CN111047352A - 一种渐进式电力现货市场运营效率测度方法及系统 - Google Patents
一种渐进式电力现货市场运营效率测度方法及系统 Download PDFInfo
- Publication number
- CN111047352A CN111047352A CN201911174628.2A CN201911174628A CN111047352A CN 111047352 A CN111047352 A CN 111047352A CN 201911174628 A CN201911174628 A CN 201911174628A CN 111047352 A CN111047352 A CN 111047352A
- Authority
- CN
- China
- Prior art keywords
- time period
- index
- operation efficiency
- dmu
- market
- 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 28
- 230000000750 progressive effect Effects 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims 3
- 238000011156 evaluation Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种渐进式电力现货市场运营效率测度方法及系统,该方法包括:首先选取DEA模型的输入指标和输出指标,其次利用公式构建DMU在时间段t内的初级数据包络分析模型,然后根据初级数据包络分析模型以及指标变化量与市场运营效率之间的关系构建DMU在时间段t+1内的次级数据包络分析模型,对次级数据包络分析模型进行转换,获取线性规划模型,最后根据线性规划模型计算不同时间尺度内电力现货市场的运营效率。该系统包括:指标选取模块、初级数据包络分析模型构建模块、次级数据包络分析模型构建模块、转换模块以及运营效率计算模块。通过本申请,能够有效体现数据的波动特征,大大提高计算效率和计算结果的准确性。
Description
技术领域
本申请涉及电力市场运营管理技术领域,特别是涉及一种渐进式电力现货市场运营效率测度方法及系统。
背景技术
在电力市场运营管理技术领域,我国已经形成了较为完善的中长期电力交易机制与交易市场,随着电力技术的发展,现货市场逐渐成为电力市场的关键组成部分之一。如何对电力市场中现货市场的运营效率进行评价,是个重要的技术问题。
目前,对现货市场的运营效率进行评价的方法主要是,利用中长期电力交易市场的效率计算方法来计算现货市场的运营效率,属于静态计算方法。具体地,首先,收集单次市场运营的具体数据信息,代入模型进行运营效率测算,再通过求平均值等方式计算得到全年电力市场运营效率。
然而,目前对现货市场的运营效率进行评价的方法中,由于求平均值的方法简单、粗糙,计算结果不够准确,且方法不具备动态特征,无法考虑多次交易之间的关联关系,使得计算效率不够高,计算结果的准确性较低。而且,这种运营效率评价方法比较适用于市场交易频率较低的情况,一旦市场交易频率增大,目前的方法计算量显著增加,也会导致计算结果的准确性不够高以及计算效率较低。
发明内容
本申请提供了一种渐进式电力现货市场运营效率测度方法及系统,以解决现有技术中对现货市场的运营效率评价结果不够准确、评价效率较低的问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种渐进式电力现货市场运营效率测度方法,所述方法包括:
选取DEA(Data Envelopment Analysis,数据包络分析模型)模型的输入指标和输出指标;
利用公式ε1t:构建DMU在时间段t内的初级数据包络分析模型,约束条件为:其中,ε1t为时间段t内的运营效率,且ε1t为初级数据包络分析模型取最大值时εit的取值,DMU(Decision Making Unit,决策单元)为不同年份的电力市场,DMU的数量为i,每个DMU的输入指标为m,输入指标的数量为M,输出指标为n,输出指标的数量为N,sim,t为第i个DMU在t时间段的输入变量,uim,t为第i个DMU在时间段t的输入变量m的权重,cin,t为第i个DMU在t时间段的输出变量,win,t为第i个DMU在时间段t的输出变量n的权重;
根据所述初级数据包络分析模型,以及指标变化量与市场运营效率之间的关系,利用公式构建DMU在时间段t+1内的次级数据包络分析模型,约束条件为:其中,qim,t+1是uim,t在时间段t+1的权重变化量,αin,t+1是sin,t在时间段t+1的变化量,vin,t+1是win,t在时间段t+1的权重变化量,βin,t+1是cin,t在时间段t+1的变化量;
根据所述线性规划模型,利用线性规划算法计算不同时间尺度内电力现货市场的运营效率。
可选地,所述线性规划算法包括:粒子群优化算法或非支配排序遗传算法。
可选地,所述输入指标包括:市场供需比、赫芬达尔-赫希曼指数、Topm指标、报高价比例以及高价中标率;所述输出指标包括:剩余供给能力指标、勒纳指数、成交出清价与市场供需比的相关系数以及成交出清价与Topm指标的相关系数。
可选地,当时间段为年度交易时,ε1t为交易第一年的电力现货市场运营效率;
当时间段为月度交易时,ε1t为交易第一个月的电力现货市场运营效率;
当时间段为日前交易时,ε1t为交易第一日的电力现货市场运营效率。
一种渐进式电力现货市场运营效率测度系统,所述系统包括:
指标选取模块,用于选取DEA模型的输入指标和输出指标;
初级数据包络分析模型构建模块,用于利用公式ε1t:构建DMU在时间段t内的初级数据包络分析模型,约束条件为: 其中,ε1t为时间段t内的运营效率,且ε1t为初级数据包络分析模型取最大值时εit的取值,DMU为不同年份的电力市场,DMU的数量为i,每个DMU的输入指标为m,输入指标的数量为M,输出指标为n,输出指标的数量为N,sim,t为第i个DMU在t时间段的输入变量,uim,t为第i个DMU在时间段t的输入变量m的权重,cin,t为第i个DMU在t时间段的输出变量,win,t为第i个DMU在时间段t的输出变量n的权重;
次级数据包络分析模型构建模块,用于根据所述初级数据包络分析模型,以及指标变化量与市场运营效率之间的关系,利用公式构建DMU在时间段t+1内的次级数据包络分析模型,约束条件为: 其中,qim,t+1是uim,t在时间段t+1的权重变化量,αin,t+1是sin,t在时间段t+1的变化量,vin,t+1是win,t在时间段t+1的权重变化量,βin,t+1是cin,t在时间段t+1的变化量,所述指标变化量与市场运营效率之间的关系为:
运营效率计算模块,用于根据所述线性规划模型,利用线性规划算法计算不同时间尺度内电力现货市场的运营效率。
可选地,所述运营效率计算模块包括:
年运营效率计算单元,用于当时间段为年度交易时,利用线性规划算法计算交易第一年的电力现货市场运营效率;
月运营效率计算单元,用于当时间段为月度交易时,利用线性规划算法计算交易第一个月的电力现货市场运营效率;
日运营效率计算单元,用于当时间段为日前交易时,利用线性规划算法计算交易第一日的电力现货市场运营效率。
可选地,所述输入指标包括:市场供需比、赫芬达尔-赫希曼指数、Topm指标、报高价比例以及高价中标率;所述输出指标包括:剩余供给能力指标、勒纳指数、成交出清价与市场供需比的相关系数以及成交出清价与Topm指标的相关系数。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请提供一种渐进式电力现货市场运营效率测度方法,该方法首先选取DEA模型的输入指标和输出指标,其次利用公式构建DMU在时间段t内的初级数据包络分析模型,然后根据初级数据包络分析模型以及指标变化量与市场运营效率之间的关系构建DMU在时间段t+1内的次级数据包络分析模型,对次级数据包络分析模型进行转换,获取线性规划模型,最后根据线性规划模型计算不同时间尺度内电力现货市场的运营效率。本实施例针对现货市场,构建初级数据包络分析模型和次级数据包络分析模型,将t时间段内的市场运营指标与t+1时间段内的市场运营指标相连接,通过线性规划方法整合指标权重变化量以及指标数据变化量,从而获取不同时间段指标数据之间的关联性,从模型的角度实现动态化,有利于提高现货市场运行效率的准确性,并避免传统效率评价方法中多次重复计算的弊端,大大提高计算效率。
另外,本实施例采用线性规划模型计算不同时间尺度内电力现货市场的运营效率,能够有效解决市场交易数据波动性较大、量纲差距较大的问题,避免量纲差距导致的计算结果误差,有利于提高计算结果的准确性。
本实施例还提供一种渐进式电力现货市场运营效率测度系统,该系统主要包括:指标选取模块、初级数据包络分析模型构建模块、次级数据包络分析模型构建模块、转换模块以及运营效率计算模块。通过指标选取模块选取DEA模型的输入指标和输出指标,然后依次通过初级数据包络分析模型构建模块构建初级模型,通过次级数据包络分析模型构建模块构建次级模型,其次转换模块通过Charnes-Cooper变换对次级数据包络分析模型进行转换得到线性规划模型,最后通过运营效率计算模块计算不同时间尺度内电力现货市场的运营效率。本实施例中初级数据包络分析模型和次级数据包络分析模型的设置,能够将t时间段内的市场运营指标与t+1时间段内的市场运营指标相连接,反映不同时间段指标数据之间的关联性,从模型的角度实现电力市场的动态化,能够更加准确地模拟电力现货市场的运营效率,有利于提高测度系统的准确性,而且由于将t时间段内的市场运营指标与t+1时间段内的市场运营指标相连接,能够避免大量重复计算,有利于提高测度系统的计算效率。另外,转换模块的设置,能够将次级数据包络分析模型转换为线性规划模型,有效避免量纲差距给计算带来的误差,有利于进一步提高测度系统计算结果的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种渐进式电力现货市场运营效率测度方法的流程示意图;
图2为本申请实施例所提供的一种渐进式电力现货市场运营效率测度系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,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,都应当属于本申请保护的范围。
为了更好地理解本申请,下面结合附图来详细解释本申请的实施方式。
实施例一
参见图1,图1为本申请实施例所提供的一种渐进式电力现货市场运营效率测度方法的流程示意图。由图1可知,本实施例中电力现货市场运营效率的测度方法,主要包括如下步骤:
S1:选取DEA模型的输入指标和输出指标。
本实施例中输入指标包括:市场供需比、赫芬达尔-赫希曼指数、Topm指标、报高价比例以及高价中标率;输出指标包括:剩余供给能力指标、勒纳指数、成交出清价与市场供需比的相关系数以及成交出清价与Topm指标的相关系数。
本实施例中输入指标、输出指标以及不同指标的计算方法如下表1所示:
表1指标体系
本实施例指标体系中输入指标和输出指标的计算方法,为现有技术中的方法,在此不再赘述。
也就是求解时ε1t的取值。其中,ε1t为时间段t内的运营效率,且ε1t为初级数据包络分析模型取最大值时εit的取值,DMU为不同年份的电力市场,DMU的数量为i,每个DMU的输入指标为m,输入指标的数量为M,输出指标为n,输出指标的数量为N,sim,t为第i个DMU在t时间段的输入变量,uim,t为第i个DMU在时间段t的输入变量m的权重,cin,t为第i个DMU在t时间段的输出变量,win,t为第i个DMU在时间段t的输出变量n的权重。
本实施例中假设电力市场以年为时间单位来组织和运营,每年年初进行电力中长期交易,不同月份进行月度交易,在月内的各个时间段开展现货市场交易。一年内组织月度交易t次,t的最大值为12。
继续参见图1可知,建立初级数据包络分析模型之后,执行步骤S3:根据初级数据包络分析模型,以及指标变化量与市场运营效率之间的关系,利用公式max构建DMU在时间段t+1内的次级数据包络分析模型,约束条件为:
其中,qim,t+1是uim,t在时间段t+1的权重变化量,αin,t+1是sin,t在时间段t+1的变化量,vin,t+1是win,t在时间段t+1的权重变化量,βin,t+1是cin,t在时间段t+1的变化量。
由以上步骤S2和S3可知,在步骤S2中计算时间段t内的指标,在步骤S3中引入了时间段t+1内的指标的变化量。其中,本实施例中指标变化量与市场运营效率之间的关系为:也就是指标新增变量之间的比值,要大于上一阶段的运营效率。通过步骤S2和S3,能够将t时间段内的市场运营指标与t+1时间段内的市场运营指标相连接,从而实现不同时间段指标数据之间的关联性,避免传统效率评价方法中多次简单重复计算的情况,有利于提高计算效率,提高效率评价结果的可靠性和准确性。而且由于能够实现不同时间段指标数据之间的关联性,使得所建立的次级数据包络分析模型与现货市场的实际运营特征更加贴合,能够有效体现数据的波动特性,从模型的角度实现动态化,有利于提高计算结果的准确性和可靠性。
通过对次级数据包络分析模型进行转换,将其转换为线性规划模型,最后通过线性规划模型求解εit的取值,能够有效避免量纲差距较大给计算结果带来的误差。
S5:根据线性规划模型,利用线性规划算法计算不同时间尺度内电力现货市场的运营效率。
本实施例中的线性规划算法,主要包括:粒子群优化算法或非支配排序遗传算法。利用这些线性规划算法求解所得的ε1t即为第一年的运营效率。粒子群优化算法或非支配排序遗传算法采用现有技术中的方法,在此不再赘述。
进一步地,根据不同的时间尺度,步骤S5中利用线性规划算法计算不同的运营效率。
当时间段为年度交易时,ε1t为交易第一年的电力现货市场运营效率。根据线性规划模型,利用线性规划算法计算交易第一年的电力现货市场运营效率。若要求解若干年内的现货市场运营效率,将各年的运营效率相加后取平均值即可。
当时间段为月度交易时,ε1t为交易第一个月的电力现货市场运营效率。根据线性规划模型,利用线性规划算法计算交易第一个月的电力现货市场运营效率。若要求解若干个月内的现货市场运营效率,将各月的运营效率相加后取平均值即可。
当时间段为日前交易时,ε1t为交易第一日的电力现货市场运营效率。根据线性规划模型,利用线性规划算法计算交易第一日的电力现货市场运营效率。若要求解若干天内的现货市场运营效率,将各日的运营效率相加后取平均值即可。
实施例二
在图1所示实施例的基础之上参见图2,图2为为本申请实施例所提供的一种渐进式电力现货市场运营效率测度系统的结构示意图。由图2可知,本实施例中的测度系统主要包括:指标选取模块、初级数据包络分析模型构建模块、次级数据包络分析模型构建模块、转换模块以及运营效率计算模块。
其中,指标选取模块,用于选取DEA模型的输入指标和输出指标。本实施例中的输入指标包括:市场供需比、赫芬达尔-赫希曼指数、Topm指标、报高价比例以及高价中标率。输出指标包括:剩余供给能力指标、勒纳指数、成交出清价与市场供需比的相关系数以及成交出清价与Topm指标的相关系数。
初级数据包络分析模型构建模块,用于利用公式ε1t:构建DMU在时间段t内的初级数据包络分析模型,约束条件为: 其中,ε1t为时间段t内的运营效率,且ε1t为初级数据包络分析模型取最大值时εit的取值,DMU为不同年份的电力市场,DMU的数量为i,每个DMU的输入指标为m,输入指标的数量为M,输出指标为n,输出指标的数量为N,sim,t为第i个DMU在t时间段的输入变量,uim,t为第i个DMU在时间段t的输入变量m的权重,cin,t为第i个DMU在t时间段的输出变量,win,t为第i个DMU在时间段t的输出变量n的权重。次级数据包络分析模型构建模块,用于根据所述初级数据包络分析模型,以及指标变化量与市场运营效率之间的关系,利用公式max构建DMU在时间段t+1内的次级数据包络分析模型,约束条件为:其中,qim,t+1是uim,t在时间段t+1的权重变化量,αin,t+1是sin,t在时间段t+1的变化量,vin,t+1是win,t在时间段t+1的权重变化量,βin,t+1是cin,t在时间段t+1的变化量,所述指标变化量与市场运营效率之间的关系为:转换模块,用于利用Charnes-Cooper变换对所述次级数据包络分析模型进行转换,获取线性规划模型约束条件为: 运营效率计算模块,用于根据所述线性规划模型,利用线性规划算法计算不同时间尺度内电力现货市场的运营效率。
进一步地,运营效率计算模块又包括:年运营效率计算单元、月运营效率计算单元和日运营效率计算单元。其中,年运营效率计算单元,用于当时间段为年度交易时,利用线性规划算法计算交易第一年的电力现货市场运营效率;月运营效率计算单元,用于当时间段为月度交易时,利用线性规划算法计算交易第一个月的电力现货市场运营效率;日运营效率计算单元,用于当时间段为日交易时,利用线性规划算法计算交易第一日的电力现货市场运营效率。
本实施例中渐进式电力现货市场运营效率测度系统的工作原理和工作方法,在图1所示的实施例中已经详细阐述,两个实施例之间可以互相参照,在此不再赘述。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种渐进式电力现货市场运营效率测度方法,其特征在于,所述方法包括:
选取DEA模型的输入指标和输出指标;
利用公式ε1t:构建DMU在时间段t内的初级数据包络分析模型,约束条件为:其中,ε1t为时间段t内的运营效率,且ε1t为初级数据包络分析模型取最大值时εit的取值,DMU为不同年份的电力市场,DMU的数量为i,每个DMU的输入指标为m,输入指标的数量为M,输出指标为n,输出指标的数量为N,sim,t为第i个DMU在t时间段的输入变量,uim,t为第i个DMU在时间段t的输入变量m的权重,cin,t为第i个DMU在t时间段的输出变量,win,t为第i个DMU在时间段t的输出变量n的权重;
根据所述初级数据包络分析模型,以及指标变化量与市场运营效率之间的关系,利用公式构建DMU在时间段t+1内的次级数据包络分析模型,约束条件为:其中,qim,t+1是uim,t在时间段t+1的权重变化量,αin,t+1是sin,t在时间段t+1的变化量,vin,t+1是win,t在时间段t+1的权重变化量,βin,t+1是cin,t在时间段t+1的变化量;
根据所述线性规划模型,利用线性规划算法计算不同时间尺度内电力现货市场的运营效率。
2.根据权利要求1所述的一种渐进式电力现货市场运营效率测度方法,其特征在于,所述线性规划算法包括:粒子群优化算法或非支配排序遗传算法。
3.根据权利要求1所述的一种渐进式电力现货市场运营效率测度方法,其特征在于,所述输入指标包括:市场供需比、赫芬达尔-赫希曼指数、Topm指标、报高价比例以及高价中标率;所述输出指标包括:剩余供给能力指标、勒纳指数、成交出清价与市场供需比的相关系数以及成交出清价与Topm指标的相关系数。
5.根据权利要求1-4中任一所述的一种渐进式电力现货市场运营效率测度方法,其特征在于,当时间尺度为年度交易时,ε1t为交易第一年的电力现货市场运营效率;
当时间尺度为月度交易时,ε1t为交易第一个月的电力现货市场运营效率;
当时间尺度为日前交易时,ε1t为交易第一日的电力现货市场运营效率。
6.一种渐进式电力现货市场运营效率测度系统,其特征在于,所述系统包括:
指标选取模块,用于选取DEA模型的输入指标和输出指标;
初级数据包络分析模型构建模块,用于利用公式ε1t:构建DMU在时间段t内的初级数据包络分析模型,约束条件为: 其中,ε1t为时间段t内的运营效率,且ε1t为初级数据包络分析模型取最大值时εit的取值,DMU为不同年份的电力市场,DMU的数量为i,每个DMU的输入指标为m,输入指标的数量为M,输出指标为n,输出指标的数量为N,sim,t为第i个DMU在t时间段的输入变量,uim,t为第i个DMU在时间段t的输入变量m的权重,cin,t为第i个DMU在t时间段的输出变量,win,t为第i个DMU在时间段t的输出变量n的权重;
次级数据包络分析模型构建模块,用于根据所述初级数据包络分析模型,以及指标变化量与市场运营效率之间的关系,利用公式构建DMU在时间段t+1内的次级数据包络分析模型,约束条件为: 其中,qim,t+1是uim,t在时间段t+1的权重变化量,αin,t+1是sin,t在时间段t+1的变化量,vin,t+1是win,t在时间段t+1的权重变化量,βin,t+1是cin,t在时间段t+1的变化量,所述指标变化量与市场运营效率之间的关系为:
运营效率计算模块,用于根据所述线性规划模型,利用线性规划算法计算不同时间尺度内电力现货市场的运营效率。
7.根据权利要求6所述的一种渐进式电力现货市场运营效率测度系统,其特征在于,所述运营效率计算模块包括:
年运营效率计算单元,用于当时间段为年度交易时,利用线性规划算法计算交易第一年的电力现货市场运营效率;
月运营效率计算单元,用于当时间段为月度交易时,利用线性规划算法计算交易第一个月的电力现货市场运营效率;
日运营效率计算单元,用于当时间段为日前交易时,利用线性规划算法计算交易第一日的电力现货市场运营效率。
8.根据权利要求6或7所述的一种渐进式电力现货市场运营效率测度系统,其特征在于,所述输入指标包括:市场供需比、赫芬达尔-赫希曼指数、Topm指标、报高价比例以及高价中标率;所述输出指标包括:剩余供给能力指标、勒纳指数、成交出清价与市场供需比的相关系数以及成交出清价与Topm指标的相关系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174628.2A CN111047352A (zh) | 2019-11-26 | 2019-11-26 | 一种渐进式电力现货市场运营效率测度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174628.2A CN111047352A (zh) | 2019-11-26 | 2019-11-26 | 一种渐进式电力现货市场运营效率测度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047352A true CN111047352A (zh) | 2020-04-21 |
Family
ID=70233428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911174628.2A Pending CN111047352A (zh) | 2019-11-26 | 2019-11-26 | 一种渐进式电力现货市场运营效率测度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047352A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149982A (zh) * | 2020-09-16 | 2020-12-29 | 河北电力交易中心有限公司 | 一种计及共享备用的省间交易出清方法、系统及终端设备 |
-
2019
- 2019-11-26 CN CN201911174628.2A patent/CN111047352A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149982A (zh) * | 2020-09-16 | 2020-12-29 | 河北电力交易中心有限公司 | 一种计及共享备用的省间交易出清方法、系统及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ward et al. | Getting prices right in structural electricity market models | |
CN109087213B (zh) | 一种分散式电力现货市场交易模拟方法 | |
CN111062620B (zh) | 基于混合计费数据的电力计费公平性智能分析系统及方法 | |
CN112330121B (zh) | 一种配电网自动化建设投资效益评估方法 | |
CN113985339A (zh) | 智能电表的误差诊断方法及系统、设备、存储介质 | |
CN113866708B (zh) | 一种基于智能断路器的电能表计量误差分析方法 | |
CN109634944A (zh) | 一种基于多维度时空分析的网损数据清洗方法 | |
CN111753259A (zh) | 基于台区能量平衡的台区拓扑档案校核方法 | |
CN111047352A (zh) | 一种渐进式电力现货市场运营效率测度方法及系统 | |
CN116244567A (zh) | 基于激励的配电网多阶段增量规划方法及系统 | |
CN114169802B (zh) | 电网用户需求响应潜力分析方法、系统及存储介质 | |
CN112926801B (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
CN113256092B (zh) | 基于改进优化隶属度函数的便携式电量计量装置评估方法 | |
CN112381436B (zh) | 逐时电负荷生成方法、装置、电子设备及存储介质 | |
CN112883588B (zh) | 分产业负荷曲线模拟方法、系统及装置 | |
CN114997903A (zh) | 一种智能化电费复核及异常诊断系统及方法 | |
CN112001551A (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 | |
CN112001552B (zh) | 一种基于用电量序列的月度售电量预测方法 | |
CN105203838B (zh) | 一种电量采集系统 | |
CN115147008B (zh) | 基于数据湖技术电厂机组存储资源实时评估方法及系统 | |
Masdzarif et al. | An efficient method for estimating energy losses in distribution's feeder | |
CN111445152B (zh) | 一种核算电力系统虚拟水传输方法及系统 | |
CN117151297A (zh) | 一种税收预测方法与系统 | |
CN115983576A (zh) | 一种自适应的多元能源负荷特性识别方法 | |
CN117353353A (zh) | 一种储能系统的储能配置方案优化方法及其优化平台 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |