CN111027779A - 一种储能项目自充自用综合电价模拟预测方法 - Google Patents

一种储能项目自充自用综合电价模拟预测方法 Download PDF

Info

Publication number
CN111027779A
CN111027779A CN201911318615.8A CN201911318615A CN111027779A CN 111027779 A CN111027779 A CN 111027779A CN 201911318615 A CN201911318615 A CN 201911318615A CN 111027779 A CN111027779 A CN 111027779A
Authority
CN
China
Prior art keywords
electricity price
price
data
electricity
model
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
CN201911318615.8A
Other languages
English (en)
Inventor
胡炳谦
周浩
顾一峰
韩俊
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.)
Shanghai Ieslab Energy Technology Co ltd
Original Assignee
Shanghai Ieslab Energy Technology 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 Shanghai Ieslab Energy Technology Co ltd filed Critical Shanghai Ieslab Energy Technology Co ltd
Priority to CN201911318615.8A priority Critical patent/CN111027779A/zh
Publication of CN111027779A publication Critical patent/CN111027779A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—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)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电价模拟预测方法,可以将历史电价数据通过模拟分解算法进行分解,得到其季节性趋势和随机性趋势,通过模型进行优化训练得到其分别的参数,进而可以得到对应季节性模型和随机性模型的模拟预测结果,然后将每个模拟预测结果进行叠加即可得到电价的模拟预测结果。由于将高度非线性的历史电价数据进行季节性趋势和随机性趋势的分解,再对分解结果进行预测,对于每个分解结果而言,预测过程可以避免高度非线性的问题,因此每个模型的预测结果就会更准确,将预测结果进行叠加即可得到基于历史电价数据的实际预测结果,从而可以使实际的预测结果也更加准确。

Description

一种储能项目自充自用综合电价模拟预测方法
技术领域
本发明涉及一种储能项目充放电管理技术领域, 特别涉及一种结合均值回归和跳跃扩散的电价模拟预测方法。
背景技术
随着近年来随着储能设备的迅速发展, 通过储能设备达到削峰填谷和高价卖低价买被越来越多的企业所接受。基于国家对能耗双控的经济性以及最新的政策要求, “削峰填谷”项目成为了工商业储能行业的主流. “削峰填谷” 是指通过供电系统中的储能设备, 在用电低谷期存储电能, 在用电高峰期释放电能, 满足社会发展的用电需求. “削峰填谷” 的经济效应有两部分组成即用电单位在用电高峰期(高电价时期)使用储能设备放电和在用电低谷期(低电价时间)使用储能设备充电。目前对于企业自用的电价涉及到当地的分时电价计价规则以及当地的不同时间段的用电情况及企业消纳情况往往很难预测。随着行业的发展, 无论是储能项目的投资企业还是用电企业都需要预测综合电价情况, 以此作为基准进行未来收益预测并进行决策是否实施储能项目以及如何实施充放电计划。所以如何进行综合电价的预测, 进而进行合理的充放电安排是行业内目前亟需解决的问题。
发明内容
本发明是针对储能系统自充自用综合电价无法准确预测的问题， 结合均值回复和跳跃扩散的电价模拟预测方法, 基于当地历史电价数据, 预测市场电价。本发明公开了一种电价模拟预测方法, 可以将历史电价数据通过模拟分解算法进行分解, 得到其季节性趋势和随机性趋势, 通过模型进行优化训练得到其分别的参数, 进而可以得到对应季节性模型和随机性模型的模拟预测结果, 然后将每个模拟预测结果进行叠加即可得到电价的模拟预测结果. 由于将高度非线性的历史电价数据进行季节性趋势和随机性趋势的分解, 再对分解结果进行预测, 对于每个分解结果而言, 预测过程可以避免高度非线性的问题, 因此每个模型的预测结果就会更准确, 将预测结果进行叠加即可得到基于历史电价数据的实际预测结果, 从而可以使实际的预测结果也更加准确，具体实施流程图如图4所示。
附图说明
图1是本发明实施中样本电力价格曲线图。
图2是本发明实施中求解效果图。
图3是本发明实施中模拟电价和实际电价的对比图。
图4是本发明实施中的流程图。
具体实施方式
步骤一、通过测量或取得历史数据的方式， 获得该区域的小时级历史电价数据：样本电力价格曲线如图1所示。
步骤二、对每小时电价数据进行分析：首先通过使用具有季节性和跳跃成分的均 值回归模型来模拟电价。该模型是使用历史电价数据在实际概率下进行训练和校准。对于 电价数据的特点, 首先电价会随着电力负荷波动变化, 当在电力需求高峰期,价格会上 涨, 当电力需求低谷期, 价格会下降。此外电价也具有显着的季节性成分，并且回复到平 均水平。在该发明中, 这些特征应纳入电价预测模型模型中。对于电价本身数据的特点, 我们首先采用
Figure 809572DEST_PATH_IMAGE001
函数：
Figure 933386DEST_PATH_IMAGE002
处理初始电价数据, 其中
Figure 748895DEST_PATH_IMAGE003
表示历史电价数据, t 表示时间/小时。电价对数函数,
Figure 958160DEST_PATH_IMAGE004
, 由两部分组成,
Figure 782896DEST_PATH_IMAGE005
和
Figure 761217DEST_PATH_IMAGE006
。
Figure 514671DEST_PATH_IMAGE007
表示模型的确定性季节性部分，
Figure 211232DEST_PATH_IMAGE006
表示是模型的 随机部分。三角函数用于对
Figure 574080DEST_PATH_IMAGE007
进行建模,
Figure 672486DEST_PATH_IMAGE007
如下:
Figure 564219DEST_PATH_IMAGE008
其中,
Figure DEST_PATH_IMAGE009
是需要求解的参数与电价成线性关系, 进而提炼出电价数据的季节性特 点。
Figure 46278DEST_PATH_IMAGE010
表示日期的年度时间因素：
Figure 212817DEST_PATH_IMAGE011
例如: 起始日期为2018/1/1, 那：
Figure 900150DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE013
…，
依次类推.
Figure 792145DEST_PATH_IMAGE014
求解公式为:
Figure DEST_PATH_IMAGE015
图2为求解效果图: 其中log(Price) 为,
Figure 56773DEST_PATH_IMAGE016
; seasonality为电价季节性特点 曲线：
Figure DEST_PATH_IMAGE017
而log(price) with Seasonality removed 为：
Figure 325206DEST_PATH_IMAGE018
。
步骤三、将季节性将从价格的对数数据中删除, 接着我们通过均值回归模型提炼出电价数据的跳跃性点：
Figure 663783DEST_PATH_IMAGE019
Figure 428477DEST_PATH_IMAGE020
其中
Figure 321347DEST_PATH_IMAGE021
和
Figure 829688DEST_PATH_IMAGE022
是均值回归模型系数,
Figure DEST_PATH_IMAGE023
为波动系数,
Figure 789816DEST_PATH_IMAGE024
是标准布朗运动。跳跃函数由
Figure DEST_PATH_IMAGE025
表示,其中正态分布的均值
Figure 522149DEST_PATH_IMAGE026
, 以及标准差
Figure DEST_PATH_IMAGE027
。
Figure 466096DEST_PATH_IMAGE028
为泊松分布,
Figure 246971DEST_PATH_IMAGE029
为其参数。
接下来是校准随机部分. 我们假设在电价的跳跃特性是一个伯努利过程, 其中 当概率为
Figure 294561DEST_PATH_IMAGE030
时, 离散方程为：
Figure 401057DEST_PATH_IMAGE031
而当概率为
Figure 268519DEST_PATH_IMAGE032
时, 离散方程为：
Figure 873989DEST_PATH_IMAGE033
其中,
Figure 510507DEST_PATH_IMAGE034
和
Figure 787904DEST_PATH_IMAGE035
均为独立的标准正态随机变量. 所以:
Figure 877083DEST_PATH_IMAGE036
Figure 796497DEST_PATH_IMAGE037
Figure 54566DEST_PATH_IMAGE038
为了计算出相应参数:
Figure DEST_PATH_IMAGE039
, 我们采用最大似然估计法求解, 如图3 所示：
Figure 830761DEST_PATH_IMAGE040
Figure 672815DEST_PATH_IMAGE041
。
步骤四、在实际使用中, 模拟电价通过季节部分和跳跃部分叠加而成。如图3所示:
其中market为历史数据:
Figure 631806DEST_PATH_IMAGE004
, simulation 为模拟预测部分。
本发明的有益效果在于： 本发明储能项目自充自用综合电价模拟预测方法, 解决了之前储能行业内无法很好地预测自充自用电价的问题。预测可以帮助储能设备投资企业更加准确的评估储能设备的投资收益情况。

Claims (4)

1.步骤一、通过测量或取得历史数据的方式， 获得该区域的小时级历史电价数据：样本电力价格曲线如图1所示。
2.步骤二、对每小时电价数据进行分析：首先通过使用具有季节性和跳跃成分的均值回归模型来模拟电价，
该模型是使用历史电价数据在实际概率下进行训练和校准，
对于电价数据的特点, 首先电价会随着电力负荷波动变化, 当在电力需求高峰期,价格会上涨, 当电力需求低谷期, 价格会下降，
此外电价也具有显着的季节性成分，并且回复到平均水平，
在该发明中, 这些特征应纳入电价预测模型模型中，
对于电价本身数据的特点, 我们首先采用
Figure 747782DEST_PATH_IMAGE001
函数：
Figure 876538DEST_PATH_IMAGE002
处理初始电价数据, 其中
Figure 916038DEST_PATH_IMAGE003
表示历史电价数据, t 表示时间/小时，
电价对数函数,
Figure 843543DEST_PATH_IMAGE004
, 由两部分组成,
Figure 247979DEST_PATH_IMAGE005
和
Figure 159303DEST_PATH_IMAGE006
，
Figure 176063DEST_PATH_IMAGE007
表示模型的确定性季节性部分，
Figure 489233DEST_PATH_IMAGE006
表示是模型的随机部分，
三角函数用于对
Figure 64571DEST_PATH_IMAGE007
进行建模,
Figure 666453DEST_PATH_IMAGE007
如下:
Figure 47756DEST_PATH_IMAGE008
其中,
Figure 153115DEST_PATH_IMAGE009
是需要求解的参数与电价成线性关系, 进而提炼出电价数据的季节性特 点，
Figure 463136DEST_PATH_IMAGE010
表示日期的年度时间因素：
Figure 817894DEST_PATH_IMAGE011
例如: 起始日期为2018/1/1, 那：
Figure 737309DEST_PATH_IMAGE012
Figure 493912DEST_PATH_IMAGE013
…，
依次类推.
Figure 900798DEST_PATH_IMAGE014
求解公式为:
Figure 274011DEST_PATH_IMAGE015
图2为求解效果图: 其中log(Price) 为,
Figure 731537DEST_PATH_IMAGE016
; seasonality为电价季节性特点曲 线：
Figure 545909DEST_PATH_IMAGE017
而log(price) with Seasonality removed 为：
Figure 696268DEST_PATH_IMAGE018
。
3.步骤三、将季节性将从价格的对数数据中删除, 接着我们通过均值回归模型提炼出电价数据的跳跃性点：
Figure 323821DEST_PATH_IMAGE019
Figure 788300DEST_PATH_IMAGE020
其中
Figure 253916DEST_PATH_IMAGE021
和
Figure 840756DEST_PATH_IMAGE022
是均值回归模型系数,
Figure 362129DEST_PATH_IMAGE023
为波动系数,
Figure 427037DEST_PATH_IMAGE024
是标准布朗运动，
跳跃函数由
Figure 216001DEST_PATH_IMAGE025
表示,其中正态分布的均值
Figure 973742DEST_PATH_IMAGE026
, 以及标准差
Figure 12105DEST_PATH_IMAGE027
，
Figure 319852DEST_PATH_IMAGE028
为泊松分布,
Figure 291219DEST_PATH_IMAGE029
为其参数，
接下来是校准随机部分. 我们假设在电价的跳跃特性是一个伯努利过程, 其中当概 率为
Figure 891965DEST_PATH_IMAGE030
时, 离散方程为：
Figure 948782DEST_PATH_IMAGE031
而当概率为
Figure 293176DEST_PATH_IMAGE032
时, 离散方程为：
Figure 620514DEST_PATH_IMAGE033
其中,
Figure 392161DEST_PATH_IMAGE034
和
Figure 936275DEST_PATH_IMAGE035
均为独立的标准正态随机变量. 所以:
Figure 84360DEST_PATH_IMAGE036
Figure 499160DEST_PATH_IMAGE037
Figure 271070DEST_PATH_IMAGE038
为了计算出相应参数:
Figure 974583DEST_PATH_IMAGE039
, 我们采用最大似然估计法求解, 如图3所 示：
Figure 723097DEST_PATH_IMAGE040
Figure 461245DEST_PATH_IMAGE041
。
4.步骤四、在实际使用中, 模拟电价通过季节部分和跳跃部分叠加而成，
如图3所示:
其中market为历史数据:
Figure 637012DEST_PATH_IMAGE004
, simulation 为模拟预测部分。
CN201911318615.8A 2019-12-19 2019-12-19 一种储能项目自充自用综合电价模拟预测方法 Pending CN111027779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911318615.8A CN111027779A (zh) 2019-12-19 2019-12-19 一种储能项目自充自用综合电价模拟预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911318615.8A CN111027779A (zh) 2019-12-19 2019-12-19 一种储能项目自充自用综合电价模拟预测方法

Publications (1)

Publication Number Publication Date
CN111027779A true CN111027779A (zh) 2020-04-17

Family

ID=70210620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911318615.8A Pending CN111027779A (zh) 2019-12-19 2019-12-19 一种储能项目自充自用综合电价模拟预测方法

Country Status (1)

Country Link
CN (1) CN111027779A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2912317A1 (es) * 2021-12-24 2022-05-25 Univ Madrid Politecnica Sistema y método de comunicación para la optimización del consumo en una red de distribución eléctrica
CN115249166A (zh) * 2021-12-20 2022-10-28 国家电投集团电站运营技术（北京）有限公司 出清电价预测方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115249166A (zh) * 2021-12-20 2022-10-28 国家电投集团电站运营技术（北京）有限公司 出清电价预测方法、装置、计算机设备和存储介质
ES2912317A1 (es) * 2021-12-24 2022-05-25 Univ Madrid Politecnica Sistema y método de comunicación para la optimización del consumo en una red de distribución eléctrica

Similar Documents

Publication Publication Date Title
CN112488395B (zh) 一种配电网线损预测方法及系统
Hong et al. Modeling and forecasting hourly electric load by multiple linear regression with interactions
Yang et al. Probabilistic short-term wind power forecast using componential sparse Bayesian learning
CN103310286A (zh) 一种具有时间序列特性的产品订单预测方法及装置
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
US8983811B2 (en) Simulating customer behavior for demand response
Anbazhagan et al. Day-ahead deregulated electricity market price classification using neural network input featured by DCT
CN102663504A (zh) 基于负荷概率分布函数的配电网线损评估方法
CN104537433A (zh) 基于存量容量与业扩报装特征的售电量预测方法
Tang et al. GM (1, 1) based improved seasonal index model for monthly electricity consumption forecasting
CN110930052A (zh) 一种变电设备故障率预测方法，系统，设备及可读存储介质
CN104573857A (zh) 一种基于智能算法优化组合的电网负荷率预测方法
CN112257928A (zh) 一种基于cnn和分位数回归的短期电力负荷概率预测方法
CN111027779A (zh) 一种储能项目自充自用综合电价模拟预测方法
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN113469570A (zh) 信息质量评价模型构建方法、装置、设备及存储介质
CN111985695A (zh) 城市综合体用电量预测方法、装置、电子设备及存储介质
He et al. High frequency short-term demand forecasting model for distribution power grid based on ARIMA
Arpogaus et al. Probabilistic short-term low-voltage load forecasting using bernstein-polynomial normalizing flows
CN110826196B (zh) 一种工业设备运行数据的处理方法及装置
CN112053181A (zh) 一种农产品价格预测方法及系统
CN106651425A (zh) 一种考虑业扩报装数据的用户偷电、漏电行为监测方法
Taieb et al. Probabilistic time series forecasting with boosted additive models: an application to smart meter data
CN115481767A (zh) 面向配电网检修的运行数据处理方法、装置和计算机设备

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