应的t时段内，售电商制定的需求响应补贴价格；
表示用户i的响应电量，即用户i减少的用电量。
用户i减少购电成本Bi,c为：
其中
表示t时段内，售电商制定的零售电价。
用户i参与需求响应的成本
为：
其中表示用户的响应电量；系数ai与bi为某大于0的常数，系数ai与bi的数值与负荷特性有关。根据用户参与需求响应的过往历史数据，采用参数辨识方法，辨识出需求响应成本函数和系数ai与bi的数值。
售电商需求响应收益模型可以为：
Fr＝Bbuy-Cs-Cr,e
其中，Bbuy表示售电商节省的购电成本，Cs表示售电商减少的售电收益；Cr,e表示售电商提供给用户的响应补偿。
其中，售电商节省的购电成本Bbuy为：
售电商损失的售电收益Cs为：
售电商提供给用户的响应补偿Cr,e为：
102、建立计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型。
需要说明的是，计算售电商最优补贴价格的需求响应博弈模型为：
其中，
为售电商补贴价格的不等式约束；其含义为若售电商补贴价格非正，那么用户将不会参加需求响应；若售电商补贴价格大于
则售电商的需求响应收益变为负，售电商不会发布需求响应。
计算用户最优响应量的需求响应博弈模型为：
其中，
为用户i响应电量的不等式约束，表示若用户i参与需求响应，则其响应电量
不能高于时间段t内的最高响应量
且响应量不能为负。
103、根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格，并根据所述售电商最优补贴价格确定所述用户最优响应量。
需要说明的是，由于用户作为随从方，当售电商的补贴价格确定后，用户的最优响应量即可随之确定，售电商的需求响应收益也可最终确定。因此，求解计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型，首先需要计算出售电商最优补贴价格的需求响应博弈模型，在一种具体的实施例中，可以采用座头鲸猎食算法对出售电商最优补贴价格的需求响应博弈模型进行计算。
其中，求解用户侧最优响应量的问题，相当于求自变量在某一连续区间内时二次函数的最大值。那么可以令用户i收益函数的一阶导数等于0，得出：
其约束条件为：
可以得出对于给定的补贴价格
则用户i在需求响应时段t内的最优响应电量为：
上式表明，当售电商为用户制定的补贴价格过低，即时，用户i的需求响应收益为负值，此时用户i不会参与需求响应。当售电商为用户制定的补贴价格过高，即
时，用户i将以自身在t时段内的最大响应能力
参与需求响应。
采用座头鲸猎食算法求解售电商最优补贴价格具体包括包围猎物、冒泡攻击和随机搜索、以及捕获猎物。
其中包围猎物具体为：假设目前鲸鱼位置中的最佳候选解是目标猎物位置，在定义最佳候选解后，其他搜索个体将更新其相对于最佳候选解的位置，该过程由以下等式表示：
其中，T表示当前迭代次数；
和
是系数向量；
是到目前为止获得的最佳解的位置向量；D表示空间距离，
是位置向量；| |是绝对值；·表示向量的外积。如果有更好的候选解时，应在每次迭代中更新
矢量和
的计算式如下：
其中在整个搜索过程中从2线性减少到0；为[0,1]中的随机向量。
冒泡攻击具体包括两种方法：收缩环绕机制以及螺旋更新位置。
其中收缩环绕机制为：
的波动范围随着
的减少而减少，即，
是区间[-a,a]中的随机值，其中a在迭代过程中从2线性减小到0。在[-1,1]中设置
的随机值，个体在搜索过程中的新位置可以定义为其原始位置和当前最佳目标位置之间的任何位置。
螺旋更新位置具体为：首先计算鲸鱼和猎物之间的距离，然后在鲸鱼和猎物的位置之间创建螺旋方程，以模仿座头鲸的螺旋形运动，如下所示：
其中，
表示第i个鲸鱼与猎物的距离；b是用于定义对数螺线形状的常数；l是[-1,1]中的随机数。
可以假设鲸鱼有50％的概率可以在收缩环绕机制或螺旋模型之间进行选择，以在优化过程中更新鲸鱼的位置，数学模型如下所示：
其中p是[0,1]中的随机数。
随时搜索猎物具体为：座头鲸根据彼此的位置随机搜索。因此，使用
随机值大于1或小于-1来强制搜索个体远离参考鲸鱼。与冒泡攻击策略相反，算法根据随机选择的搜索个体而不是目前发现的最佳搜索个体去更新搜索个体的位置。这个机制中
强调探索并允许座头鲸猎食算法执行全局搜索。
数学模型如下：
其中，是从当前总体中随机选择的位置矢量。
座头鲸猎食算法是以一组随机解决方案开始，在每次迭代中，搜索个体会根据随机选择的搜索个体或目前为止获得的最佳候选解更新其位置。a参数从2减少到0，以便分别提供探索和利用。当
时选择随机搜索代理，而当时选择最佳解决方案用于更新搜索代理的位置。根据p的值，座头鲸猎食算法能够在螺旋或圆周运动之间切换。最后，座头鲸猎食算法算法通过满足终止标准来终止，其终止标准可以是达到最大迭代次数。
在一种具体的实施例中，采用座头鲸猎食算法求解售电商最优补贴价格的过程具体为：
首先初始化鲸鱼种群xi(i＝1,2，...，n)，其中xi表示用户的响应电量，计算每个搜索个体的适应度，适应度的计算公式为：
求得当前适应度最高的搜索个体位置X*；
设定最大迭代次数T，系数向量a，A，C，随机数l，随机数p；
当p<0.5，且|A|<1时，采用用户的需求响应收益模型
更新当前搜索个体的位置。
若p<0.5，|A|>＝1时，选择随机搜索个体Xrand，选择售电商提供给用户的响应补偿
更新当前搜索个体的位置。
当p>＝0.5，采用售电商需求响应收益模型Fr＝Bbuy-Cs-Cr,e更新当前搜索个体的位置。
检查是否有任何搜索个体超出搜索空间，若有则对其位置进行修改；并计算每个搜索个体的适应度，如果找到更优的个体适应度则更新X*。
重复上述步骤直到迭代次数到达最大迭代次数停止迭代。
以上实施例是对售电商规避现货市场风险的方法的具体步骤进行描述，而本申请还包括本申请的方法与传统方法进行实验对比，具体如图3-6所示的示意图。
本实施例中包括五个用户和一个售电商的系统，假设五个用户的响应成本模型中二次项系数均相同，统一表示为0.01，一次项系数分别为0.62、0.58、0.54、0.56、0.65,，用户最大响应量分别为30、18、25、24、37kWh，售电商的零售电价为0.5元/kWh，当市场实时电价高于售电商的零售电价时，售电商才会考虑发布补贴价格以减少亏损，所以设定市场实时电价为0.5元/kWh到4元/kWh。
将本方案的方法与传统粒子群算法在收敛特性方面进行对比，实际可以得到本方案算法在30次迭代时即可达到收敛，而传统粒子群算法需要900次迭代达到收敛，因此本方案方法具有更优的性能，可以快速、稳定地收敛到目标位置。
如图2和3所示的现货市场实时电价所对应的售电商最优补贴价格和用户的最优响应量。当现货市场实时电价较低时，售电商的补贴价格也比较低，用户不会参与需求响应；随着市场实时电价的升高，用户开始参与需求响应的顺序不同，这与用户响应成本模型中的一次项系数bi有关，当bi越低时，用户越容易参与需求响应。当实时电价升高时，售电商的最优补贴价格总体呈上升趋势，用户的响应量也相应升高，直到其达到最高响应量后保持不变。在某些实时电价的区间内，售电商的最优补贴价格不会改变，这是因为某一用户的响应量达到饱和，如果提高补贴价格，剩余用户增加的响应量不足以使售电商的收益升高，只有当实时电价升高到一定程度后，售电商才会提高补贴价格。
图4和图5分别为现货市场实时电价所对应的售电商和用户的需求响应收益。结果表明，售电商的需求响应收益随着市场实时电价升高近似线性增加。当参与需求响应的用户响应量没有达到自身最大响应量时，用户的需求响应收益呈阶梯性上升，这是因为其收益受到响应成本以及售电商制定的补贴价格的影响，对于不同的市场实时电价，只要售电商的补贴价格不变，用户的响应量也就不变，收益因而不会变化。售电商制定的补贴价格越大，用户的响应成本越小，用户的需求响应收益就越大；当用户响应量达到自身最大响应量时，用户的收益还受到最大响应量的影响。
本申请通过售电商以及多元用户等多方主体共同的需求响应研究，并在此基础上提出了激励型需求响应中的需求响应博弈模型，通过座头鲸猎食算法得到售电商最优补贴价格，使得能够快速求解最优解，并能降低售电商在现货市场面临的实时电价波动的风险。当参与需求响应的用户响应量没有达到自身最大响应量时，其收益受到响应成本以及售电商制定的补贴价格的影响。售电商制定的补贴价格越大，用户的响应成本越小，用户的需求响应收益就越大；当用户响应量达到自身最大响应量时，用户的收益还受到最大响应量的影响。
本申请还提供了一种售电商规避现货市场风险的系统，为了便于理解，请参阅图2，图2为本申请一种售电商规避现货市场风险的系统的一个实施例的系统结构图，如图2所示，具体包括：
第一模型建立模块201，用于建立用户需求响应收益模型以及售电商需求响应收益模型。
第二模型建立模块202，用于建立计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型。
模型计算模块203，用于根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格，并根据售电商最优补贴价格确定用户最优响应量。
本申请通过售电商以及多元用户等多方主体共同的需求响应研究，并在此基础上提出了激励型需求响应中的需求响应博弈模型，通过座头鲸猎食算法得到售电商最优补贴价格，使得能够快速求解最优解，并能降低售电商在现货市场面临的实时电价波动的风险。
本申请实施例还提供一种售电商规避现货市场风险的设备，设备包括处理器以及存储器：存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行一种售电商规避现货市场风险的方法。
本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的一种售电商规避现货市场风险的方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种售电商规避现货市场风险的方法，其特征在于，包括：
建立用户需求响应收益模型以及售电商需求响应收益模型；
建立计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型；
根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格，并根据所述售电商最优补贴价格确定所述用户最优响应量。
2.根据权利要求1所述的一种售电商规避现货市场风险的方法，其特征在于，所述用户需求响应收益模型为：
Ci,e表示用户参与需求响应的补贴收益，Bi,c表示用户减少用电量获得的收益，表示用户参与需求响应的成本。
3.根据权利要求1所述的一种售电商规避现货市场风险的方法，其特征在于，所述售电商需求响应收益模型为：
Fr＝Bbuy-Cs-Cr,e
Bbuy表示售电商节省的购电成本，Cs表示售电商损失的售电收益，Cr,e表示售电商提供给用户的响应补偿。
4.根据权利要求1所述的一种售电商规避现货市场风险的方法，其特征在于，所述售电商的需求响应博弈模型为：
其中，为补贴给用户的单价，
表示用户i的响应电量，n表示用户的数量，
表示第t个时段内，售电商制定的零售电价，
表示在第t次需求响应时，电力现货市场实时电价。
5.根据权利要求1所述的一种售电商规避现货市场风险的方法，其特征在于，所述多元用户的响应博弈模型为：
其中，
时间段t内的最高响应量，系数ai与bi为大于0的常数。
6.根据权利要求1所述的一种售电商规避现货市场风险的方法，其特征在于，所述求得所述用户最优响应量的计算公式为：
其中，
表示用户最优响应量。
7.根据权利要求1所述的一种售电商规避现货市场风险的方法，其特征在于，所述根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格具体为：
S1：初始化鲸鱼种群xi；
S2：计算种群中个体的适应度以及个体的位置值，获取适应度最高搜索个体的位置值；
S3：根据用户需求响应收益模型以及售电商需求响应收益模型更新当前搜索个体的位置值；
S4：检查是否存在搜索个体超出搜索空间，若存在，则对超出搜索空间的个体位置进行修改；
S5：更新适应度最高搜索个体的位置值；
S6：重复步骤S3至S5直到达到预设的最大迭代次数，得到最优搜索个体的位置值。
8.一种售电商规避现货市场风险的系统，其特征在于，包括：
第一模型建立模块，所述第一模型建立模块用于建立用户需求响应收益模型以及售电商需求响应收益模型；
第二模型建立模块，所述第二模型建立模块用于建立计算售电商最优补贴价格的需求响应博弈模型以及计算用户最优响应量的需求响应博弈模型；
模型计算模块，所述模型计算模块用于根据用户需求响应收益模型以及售电商需求响应收益模型结合座头鲸猎食算法求解所述售电商最优补贴价格，并根据所述售电商最优补贴价格确定所述用户最优响应量。
9.一种售电商规避现货市场风险的设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的一种售电商规避现货市场风险的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的一种售电商规避现货市场风险的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910963404.3A CN110689277A (zh) | 2019-10-11 | 2019-10-11 | 一种售电商规避现货市场风险的方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910963404.3A CN110689277A (zh) | 2019-10-11 | 2019-10-11 | 一种售电商规避现货市场风险的方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110689277A true CN110689277A (zh) | 2020-01-14 |
Family
ID=69111931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910963404.3A Pending CN110689277A (zh) | 2019-10-11 | 2019-10-11 | 一种售电商规避现货市场风险的方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689277A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634080A (zh) * | 2020-12-24 | 2021-04-09 | 沈阳工程学院 | 一种基于Pareto最优理论的多目标需求响应管理方法 |
| CN113781091A (zh) * | 2021-04-14 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种物品属性值的监控方法和装置 |
-
2019
- 2019-10-11 CN CN201910963404.3A patent/CN110689277A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634080A (zh) * | 2020-12-24 | 2021-04-09 | 沈阳工程学院 | 一种基于Pareto最优理论的多目标需求响应管理方法 |
| CN113781091A (zh) * | 2021-04-14 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种物品属性值的监控方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Managing end-user preferences in the smart grid | |
| KR20190132193A (ko) | 스마트 그리드에서 동적 가격 책정 수요반응 방법 및 시스템 | |
| CN110689277A (zh) | 一种售电商规避现货市场风险的方法、系统及设备 | |
| CN109191017B (zh) | 一种综合能源系统的仿真方法、装置、设备及存储介质 | |
| CN111476399A (zh) | 一种现货交易机制下售电公司购电方法及系统 | |
| CN112749824A (zh) | 信息投放优化方法及系统、电子设备、存储介质 | |
| CN114037383A (zh) | 采购数据的确定方法及其装置、计算机可读存储介质 | |
| CN111080069A (zh) | 一种基于多维度因子博弈的居民需求响应模型 | |
| KR102420798B1 (ko) | 1대n 프로슈머와 컨슈머로 구성된 마이크로그리드에서의 전력 거래 방법 및 시스템 | |
| CN111625287B (zh) | 基于诱饵效应的雾节点任务卸载方法、系统、介质及设备 | |
| Kharrati et al. | Medium‐term retailer's planning and participation strategy considering electricity market uncertainties | |
| CN111784440A (zh) | 一种博弈购电竞价方法、系统、终端设备及存储介质 | |
| CN113538041B (zh) | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 | |
| Lan et al. | New Product Presale Strategies considering Consumers’ Loss Aversion in the E‐Commerce Supply Chain | |
| CN113555887B (zh) | 电网能源控制方法、装置、电子设备及存储介质 | |
| CN114240052A (zh) | 一种基于遗传算法的组合销售策略优化方法及系统 | |
| CN115907321A (zh) | 一种基于供给量调控的用户侧交易策略分析方法 | |
| CN111210161A (zh) | 一种基于现货市场波动性的电力套餐设计方法 | |
| CN111242458A (zh) | 一种基于个性化用电需求的电力零售定价方法及装置 | |
| Chandlekar et al. | A Novel Demand Response Model and Method for Peak Reduction in Smart Grids--PowerTAC | |
| CN111476606A (zh) | 多目标资源分配方法、装置、计算机设备及存储介质 | |
| Bae et al. | Comparison between seller and buyer pricing systems for energy trading in microgrids | |
| Feng et al. | Research on the medium term market decision of electricity retailer considering risk | |
| KR102568486B1 (ko) | 수요 반응(dr)에 대한 가이드 정보를 제공하는 서버, 방법 및 컴퓨터 프로그램 | |
| JP2021026385A (ja) | 電力価格決定方法及び電力価格決定システム |
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: 20200114 |
|
| RJ01 | Rejection of invention patent application after publication |