CN111126709B - 调度出力的确定方法、装置、计算机设备和存储介质 - Google Patents
调度出力的确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111126709B CN111126709B CN201911378144.XA CN201911378144A CN111126709B CN 111126709 B CN111126709 B CN 111126709B CN 201911378144 A CN201911378144 A CN 201911378144A CN 111126709 B CN111126709 B CN 111126709B
- Authority
- CN
- China
- Prior art keywords
- power
- pumped storage
- market
- optimization model
- participant
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000005611 electricity Effects 0.000 claims description 70
- 230000008901 benefit Effects 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 40
- 230000005284 excitation Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012797 qualification Methods 0.000 claims description 22
- 238000013486 operation strategy Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005684 electric field Effects 0.000 claims description 4
- 238000005086 pumping Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 11
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241000282461 Canis lupus Species 0.000 description 4
- 230000009194 climbing Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009916 joint effect Effects 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
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000007704 transition 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
- G06Q10/04—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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种调度出力的确定方法、装置、计算机设备和存储介质。方法包括：获取目标电网的电力信息，并根据电力信息建立第一阶段联合优化模型和第二阶段联合优化模型；根据预设的优化算法对第一阶段联合优化模型和第二阶段联合优化模型进行求解，得到现货市场运营模式中目标电网包含的各参与者的调度出力。采用本方法能够确定现货市场运营模式下各参与者的联合调度出力值。
Description
技术领域
本申请涉及电力调度技术领域，特别是涉及一种调度出力的确定方法、装置、计算机设备和存储介质。
背景技术
随着电力系统中现货市场交易机制的发展，逐步形成了日前市场和实时平衡市场的电力现货市场运营模式。
在电力现货市场的运营模式下，新能源发电(风能发电)接入传统电网进行消纳时，由于新能源发电具有出力波动性，新能源发电的消纳编排需要与现货市场运作相互协同，以保证电网安全供电，因此亟需一种基于现货市场的联合运营调度出力的确定方案。
发明内容
基于此，有必要针对上述技术问题，提供一种调度出力的确定方法、装置、计算机设备和存储介质。
第一方面，提供了一种调度出力的确定方法，所述方法包括：
获取目标电网的电力信息，并根据所述电力信息建立第一阶段联合优化模型和第二阶段联合优化模型；
根据预设的优化算法对所述第一阶段联合优化模型和所述第二阶段联合优化模型进行求解，得到现货市场运营模式中所述目标电网包含的各参与者的调度出力。
作为一种可选的实施方式，所述电力信息包括日前市场中各时刻的出清电价、平衡市场中风电场的正负不平衡功率以及抽水蓄能电站中各抽水蓄能机组的启停成本，所述根据所述电力信息建立第一阶段联合优化模型，包括：
根据所述各时刻的出清电价，建立所述风电场与所述抽水蓄能电站在所述日前市场中的第一收益关系；
根据所述正负不平衡功率和所述各抽水蓄能机组的启停成本，创建所述风电场与所述抽水蓄能电站在所述平衡市场中的第二收益关系；
根据所述第一收益关系、所述第二收益关系及预设的风险价值，建立所述风电场与所述抽水蓄能电站对应的第一阶段联合优化模型。
作为一种可选的实施方式，可调负荷包括中断型负荷和激励型负荷，所述电力信息还包括各时刻的售电收益、计划总用电量、中断型负荷数目、激励型负荷数目、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，所述根据所述电力信息建立第二阶段联合优化模型，包括：
根据所述计划总用电量、所述中断型负荷数目和所述激励型负荷数目，建立用电方式满意度评价指标；
根据所述各时刻的售电收益、所述各激励型负荷的第一补偿费用和所述各中断型负荷的第二补偿费用，建立用电成本满意度评价指标；
根据所述用电方式满意度评价指标和所述用电成本满意度评价指标，建立风电场、抽水蓄能电站和所述可调负荷对应的第二阶段联合优化模型。
作为一种可选的实施方式，所述根据预设的优化算法对所述第一阶段联合优化模型和所述第二阶段联合优化模型进行求解，得到现货市场运营模式中所述目标电网包含的各参与者的调度出力，包括：
针对每个参与者，根据该参与者在各场景下对应的调度出力值和运行策略，确定该参与者对应的状态策略矩阵；
通过资格迹记录该参与者的调度出力值及运行策略变化轨迹，并根据资格迹及相应的误差评估规则对该参与者对应的状态策略矩阵进行更新，得到该参与者对应场景下的最优调度出力值。
第二方面，提供了一种调度出力的确定装置，所述装置包括：
建模模块，用于获取目标电网的电力信息，并根据所述电力信息建立第一阶段联合优化模型和第二阶段联合优化模型；
求解模块，用于根据预设的优化算法对所述第一阶段联合优化模型和所述第二阶段联合优化模型进行求解，得到现货市场运营模式中所述目标电网包含的各参与者的调度出力。
作为一种可选的实施方式，所述电力信息包括日前市场中各时刻的出清电价、平衡市场中风电场的正负不平衡功率以及抽水蓄能电站中各抽水蓄能机组启停成本，所述建模模块具体用于：
根据所述各时刻的出清电价，建立所述风电场与所述抽水蓄能电站在所述日前市场中的第一收益关系；
根据所述正负不平衡功率和所述各抽水蓄能机组的启停成本，创建所述风电场与所述抽水蓄能电站在所述平衡市场中的第二收益关系；
根据所述第一收益关系、所述第二收益关系及预设的风险价值，建立所述风电场与所述抽水蓄能电站对应的第一阶段联合优化模型。
作为一种可选的实施方式，可调负荷包括中断型负荷和激励型负荷，所述电力信息还包括各时刻的售电收益、计划总用电量、中断型负荷数目、激励型负荷数目、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，所述建模模块具体用于：
根据所述计划总用电量、所述中断型负荷数目和所述激励型负荷数目、建立用电方式满意度评价指标；
根据所述各时刻的售电收益、所述各激励型负荷的第一补偿费用和所述各中断型负荷的第二补偿费用，建立用电成本满意度评价指标；
根据所述用电方式满意度评价指标和所述用电成本满意度评价指标，建立 风电场、抽水蓄能电站和所述可调负荷对应的第二阶段联合优化模型。
作为一种可选的实施方式，所述求解模块具体用于：
针对每个参与者，根据该参与者在各场景下对应的调度出力值和运行策略，确定该参与者对应的状态策略矩阵；
通过资格迹记录该参与者的调度出力值及运行策略的变化轨迹，并根据资格迹及相应的误差评估规则对该参与者对应的状态策略矩阵进行更新，得到该参与者对应场景下的最优调度出力值。
第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标电网的电力信息，并根据所述电力信息建立第一阶段联合优化模型和第二阶段联合优化模型；
根据预设的优化算法对所述第一阶段联合优化模型和所述第二阶段联合优化模型进行求解，得到现货市场运营模式中所述目标电网包含的各参与者的调度出力。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一下步骤：
获取目标电网的电力信息，并根据所述电力信息建立第一阶段联合优化模型和第二阶段联合优化模型；
根据预设的优化算法对所述第一阶段联合优化模型和所述第二阶段联合优化模型进行求解，得到现货市场运营模式中所述目标电网包含的各参与者的调度出力。
本申请实施例提供了一种调度出力的确定方法、装置、计算机设备和存储介质，计算机设备获取目标电网的电力信息，并根据该电力信息建立第一阶段联合优化模型和第二阶段联合优化模型。然后，计算机设备根据预设的优化算法对第一阶段联合优化模型和第二阶段联合优化模型进行求解，得到现货市场运营模式中目标电网包含的各参与者的调度出力。
附图说明
图1为本申请实施例提供的一种调度出力的确定方法的流程图；
图2为本申请实施例提供的一种调度出力的确定装置的结构图；
图3为本申请实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供了一种调度出力的确定方法，可以应用于在现货市场运营模式下的目标电网，在现货市场运营模式下，通过多个参与者的合作博弈，保证目标电网安全供电，同时，谋求各参与者自身收益最大化。其中，现货市场的运营模式可以分为日前市场和实时平衡市场，日前市场和平衡市场存在耦合关系，在第一阶段的联合运营模式下，现货市场中的各参与者为抽水蓄能电站和风电场组成的联盟，该联盟根据最新的风电场有功出力及电价情况，对应调整抽水蓄能电站的运行方式(即选择抽水蓄能电站在相应运营场景下蓄电还是发电)。因此，通过抽水蓄能电站与风电场间的合作博弈，完成对现货市场运营模式下的目标电网的供电。在第二阶段的联合运营模式下，现货市场中的各参与者为抽水蓄能电站、风电场群和可调负荷组成的联盟。其中，可调负荷包括中断型负荷和激励型负荷。由于风电场群的出力波动性可能会产生调度出力差额，因此，通过可调负荷来平衡电力市场的供电稳定性，即当风电场群出力富裕时，激励型负荷投入或抽水蓄能，消纳电网富裕电能；当风电场群出力匮乏时，中断型负荷切除或放水发电，减少电网功率缺额。因此，通过抽水蓄能电站、风电场群和可调负荷三者间的协同合作，维持现货市场运营模式下目标电网的供电稳定。
另外，由于当前风电场在全部电力系统中占比仍然较低，因此，风电出力对日前市场及平衡市场出清电价不产生影响。同时平衡市场的出清电价波动性较大且难以预测即平衡市场中的不平衡出力情况下的出清电价具有不确定性，因此，通过服从正态分布的随机变量生成对应的价格场景来表征。具体的，日前市场和平衡市场的出清电价满足如下条件：
其中，φdown、φup表示正负不平衡电量对应的惩罚系数，当功率超发或者功率少发时，对应不同的惩罚系数施行相应的惩罚措施；E()表示数学期望，
表示日前市场出清电价；
表示平衡市场中正负不平衡电量的电价，平衡市场正负不平衡电量的电价均是服从正态分布的随机变量。
本申请实施例提供了一种调度出力的确定方法，如图1所示，具体处理过程如下：
步骤101，获取目标电网的电力信息，并根据电力信息建立第一阶段联合优化模型和第二阶段联合优化模型。
在实施中，计算机设备获取目标电网的电力信息，并根据该电力信息建立第一阶段联合优化模型和第二阶段联合优化模型。
作为一种可选的实施方式，电力信息包括日前市场中各时刻的出清电价、平衡市场中风电场的正负不平衡功率以及抽水蓄能电站中各抽水蓄能机组的启停成本，因此，根据电力信息建立第一阶段联合优化模型的具体操作过程如下：
步骤一，根据各时刻的出清电价，建立风电场与抽水蓄能电站在日前市场中的第一收益关系。
在实施中，计算机设备根据获取的日前市场运用模式下的各时刻的出清电价信息，以及日前市场运营模式下，待优化的各时刻抽水蓄能电站和风电场联合运营时的申报功率，建立风电场与抽水蓄能电站在日前市场中的第一收益关系。以谋求风电场与抽水蓄能电站联盟在日前市场中收益的最大化，具体的，第一收益关系的目标函数计算公式如下：
其中，XDA表示风电场与抽水蓄能电站在日前市场中的第一收益，XDA越大表示收益越好；
为日前市场中在t时刻的出清电价；
分别代表在t 时刻抽水蓄能电站以及多个风电场联合运营时在日前市场的申报功率，也即待优化的调度出力值。
步骤二，根据正负不平衡功率和各抽水蓄能机组的启停成本，创建风电场与抽水蓄能电站在平衡市场中的第二收益关系。
在实施中，计算机设备根据获取到的在某调度场景(如场景ω)下的正负不平衡功率和各抽水蓄能机组的启停成本信息，结合该调度场景对应的出现概率及在该场景下所需的抽水蓄能电站的启停机组数目，创建风电场与抽水蓄能电站在平衡市场中的第二收益关系。以谋求风电场与抽水蓄能电站联盟在平衡市场中收益的最大化，具体的第二收益关系的目标函数计算公式如下：
其中，XB表示风电场与抽水蓄能电站在平衡市场中的第二收益，XB越大表示收益越好；πω为风电调度出力及相应结算价格对应的场景ω出现的概率；
为风电场群与抽水蓄能电站联盟的不平衡电量结算收益，其中，
为在平衡市场中对应场景ω下的正负不平衡功率；
为抽水蓄能机组的总启停成本，其中，
分别表示在t时刻对应场景ω下抽水蓄能电站启停的机组数目；csu、csd为预设的各抽水蓄能机组启停成本。
步骤三，根据第一收益关系、第二收益关系及预设的风险价值，建立风电场与抽水蓄能电站对应的第一阶段联合优化模型。
在实施中，计算机设备根据得到的第一收益关系、第二收益关系及预设的风险价值，建立风电场与抽水蓄能电站对应的第一阶段联合优化模型。
具体的，建立总收益的目标函数如下：
f1＝XDA+XB+αXCVaR (6)
其中，XDA表示风电场与抽水蓄能电站在日前市场中的第一收益；XB表示风电场群与抽水蓄能电站在平衡市场中的第二收益；α为预设的风险偏好系数， XCVaR表示条件风险价值，
其中，ξ为风险价值，表示在置信度α下风电场与抽水蓄能电站联盟的最大可能损失(已知量)；ηω为场景ω下收益与风险价值的差额值(待优化的量)。
可选的，关于风险偏好系数α表示抽水蓄能电站与风电场群的联盟对风险的偏好程度。当α>0时，联盟为风险厌恶者，对应收益稳定性至上的态度，此时联盟在现货市场中采用较为保守的竞标策略，尽可能利用抽水蓄能机组使实时出力偏差最小；α＝0时，联盟为风险中立者，即仅以预期收益最大为目标，此时联盟最大化利用抽水蓄能调节能力在现货市场中采用较为激进的竞标策略。由于在目标函数中考虑CVaR(Conditional Value atRisk，条件风险价值) 本身即为一种风险规避的竞标策略，因而本申请实施例不考虑α<0的情况。
另外，在电力现货市场中，售电公司通过可调负荷的调用，降低现货市场运行风险，优化售电收益的同时，也会改变用户原有的用电结构和方式，损失客户资源，不利于售电公司长期发展。因此，有必要综合考虑售电公司售电收益和用户满意度，寻求二者的利益均衡，以此作为第二阶段联合优化模型的优化目标。
作为一种可选的实施方式，可调负荷包括中断型负荷和激励型负荷，电力信息还包括各时刻的售电收益、计划总用电量、中断型负荷数目、激励型负荷数目、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，因此，根据电力信息建立第二阶段联合优化模型的具体操作过程如下：
根据计划总用电量、中断型负荷数目和激励型负荷数目，建立用电方式满意度评价指标；根据各时刻的售电收益、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，建立用电成本满意度评价指标。
在实施中，计算机设备根据获取到的计划总用电量，预设的中断型负荷数目和激励型负荷数目的电力信息，结合待优化的各时刻下用户的终端电量或增加电量，建立用电方式满意度评价指标。同时，计算机设备根据获取到的各时刻的售电收益、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，建立用电成本满意度评价指标。然后，计算机设备再根据用电方式满意度评价指标和用电成本满意度评价指标，建立风电场、抽水蓄能电站和可调负荷对应的第二阶段联合优化模型。
具体的，用电方式满意度评价指标M公式如下：
其中，I1为中断型负荷的用户数量；I2为激励型负荷的用户数量；QIL,i(t)为 t时刻第i1个用户中断的电量；QPL,i2(t)为t时刻第i2个用户增加的电量；Md,shift为总时间T内用户用电方式总改变量；Md为总时间T内用户的计划总用电量。
具体的用电成本满意度评价指标C公式如下：
Cd,shift＝CIL+CPL (10)
其中，CPL为售电公司对激励型负荷的补偿费用；CIL为售电公司对中断型负荷的补偿费用；Cd,shift为对应用户电费支出改变量；Fst为t时刻的售电收益。
计算机设备根据用电方式满意度评价指标、用电成本满意度评价指标及预设的权重，建立风电场、抽水蓄能电站和可调负荷对应的第二阶段联合优化模型的具体目标函数公式如下：
其中，用电方式满意度M，用来衡量用户用电方式改变量，用电成本满意度C，用来衡量用户参与可调负荷项目所减少的电费支出；λ1和λ2分别为预设的两种用户满意度所占比重，且λ1+λ2＝1。
可选的，计算机设备根据建立的第一阶段联合优化模型和第二阶段联合优化模型，确定对应的模型约束条件。其中，风电场与抽水蓄能电站的功率平衡约束条件是保证目标电网频率稳定性的基础，具体的：
其中，
为多个风电场在t时刻场景ω下实际有功出力值；
表示抽水蓄能机组的发电及抽水的有功出力值；
表示t时刻多个风电场在日前市场的申报有功出力值；
为场景ω下的正负不平衡功率出力值。m1、m2为足够大的正数；yωt为表示不平衡功率状态的二进制变量0和1。
t时刻风电场出力上下限约束：
其中，
表示风电场与抽水蓄能电站组成的联盟中多个风电场的总出力上限值。
抽水蓄能电站上下水库库容约束：
其中，θ为抽水蓄能机组的运行效率；
为抽水蓄能电站上下水池的蓄水量；
和
分别表示抽水蓄能电站上下水池的容量最小和最大值。
t时刻抽水蓄能电站蓄发电的约束方程：
其中，
分别表示抽水蓄能机组的蓄电及发电的出力限值；N、 nωt分别表示抽水蓄能电站中总机组数目及运行在抽水状态的机组数目，其中，
保证抽水蓄能机组同一时间段内只有一个工作状态。
在上述约束条件下，计算机设备对第一阶段联合优化模型和第二阶段联合优化模型进行求解。
步骤102，根据预设的优化算法对第一阶段联合优化模型和第二阶段联合优化模型进行求解，得到现货市场运营模式中目标电网包含的各参与者的调度出力。
在实施中，计算机设备根据预设的优化算法(如狼爬山算法，PHC，Policy hill-climbing)，对建立的第一阶段联合优化模型和第二阶段联合优化模型进行求解，从而得到现货市场运营模式中目标电网包含的各参与者在各场景下的最优调度出力。
作为一种可选的实施方式，根据狼爬山算法对第一阶段联合优化模型和第二阶段联合优化模型进行求解的具体处理过程如下：
针对每个参与者，计算机设备根据该参与者在各场景下对应的调度出力值和运行策略，确定该参与者对应的状态策略矩阵；通过资格迹记录该参与者的调度出力值及运行策略的变化轨迹，并根据资格迹及相应的误差评估规则对该参与者对应的状态策略矩阵进行更新，得到该参与者对应场景下的最优调度出力值。
具体的，计算机设备根据该参与者在各场景下对应的调度出力值和运行策略，确定该参与者对应的状态策略矩阵即Q(s,a)矩阵，并对Q(s,a)矩阵进行评估。确定Q(s,a)矩阵的目标值函数
和目标策略函数π*(s)。
其中,A表示动作集，其中某个元素记为a，其在电力系统中的具体含义是某个时间段内的调度值。S表示状态集中某个元素记为s，其在电力自动发电控制中的具体含义是某个时间段内的目标电网的用电调度情况；在狼爬山算法中， V()和Q()分别是输入信号所处的状态和状态-动作对的值函数矩阵；在合作博弈中，一个相关均衡点是在共同的动作空间的概率分布矩阵，没有智能体造成单方面地偏离。然后，计算机设备利用资格迹记录各联合动作策略的变化轨迹，并依此对各动作策略的迭代Q矩阵函数进行更新。显然，Q值函数矩阵的更新需要资格迹的参与计算。在每次迭代过程中，联合状态与动作会被记录到资格迹中，对于学习过程中多步历史决策给予奖励和惩罚。Q值函数矩阵与资格迹以二维状态动作对的形式被记录下来。资格迹将历史决策过程的频度及渐新度联系在一起，以获得南方区域电力现货市场多目标发电控制控制器的最优目标函数，即最优目标值函数
和最优目标策略函数
Q值函数矩阵的多步信息更新机制是通过资格迹的后向评估来获得。常用的资格迹算法有3种：TD(η)、SARSA(η)和Peng’s Q(η)。因此，本申请实施例不做限定，本申请实施例仅以SARSA(η)的资格迹ek+1(s,a)为例进行说明。
其中，ek+1(s,a)为在状态s动作a下第k步迭代的资格迹；δ为折扣因子；η为迹衰减因子。Q值函数的回溯更新规则利用资格迹来获取控制器行为的频度和渐新度两种启发信息。然后，计算机设备根据资格迹及预设的误差评估规则，对Q值函数矩阵进行评估，具体的评估规则如下：
ρk＝R(sk,sk+1,ak)+δQk(sk+1,ag)-Qk(sk,ak) (27)
γk＝R(sk,sk+1,ak)+δQk(sk+1,ag)-Qk(sk,ag) (28)
其中R(sk,sk+1,ak)为在选定的动作ak下，状态从sk到sk+1的智能体奖励函数；ag为贪婪动作策略；ρk为智能体在第k步迭代过程中的Q值函数矩阵误差；γk为Q 值函数矩阵误差的评估。计算机设备根据误差评估结果对Q值函数矩阵进行迭代更新，具体的更新计算公式如下：
Qk+1(s,a)＝Qk(s,a)+αγkek(s,a) (29)
Qk+1(sk,ak)＝Qk(sk,ak)+αρk (30)
其中α是第k步迭代过程中函数误差的权重因子。狼爬山策略(Policy hill-climbing,PHC)是在WoLF(win or learn fast)基础上，学习中每个智能体采用混合策略且只保存自身的Q值函数矩阵表。两个学习参数
和
表示智能体的赢和输。WoLF-PHC是基于虚拟博弈，它能通过近似均衡的平均贪婪策取代未知的均衡策略。
对于一个已知的智能体，基于混合策略集U(sk,ak)，它会在状态sk过渡到sk+1且具有奖励函数R的情况下执行探索动作ak，Q值函数矩阵根据公式(29)和公式(30)进行迭代更新，U(sk,ak)的更新规则如下
其中，
为变学习速率，且
当平均混合策略值比当前的策略值低，则智能体赢了，选择
反之选择
其中，
表示平均混合策略。执行动作ak后，对sk状态下所有动作的混合策略表进行更新计算公式如下：
其中，visit(sk)为从初始状态到当前状态所经历的sk次数。计算机设备根据狼爬山算法求解上述第一阶段联合优化模型和第二阶段联合优化模型。能够在多种运行条件下，通过变学习率得到最优目标值函数
和最优目标策略函数π*(s)。从而得到最优Q值函数矩阵中对应场景ω下的最优调度出力值和该最优调度出力值对应的运行策略。
本申请实施例提供了一种调度出力的确定方法。计算机设备获取目标电网的电力信息，并根据该电力信息建立第一阶段联合优化模型和第二阶段联合优化模型。然后，计算机设备根据预设的优化算法对第一阶段联合优化模型和第二阶段联合优化模型进行求解，得到现货市场运营模式中目标电网包含的各参与者的调度出力。
本申请实施例还提供了一种调度出力的确定装置，如图2所示，该装置包括：
建模模块210，用于获取目标电网的电力信息，并根据电力信息建立第一阶段联合优化模型和第二阶段联合优化模型。
求解模块220，用于根据预设的优化算法对第一阶段联合优化模型和第二阶段联合优化模型进行求解，得到现货市场运营模式中目标电网包含的各参与者的调度出力。
作为一种可选的实施方式，电力信息包括日前市场中各时刻的出清电价、平衡市场中风电场的正负不平衡功率以及抽水蓄能电站中各抽水蓄能机组启停成本，建模模块210具体用于：
根据各时刻的出清电价，建立风电场与抽水蓄能电站在日前市场中的第一收益关系；
根据正负不平衡功率和各抽水蓄能机组的启停成本，创建风电场与抽水蓄能电站在平衡市场中的第二收益关系；
根据第一收益关系、第二收益关系及预设的风险价值，建立风电场与抽水蓄能电站对应的第一阶段联合优化模型。
作为一种可选的实施方式，可调负荷包括中断型负荷和激励型负荷，电力信息还包括各时刻的售电收益、计划总用电量、中断型负荷数目、激励型负荷数目、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，建模模块具体用于：
根据计划总用电量、中断型负荷数目和激励型负荷数目、建立用电方式满意度评价指标；
根据各时刻的售电收益、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，建立用电成本满意度评价指标；
根据用电方式满意度评价指标和用电成本满意度评价指标，建立 风电场、抽水蓄能电站和可调负荷对应的第二阶段联合优化模型。
作为一种可选的实施方式，求解模块220具体用于：
针对每个参与者，根据该参与者在各场景下对应的调度出力值和运行策略，确定该参与者对应的状态策略矩阵；
通过资格迹记录该参与者的调度出力值及运行策略发生的频率，并根据资格迹及相应的误差评估规则对该参与者对应的状态策略矩阵进行更新，得到该参与者对应场景下的最优调度出力值。
本申请实施例提供了一种调度出力的确定装置。计算机设备获取目标电网的电力信息，并根据该电力信息建立第一阶段联合优化模型和第二阶段联合优化模型。然后，计算机设备根据预设的优化算法对第一阶段联合优化模型和第二阶段联合优化模型进行求解，得到现货市场运营模式中目标电网包含的各参与者的调度出力。
关于调度出力的确定装置的具体限定可以参见上文中对于调度出力的确定方法的限定，在此不再赘述。上述调度出力的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，如图3所示，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项调度出力的确定方法步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项的调度出力的确定方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限， RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种调度出力的确定方法，其特征在于，所述方法包括：
获取目标电网的电力信息，并根据所述电力信息建立第一阶段联合优化模型和第二阶段联合优化模型；所述电力信息包括日前市场中各时刻的出清电价、平衡市场中风电场的正负不平衡功率以及抽水蓄能电站中各抽水蓄能机组的启停成本；所述电力信息建立第一阶段联合优化模型，包括：
根据所述各时刻的出清电价，建立所述风电场与所述抽水蓄能电站在所述日前市场中的第一收益关系；
根据所述正负不平衡功率和所述各抽水蓄能机组的启停成本，创建所述风电场与所述抽水蓄能电站在所述平衡市场中的第二收益关系；
根据所述第一收益关系、所述第二收益关系及预设的风险价值，建立所述风电场与所述抽水蓄能电站对应的第一阶段联合优化模型；
可调负荷包括中断型负荷和激励型负荷，所述电力信息还包括各时刻的售电收益、计划总用电量、中断型负荷数目、激励型负荷数目、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，所述根据所述电力信息建立第二阶段联合优化模型，包括：
根据所述计划总用电量、所述中断型负荷数目和所述激励型负荷数目，建立用电方式满意度评价指标；
根据所述各时刻的售电收益、所述各激励型负荷的第一补偿费用和所述各中断型负荷的第二补偿费用，建立用电成本满意度评价指标；
根据所述用电方式满意度评价指标和所述用电成本满意度评价指标，建立风电场、抽水蓄能电站和所述可调负荷对应的第二阶段联合优化模型；其中，所述第二阶段联合优化模型中风电场与抽水蓄能电站的功率平衡约束条件为：
其中，
为多个风电场在t时刻场景ω下实际有功出力值；
表示抽水蓄能机组的发电及抽水的有功出力值；Pt Dwpc表示t时刻多个风电场在日前市场的申报有功出力值；
为场景ω下的正负不平衡功率出力值；m1、m2为足够大的正数；yωt为表示不平衡功率状态的二进制变量0和1；
根据预设的优化算法对所述第一阶段联合优化模型和所述第二阶段联合优化模型进行求解，得到现货市场运营模式中所述目标电网包含的各参与者的调度出力。
2.根据权利要求1所述的方法，其特征在于，所述根据预设的优化算法对所述第一阶段联合优化模型和所述第二阶段联合优化模型进行求解，得到现货市场运营模式中所述目标电网包含的各参与者的调度出力，包括：
针对每个参与者，根据该参与者在各场景下对应的调度出力值和运行策略，确定该参与者对应的状态策略矩阵；
通过资格迹记录该参与者的调度出力值及运行策略变化轨迹，并根据资格迹及相应的误差评估规则对该参与者对应的状态策略矩阵进行更新，得到该参与者对应场景下的最优调度出力值。
3.根据权利要求1所述的方法，其特征在于，所述第一收益关系的目标函数为：
其中，XDA表示风电场与抽水蓄能电站在日前市场中的第一收益，XDA越大表示收益越好；
为日前市场中在t时刻的出清电价；Pt Dps、Pt Dwps分别代表在t时刻抽水蓄能电站以及多个风电场联合运营时在日前市场的申报功率。
4.根据权利要求1所述的方法，其特征在于，所述第二收益关系的目标函数为：
其中，XB表示风电场与抽水蓄能电站在平衡市场中的第二收益，XB越大表示收益越好；πω为风电调度出力及相应结算价格对应的场景ω出现的概率；
为风电场群与抽水蓄能电站联盟的不平衡电量结算收益，其中，
分别表示平衡市场中正负不平衡电量的电价；
为在平衡市场中对应场景ω下的正负不平衡功率；
为抽水蓄能机组的总启停成本，其中，
分别表示在t时刻对应场景ω下抽水蓄能电站启停的机组数目；csu、csd为预设的各抽水蓄能机组启停成本。
5.一种调度出力的确定装置，其特征在于，所述装置包括：
建模模块，用于获取目标电网的电力信息，并根据所述电力信息建立第一阶段联合优化模型和第二阶段联合优化模型；所述电力信息包括日前市场中各时刻的出清电价、平衡市场中风电场的正负不平衡功率以及抽水蓄能电站中各抽水蓄能机组启停成本，所述建模模块具体用于：
根据所述各时刻的出清电价，建立所述风电场与所述抽水蓄能电站在所述日前市场中的第一收益关系；
根据所述正负不平衡功率和所述各抽水蓄能机组的启停成本，创建所述风电场与所述抽水蓄能电站在所述平衡市场中的第二收益关系；
根据所述第一收益关系、所述第二收益关系及预设的风险价值，建立所述风电场与所述抽水蓄能电站对应的第一阶段联合优化模型；
可调负荷包括中断型负荷和激励型负荷，所述电力信息还包括各时刻的售电收益、计划总用电量、中断型负荷数目、激励型负荷数目、各激励型负荷的第一补偿费用和各中断型负荷的第二补偿费用，所述建模模块具体用于：
根据所述计划总用电量、所述中断型负荷数目和所述激励型负荷数目、建立用电方式满意度评价指标；
根据所述各时刻的售电收益、所述各激励型负荷的第一补偿费用和所述各中断型负荷的第二补偿费用，建立用电成本满意度评价指标；
根据所述用电方式满意度评价指标和所述用电成本满意度评价指标，建立 风电场、抽水蓄能电站和所述可调负荷对应的第二阶段联合优化模型；其中，所述第二阶段联合优化模型中风电场与抽水蓄能电站的功率平衡约束条件为：
其中，
为多个风电场在t时刻场景ω下实际有功出力值；
表示抽水蓄能机组的发电及抽水的有功出力值；Pt Dwpc表示t时刻多个风电场在日前市场的申报有功出力值；
为场景ω下的正负不平衡功率出力值；m1、m2为足够大的正数；yωt为表示不平衡功率状态的二进制变量0和1；
求解模块，用于根据预设的优化算法对所述第一阶段联合优化模型和所述第二阶段联合优化模型进行求解，得到现货市场运营模式中所述目标电网包含的各参与者的调度出力。
6.根据权利要求5所述的装置，其特征在于，所述第一收益关系的目标函数为：
其中，XDA表示风电场与抽水蓄能电站在日前市场中的第一收益，XDA越大表示收益越好；
为日前市场中在t时刻的出清电价；Pt Dps、Pt Dwps分别代表在t时刻抽水蓄能电站以及多个风电场联合运营时在日前市场的申报功率。
7.根据权利要求5所述的装置，其特征在于，所述第二收益关系的目标函数为：
其中，XB表示风电场与抽水蓄能电站在平衡市场中的第二收益，XB越大表示收益越好；πω为风电调度出力及相应结算价格对应的场景ω出现的概率；
为风电场群与抽水蓄能电站联盟的不平衡电量结算收益，其中，
分别表示平衡市场中正负不平衡电量的电价；
为在平衡市场中对应场景ω下的正负不平衡功率；
为抽水蓄能机组的总启停成本，其中，
分别表示在t时刻对应场景ω下抽水蓄能电站启停的机组数目；csu、csd为预设的各抽水蓄能机组启停成本。
8.根据权利要求5所述的装置，其特征在于，所述求解模块具体用于：
针对每个参与者，根据该参与者在各场景下对应的调度出力值和运行策略，确定该参与者对应的状态策略矩阵；
通过资格迹记录该参与者的调度出力值及运行策略的变化轨迹，并根据资格迹及相应的误差评估规则对该参与者对应的状态策略矩阵进行更新，得到该参与者对应场景下的最优调度出力值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911378144.XA CN111126709B (zh) | 2019-12-27 | 2019-12-27 | 调度出力的确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911378144.XA CN111126709B (zh) | 2019-12-27 | 2019-12-27 | 调度出力的确定方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111126709A CN111126709A (zh) | 2020-05-08 |
| CN111126709B true CN111126709B (zh) | 2023-04-25 |
Family
ID=70504055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911378144.XA Active CN111126709B (zh) | 2019-12-27 | 2019-12-27 | 调度出力的确定方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111126709B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116914861B (zh) * | 2023-09-12 | 2024-01-23 | 南方电网数字电网研究院有限公司 | 基于模型预测控制的风储电站经济优化调度方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017071230A1 (zh) * | 2015-10-30 | 2017-05-04 | 南京南瑞集团公司 | 一种多Agent的水电站群短期优化调度方法 |
| CN107665378A (zh) * | 2017-09-25 | 2018-02-06 | 燕山大学 | 基于需求侧竞价交易机制的电力系统多目标优化调度方法 |
| CN109284878A (zh) * | 2018-11-26 | 2019-01-29 | 武汉大学 | 一种考虑风电、核电、抽水蓄能协调的多源优化调度方法 |
| CN110414721A (zh) * | 2019-07-08 | 2019-11-05 | 广州汇电云联互联网科技有限公司 | 一种基于电力现货市场价格的电厂日发电计划分解方法 |
| CN110535121A (zh) * | 2019-08-27 | 2019-12-03 | 东北大学 | 一种交直流混联电网的两阶段多目标动态优化调度方法 |
-
2019
- 2019-12-27 CN CN201911378144.XA patent/CN111126709B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017071230A1 (zh) * | 2015-10-30 | 2017-05-04 | 南京南瑞集团公司 | 一种多Agent的水电站群短期优化调度方法 |
| CN107665378A (zh) * | 2017-09-25 | 2018-02-06 | 燕山大学 | 基于需求侧竞价交易机制的电力系统多目标优化调度方法 |
| CN109284878A (zh) * | 2018-11-26 | 2019-01-29 | 武汉大学 | 一种考虑风电、核电、抽水蓄能协调的多源优化调度方法 |
| CN110414721A (zh) * | 2019-07-08 | 2019-11-05 | 广州汇电云联互联网科技有限公司 | 一种基于电力现货市场价格的电厂日发电计划分解方法 |
| CN110535121A (zh) * | 2019-08-27 | 2019-12-03 | 东北大学 | 一种交直流混联电网的两阶段多目标动态优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111126709A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alipour et al. | Stochastic scheduling of aggregators of plug-in electric vehicles for participation in energy and ancillary service markets | |
| Shayegan-Rad et al. | Day-ahead scheduling of virtual power plant in joint energy and regulation reserve markets under uncertainties | |
| Calvillo et al. | Optimal planning and operation of aggregated distributed energy resources with market participation | |
| Löhndorf et al. | Optimal day-ahead trading and storage of renewable energies—an approximate dynamic programming approach | |
| Saravanan et al. | A solution to the unit commitment problem—a review | |
| Jiang et al. | Optimal hour-ahead bidding in the real-time electricity market with battery storage using approximate dynamic programming | |
| Locatelli et al. | Investment and risk appraisal in energy storage systems: A real options approach | |
| Varkani et al. | A new self-scheduling strategy for integrated operation of wind and pumped-storage power plants in power markets | |
| Sharma et al. | Strategic bidding for wind power producers in electricity markets | |
| Bunn et al. | The progressive inefficiency of replacing renewable obligation certificates with contracts-for-differences in the UK electricity market | |
| Castronuovo et al. | An integrated approach for optimal coordination of wind power and hydro pumping storage | |
| Moreno et al. | Evaluating risk-constrained bidding strategies in adjustment spot markets for wind power producers | |
| Berlink et al. | Batch reinforcement learning for smart home energy management | |
| Latifi et al. | A self-governed online energy management and trading for smart micro/nano-grids | |
| CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
| CN111598719A (zh) | 一种现货电力市场新能源卖方交易方法及系统 | |
| Nojavan et al. | Optimal energy management of compressed air energy storage in day‐ahead and real‐time energy markets | |
| CN111126709B (zh) | 调度出力的确定方法、装置、计算机设备和存储介质 | |
| Fodstad et al. | Hydropower scheduling in day-ahead and balancing markets | |
| Ghaemi et al. | Local energy communities with strategic behavior of multi-energy players for peer-to-peer trading: A techno-economic assessment | |
| Li et al. | Energy trading of multiple virtual power plants using deep reinforcement learning | |
| CN114169916A (zh) | 一种适应新型电力系统的市场成员报价策略制定方法 | |
| Boukas et al. | Real-time bidding strategies from micro-grids using reinforcement learning | |
| Vardanyan et al. | Short-term hydropower planning with uncertain wind power production | |
| CN117114877A (zh) | 一种基于虚拟电厂的中长期电力交易方法及系统 |
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 |