CN111160632A - 一种售电商售电方案确定方法及系统 - Google Patents

一种售电商售电方案确定方法及系统 Download PDF

Info

Publication number
CN111160632A
CN111160632A CN201911299078.7A CN201911299078A CN111160632A CN 111160632 A CN111160632 A CN 111160632A CN 201911299078 A CN201911299078 A CN 201911299078A CN 111160632 A CN111160632 A CN 111160632A
Authority
CN
China
Prior art keywords
electricity
predicted
price
market
marginal
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
CN201911299078.7A
Other languages
English (en)
Inventor
田伟
曹阳
单茂华
高志远
严春华
李陟峰
施航
李天宇
高赐威
林烨
乔春彦
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.)
Zhejiang Electric Power Trade Center Co ltd
State Grid Corp of China SGCC
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
Zhejiang Electric Power Trade Center Co ltd
State Grid Corp of China SGCC
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
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 Zhejiang Electric Power Trade Center Co ltd, State Grid Corp of China SGCC, Southeast University, China Electric Power Research Institute Co Ltd CEPRI filed Critical Zhejiang Electric Power Trade Center Co ltd
Priority to CN201911299078.7A priority Critical patent/CN111160632A/zh
Publication of CN111160632A publication Critical patent/CN111160632A/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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种售电商售电方案确定方法，包括：基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值；根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正；基于修正后的预测边际电价和预测负荷值，确定购电量最优方案。本方案售电量合理，对能源达到了最大化利用，保证了售电商成本合理。

Description

一种售电商售电方案确定方法及系统
技术领域
本发明属于售电商购售电策略技术领域，本发明涉及一种售电商售电方案确定方法及系统。
背景技术
目前，对于中长期市场和现货市场电价估计不准导致购电量和售电量不准确，售电量不准确致使能源不足以供应负荷或者能源大量浪费都会导致生产资源浪费，也会导致售电商成本不合理。
发明内容
针对现有技术中中长期市场和现货市场电价估计不准导致购电量和售电量不准确，售电量不准确致使能源不足以供应负荷或者能源大量浪费都会导致生产资源浪费，也会导致售电商成本不合理的不足，本发明提供了一种售电商售电方案确定方法，具体步骤如下：
基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值；
根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正；
基于修正后的预测边际电价和预测负荷值，确定购电量最优方案。
优选的，所述基于修正后的预测边际电价和预测负荷值，确定购电量最优方案，包括：
基于所述预测负荷值确定中长期市场和现货市场的购电量；
基于所述中长期市场和现货市场的购电量和所述修正后的预测边际电价计算中长期市场购电成本和现货市场购电成本；
基于中长期市场购电成本现货市场购电成本以及购电成本约束计算售电商的购电成本；
基于所述购电成本，确定购电量最优方案；
其中，所述购电成本约束，包括：售电商在中长期市场或现货市场实际交易总电量约束，售电商在中长期市场和现货市场购电总量最大值与实际购电总量的比例约束，售电商参与现货市场交易的购电量约束。
优选的，所述基于所述中长期市场和现货市场的购电量和所述修正后的预测边际电价计算中长期市场购电成本
Figure BDA0002320360580000021
和现货市场购电成本
Figure BDA0002320360580000022
如下式所示：
Figure BDA0002320360580000023
Figure BDA0002320360580000024
式中，
Figure BDA0002320360580000025
为t时段的中长期电价，
Figure BDA0002320360580000026
为售电商i于t时段的中长期市场的实际购电量，
Figure BDA0002320360580000027
为售电商i于t时段在现货市场的实际购电量，
Figure BDA0002320360580000028
为售电商i根据预测边际电价以及竞价成功概率得到的现货市场报价，
Figure BDA0002320360580000029
为售电商i是否能竞价成功的表征量。
优选的，所述基于中长期市场购电成本现货市场购电成本以及购电成本约束计算售电商的购电成本，如下式所示：
Figure BDA00023203605800000210
式中，
Figure BDA00023203605800000211
为售电商购电总成本，
Figure BDA00023203605800000212
为售电商i的中长期市场购电成本，
Figure BDA00023203605800000213
售电商i的现货市场购电成本。
优选的，所述基于所述购电成本，确定购电量最优方案，包括：
基于所述购电成本计算利润；
基于利润最大化确定购电量最优方案。
优选的，所述基于售电商购电成本计算利润
Figure BDA00023203605800000214
如下式所示：
Figure BDA00023203605800000215
式中，
Figure BDA00023203605800000216
为T时段内的总收入，
Figure BDA00023203605800000217
为售电商购电总成本。
优选的，所述售电商总收入的计算，包括：基于现货市场的实际购电量和中长期市场的实际购电量，计算售电商售电总电量，并设定分时段固定电价套餐电价和峰谷电价套餐电价；
基于分时段固定电价套餐电价和峰谷电价套餐电价，计算固定电价套餐选择概率和峰谷电价套餐选择概率；
基于固定电价套餐选择的概率和峰谷电价套餐选择概率，计算售电商在预定时段内的总收入。
优选的，所述固定电价套餐选择概率和峰谷电价套餐选择概率的计算，包括：
所述固定电价套餐选择概率
Figure BDA0002320360580000031
的计算如下所示：
Figure BDA0002320360580000032
式中，k为用户对价差的敏感度，α和β分别表示固定电价和峰谷电价的加权平均电价；
所述峰谷电价套餐选择概率为
Figure BDA0002320360580000033
优选的，所述总收入
Figure BDA0002320360580000034
的计算，如下式所示：
Figure BDA0002320360580000035
式中，
Figure BDA0002320360580000036
为实际总负荷量，
Figure BDA0002320360580000037
为固定电价套餐电价，
Figure BDA0002320360580000038
为峰谷电价套餐电价。
优选的，所述基于利润最大化确定购电量最优方案，包括：
基于所述利润计算售电风险；
基于利润最大化和所述售电风险，得到最优方案。
优选的，所述售电风险
Figure BDA0002320360580000039
的计算，如下式所示：
Figure BDA00023203605800000310
式中，μ为可能发生的损失在承受范围内的概率，
Figure BDA00023203605800000311
为能承受的最大损失。
优选的，所述基于利润最大化和所述售电风险，得到最优交易方案，包括：
Figure BDA00023203605800000312
式中，ρ为风险规避因子，
Figure BDA00023203605800000313
为利润。
优选的，所述基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值，包括：
将需要预测时段的前一天同一时刻负荷值、上周同一天同一时段负荷值、上一时段负荷值、需要预测时段是否为节假日输入所述人工神经网络系统，所述人工神经网络系统输出需要预测时段的预测负荷值；
将需要预测时段的前一天同一时段电价、上周同一天同一时段电价、预测负荷、需要预测时段以及上一时段电价的市场边际电价输入所述人工神经网络系统，所述人工神经网络系统输出预测边际电价。
优选的，所述根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正，包括：
根据预测负荷值与输入到人工神经网络系统的负荷实际值得到负荷误差，并基于所述负荷误差对所述预测负荷值进行比对修正；
根据预测边际电价与输入到人工神经网络系统的市场边际电价实际值得到电价误差，并基于所述电价误差对所述预测边际电价进行比对修正。
基于同一构思，本发明提供一种售电商售电方案确定系统，包括：预测模块、修正模块和方案模块；
所述预测模块，用于基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值；
所述修正模块，用于根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正；
所述方案模块，用于基于修正后的预测边际电价和预测负荷值，确定购电量最优方案。
与现有技术相比，本发明的有益效果为：
1、本发明提供了一种售电商售电方案确定方法，包括：基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值；根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正；基于修正后的预测边际电价和预测负荷值，确定购电量最优方案。保证了售电商成本合理。
2、本发明提供了一种售电商售电方案确定方法及系统，售电量合理，对能源达到了最大化利用。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例提供的人工神经网络示意图；
图3为本发明实施例提供的本发明方法的总流程图；
图4为本发明实施例提供的购电成功概率示意图；
图5为本发明提供的系统结构图。
具体实施方式
下面结合附图对本发明方案作进一步说明：
实施例1：
本实施例所提供的一种售电商售电方案确定方法及系统，结合本发明的方法流程图如图1所示介绍，具体方案如下：
步骤1：基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值；
步骤2：根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正；
步骤3：基于修正后的预测边际电价和预测负荷值，确定购电量最优方案；
其中，步骤1：基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值：
包含人工神经网络预测的售电商交易策略的方法和思路，包括如下步骤：
(1)采用人工神经网络系统对总负荷和市场边际电价进行预测；
(2)根据预测的误差，对预测数据进行修正；
(3)计算售电商购电策略，其中购电目标包括中长期市场和现货市场两个部分；
(4)对售电商的售电策略进行分析，售电商的售电套餐包括固定电价套餐和峰谷电价套餐；
(5)采用CVar方法对售电风险进行评估，得出最终售电策略。
具体的，在上述步骤(1)中，采用人工神经网络(Artificial Neural Network，简称ANN)进行预测分析。人工神经网络受生物神经系统的启发。本质上，元素之间的连接在很大程度上决定了网络功能。通过调整元素之间的连接(权重)值，可以训练神经网络执行特定的功能。在负荷和电价的预测中，通常需要许多输入/目标对来训练神经网络。图2说明了这种情况。根据输出和目标的比较调整网络，直到网络输出与目标匹配。
在拟合问题中，神经网络被映射到一组数值输入和一组数值目标之间。神经网络拟合工具由前馈网络和隐藏神经元和线性输出神经元组成。它可以任意地很好地适应多维映射问题，在给定一致的数据和足够的神经元的隐藏层。选择神经元数量是准确预测的关键之一，选择数量过少会导致精度不够，需要增加神经元数量；数量过多会导致过度拟合以至于精度表现明显变差，应减少神经元数量。
具体的，在上述步骤(1)中，如图3中所示，在人工神经网络预测阶段分为两个部分，第一部分为负荷预测，负荷预测中人工神经网络(ANN)的输入数据为前一天同一时刻负荷、上周同一天同一时段负荷、上一时段负荷、需要预测时段及是否为节假日，输出数据为预测总负荷值Ptotal，f(t)。第二部分为边际电价预测，ANN中的输入数据为前一天同一时段电价、上周同一天同一时段电价、预测负荷、需要预测时段以及上一时段电价，输出数据为预测边际电价
Figure BDA00023203605800000611
本发明中通过选取不同的神经元数量，分别带入输出输入值的历史数据，对神经元数量N进行试凑，根据其测量精度对神经元数量进行确认。最终确认神经元个数N。
步骤2：根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正：
具体的，所述步骤(2)中，将预测的负荷值和边际电价分别与历史数据进行比对可得以下关系式：
Figure BDA0002320360580000061
Figure BDA0002320360580000062
式(1)中，
Figure BDA0002320360580000063
为实际总负荷量，
Figure BDA0002320360580000064
为预测的总负荷量，εtotal为负荷预测值和实际值之间的误差，式(2)中，
Figure BDA0002320360580000065
为实际边际电价，
Figure BDA0002320360580000066
为预测的边际电价，εS为电价预测值与实际值之间的误差。可以认为预测误差服从正态分布，即有
Figure BDA0002320360580000067
其中μ1、μ2分别为正态分布N1、N2的数学期望，
Figure BDA0002320360580000068
分别为正态分布N1、N2的方差。正态分布的均值和标准差可由历史的预测值与真实值统计得到。
具体的，所述步骤(2)中，实际负荷与电价的均值应为：
Figure BDA0002320360580000069
Figure BDA00023203605800000610
具体的，所述步骤(2)中，如图4所示，若系统实际边际电价为λS(t)，售电商i报价为λ0。图4中，竖线为边际电价值λS(t)，则竖线右侧(λ0≥λS(t))为中标成功，则售电商i的竞价成功概率为γ＝P(λ0≥λS(t)) (5)
每个售电商所能接受的γ的值不同，对于一个保守的市场参与者，γ的取值可能比较大，则要提高λ0的数值，以使企业竞价成功的可能性更高。而对于倾向高风险高收益的售电商，其对风险的承受能力是比较高的，γ的值可以取的相对较小，λ0的值更小。
具体的，所述步骤(3)中，假设所有电量都在中长期市场或现货市场中交易。则在t时段实际总电量满足关系：
Ptotal(t)＝PB(t)+Ps(t) (6)
Figure BDA0002320360580000071
式(6)中，Ptotal(t)为t时段实际总电量，PB(t)为t时段实际中长期市场电量，Ps(t)为t时段实际现货市场电量；式(7)中，
Figure BDA0002320360580000072
为售电商i在t时段实际购买的总电量，
Figure BDA0002320360580000073
为售电商i在t时段实际从中长期市场购买的电量，
Figure BDA0002320360580000074
为售电商i在t时段实际从现货市场购买的电量。
步骤3：基于修正后的预测边际电价和预测负荷值，确定购电量最优方案：
具体的，所述步骤(3)中，售电商i可从中长期和现货市场购买总电量最大值与实际总电量有一定比例关系6，其关系为：
Figure BDA0002320360580000075
具体的，所述步骤(3)中，售电商在1～T时段(t＜T)从中长期市场购电成本的计算表达式为：
Figure BDA0002320360580000076
式(9)中，
Figure BDA0002320360580000077
为售电商i的中长期市场购电成本，
Figure BDA0002320360580000078
为t时段的中长期电价，
Figure BDA0002320360580000079
为售电商于t时段i的实际中长期购电量。
具体的，所述步骤(3)中，售电商i参与现货市场交易的购电量有以下关系：
Figure BDA00023203605800000710
Figure BDA00023203605800000711
为售电商i于t时段在现货市场的实际购电量。
具体的，所述步骤(3)中，售电商i的现货市场购电成本，有以下表达式
Figure BDA0002320360580000081
式(11)中，
Figure BDA0002320360580000082
为售电商i根据预测电价
Figure BDA0002320360580000083
以及竞价成功概率γ，得到的现货市场的报价，
Figure BDA0002320360580000084
为售电商i是否能竞价成功的表征量，其表达式为：
Figure BDA0002320360580000085
具体的，所述步骤(3)中，售电商i的购电总成本为：
Figure BDA0002320360580000086
具体的，在步骤(4)中，售电商i在售电侧的总电量为
Figure BDA0002320360580000087
具体的，在步骤(4)中，假设售电商i在售电侧固定电价为
Figure BDA0002320360580000088
峰谷(分时)电价
Figure BDA0002320360580000089
表达式如下：
Figure BDA00023203605800000810
式(15)中，Tpeak、Tnormal、Tvally分别代表峰时、平时、谷时。
Figure BDA00023203605800000811
Figure BDA00023203605800000812
分别为峰时、平时、谷时的电价。
具体的，在步骤(4)中，假设用户仅根据加权平均电价选择电价套餐，并考虑一定的用户对价差的敏感度k，用户选择固定合同概率
Figure BDA00023203605800000813
为：
Figure BDA00023203605800000814
式(16)中，α和β分别表示固定电价和峰谷电价的加权平均电价。
具体的，在步骤(4)中，售电商i在T时段内的总收入为：
Figure BDA00023203605800000815
具体的，在步骤(5)中，根据式(13)和(17)，可得到售电商i在T时段的总利润
Figure BDA0002320360580000091
的表达式：
Figure BDA0002320360580000092
具体的，在步骤(5)中，售电商i的购售电策略在T时段内的可能发生的损失为L，能承受的最大损失为
Figure BDA0002320360580000093
可能发生的损失在承受范围内的概率为μ，其关系式为
Figure BDA0002320360580000094
具体的，在步骤(5)中，则该售电商i的交易策略的条件风险价值模型为：
Figure BDA0002320360580000095
具体的，在步骤(5)中，最终得到本发明的最终全局优化模型：
Figure BDA0002320360580000096
式(21)中，ρ为风险规避因子，风险厌恶型售电商，所取ρ较大；风险喜好型售电商，所取ρ较小。
实施例2：
如图3所示为包含人工神经网络预测的售电商交易策略的流程图，下面就各个步骤加以具体说明。
步骤一，采用人工神经网络系统对总负荷和市场边际电价进行预测，得出预测总负荷和预测电价。
如图3中所示，在人工神经网络预测阶段分为两个部分，第一部分为负荷预测，负荷预测中人工神经网络(ANN)的输入数据为前一天同一时刻负荷、上周同一天同一时段负荷、上一时段负荷、需要预测时段及是否为节假日，输出数据为预测总负荷值Ptotal，f(t)。第二部分为边际电价预测，ANN中的输入数据为前一天同一时段电价、上周同一天同一时段电价、预测负荷、需要预测时段以及上一时段电价，输出数据为预测边际电价
Figure BDA0002320360580000097
本发明中通过选取不同的神经元数量，分别带入输出输入值的历史数据，对神经元数量N进行试凑，根据其测量精度对神经元数量进行确认。最终确认神经元个数N。
步骤二：根据预测的误差，对预测数据进行修正。
将预测的负荷值和边际电价分别与历史数据进行比对可得以下关系式：
Figure BDA0002320360580000101
Figure BDA0002320360580000102
式(1)中，
Figure BDA0002320360580000103
为实际总负荷量，
Figure BDA0002320360580000104
为预测的总负荷量，εtotal为负荷预测值和实际值之间的误差，式(2)中，
Figure BDA0002320360580000105
为实际边际电价，
Figure BDA0002320360580000106
为预测的边际电价，εS为电价预测值与实际值之间的误差。可以认为预测误差服从正态分布，即有
Figure BDA0002320360580000107
其中μ1、μ2分别为正态分布N1、N2的数学期望，
Figure BDA0002320360580000108
分别为正态分布N1、N2的方差。正态分布的均值和标准差可由历史的预测值与真实值统计得到。
因此，实际负荷与电价的均值应为：
Figure BDA0002320360580000109
Figure BDA00023203605800001010
如图4所示，若系统实际边际电价为λS(t)，售电商i报价为λ0。图4中，竖线为边际电价值λS(t)，则竖线右侧(λ0≥λS(t))为中标成功，则售电商i的竞价成功概率为γ＝P(λ0≥λS(t)) (5)
每个售电商所能接受的γ的值不同，对于一个保守的市场参与者，γ的取值可能比较大，则要提高λ0的数值，以使企业竞价成功的可能性更高。而对于倾向高风险高收益的售电商，其对风险的承受能力是比较高的，γ的值可以取的相对较小，λ0的值更小。
步骤三：分别计算中长期市场购电成本和现货市场购电成本两个部分，相加得到售电商的购电成本。
假设所有电量都在中长期市场或现货市场中交易。则在t时段实际总电量满足关系：
Ptotal(t)＝PB(t)+Ps(t) (6)
Figure BDA00023203605800001011
式(6)中，Ptotal(t)为t时段实际总电量，PB(t)为t时段实际中长期市场电量，Ps(t)为t时段实际现货市场电量；式(7)中，
Figure BDA00023203605800001012
为售电商i在t时段实际购买的总电量，
Figure BDA0002320360580000111
为售电商i在t时段实际从中长期市场购买的电量，
Figure BDA0002320360580000112
为售电商i在t时段实际从现货市场购买的电量。
售电商i可从中长期和现货市场购买总电量最大值与实际总电量有一定比例关系δ，其关系为：
Figure BDA0002320360580000113
售电商在1～T时段(t＜T)从中长期市场购电成本的计算表达式为：
Figure BDA0002320360580000114
式(9)中，
Figure BDA0002320360580000115
为售电商i的中长期市场购电成本，
Figure BDA0002320360580000116
为t时段的中长期电价，
Figure BDA0002320360580000117
为售电商于t时段i的实际中长期购电量。
售电商i参与现货市场交易的购电量有以下关系：
Figure BDA0002320360580000118
Figure BDA0002320360580000119
为售电商i于t时段在现货市场的实际购电量。售电商i的现货市场购电成本，有以下表达式
Figure BDA00023203605800001110
式(11)中，
Figure BDA00023203605800001111
为售电商i根据预测电价
Figure BDA00023203605800001112
以及竞价成功概率γ，得到的现货市场的报价，
Figure BDA00023203605800001113
为售电商i是否能竞价成功的表征量，其表达式为：
Figure BDA00023203605800001114
售电商i的购电总成本为：
Figure BDA00023203605800001115
步骤四：分别计算中固定电价套餐收入和峰谷电价套餐收入两个部分，相加得到售电商的售电收入。
售电商i在售电侧的总电量为
Figure BDA00023203605800001116
假设售电商i在售电侧固定电价为
Figure BDA00023203605800001117
峰谷(分时)电价
Figure BDA00023203605800001118
表达式如下：
Figure BDA0002320360580000121
式(15)中，Tpeak、Tnormal、Tvally分别代表峰时、平时、谷时。
Figure BDA0002320360580000122
Figure BDA0002320360580000123
分别为峰时、平时、谷时的电价。
本发明中，假设用户仅根据加权平均电价选择电价套餐，并考虑一定的用户对价差的敏感度k，用户选择固定合同概率
Figure BDA0002320360580000124
为：
Figure BDA0002320360580000125
式(16)中，α和β分别表示固定电价和峰谷电价的加权平均电价。
售电商i在T时段内的总收入为：
Figure BDA0002320360580000126
步骤五：采用CVar方法对售电风险进行评估，得出最终全局优化模型，从而得到最终售电策略。
根据式(13)和(17)，可得到售电商i在T时段的总利润
Figure BDA0002320360580000127
的表达式：
Figure BDA0002320360580000128
售电商i的购售电策略在T时段内的可能发生的损失为L，能承受的最大损失为
Figure BDA0002320360580000129
可能发生的损失在承受范围内的概率为μ，其关系式为
Figure BDA00023203605800001210
则该售电商i的交易策略的条件风险价值模型为：
Figure BDA00023203605800001211
最终得到本发明的最终全局优化模型：
Figure BDA00023203605800001212
式(13)中，ρ为风险规避因子，风险厌恶型售电商，所取ρ较大；风险喜好型售电商，索取ρ较小。
实施例3：
基于同一发明构思，本发明还提供了一种售电商售电方案确定系统，由于这些设备解决技术问题的原理与一种售电商售电方案确定方法相似，重复之处不再赘述。
下面结合图5该系统的系统结构图进行介绍，一种售电商售电方案确定系统，其特征在于，包括：预测模块、修正模块和方案模块；
所述预测模块，用于基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值；
所述修正模块，用于根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正；
所述方案模块，用于基于修正后的预测边际电价和预测负荷值，确定购电量最优方案。
所述方案模块，包括：购电量子模块、两市场购电成本子模块、售电商购电成本子模块和方案最优子模块；
所述购电量子模块，用于基于所述预测负荷值确定中长期市场和现货市场的购电量；
所述两市场购电成本子模块，用于基于所述中长期市场和现货市场的购电量和所述修正后的预测边际电价计算中长期市场购电成本和现货市场购电成本；
所述售电商购电成本子模块，用于基于中长期市场购电成本现货市场购电成本以及购电成本约束计算售电商的购电成本；
所述方案最优子模块，用于基于所述购电成本，确定购电量最优方案；
其中，所述购电成本约束，包括：售电商在中长期市场或现货市场实际交易总电量约束，售电商在中长期市场和现货市场购电总量最大值与实际购电总量的比例约束，售电商参与现货市场交易的购电量约束。
所述方案最优子模块，包括：利润单元和最优单元；
所述利润单元，用于基于所述购电成本计算利润；
所述最优单元，用于基于利润最大化确定购电量最优方案。
所述最优单元，包括：售电风险子单元和最优方案子单元；
所述售电风险子单元，用于基于所述利润计算售电风险；
所述最优方案子单元，用于基于利润最大化和所述售电风险，得到最优方案。
所述预测模块，包括：负荷预测子模块和电价预测子模块；
所述负荷预测子模块，用于将需要预测时段的前一天同一时刻负荷值、上周同一天同一时段负荷值、上一时段负荷值、需要预测时段是否为节假日输入所述人工神经网络系统，所述人工神经网络系统输出需要预测时段的预测负荷值；
所述电价预测子模块，用于将需要预测时段的前一天同一时段电价、上周同一天同一时段电价、预测负荷、需要预测时段以及上一时段电价的市场边际电价输入所述人工神经网络系统，所述人工神经网络系统输出预测边际电价。
所述修正模块，包括：负荷预测修正子模块和电价预测修正子模块；
所述负荷预测修正子模块，用于根据预测负荷值与输入到人工神经网络系统的负荷实际值得到负荷误差，并基于所述负荷误差对所述预测负荷值进行比对修正；
所述电价预测修正子模块，用于根据预测边际电价与输入到人工神经网络系统的市场边际电价实际值得到电价误差，并基于所述电价误差对所述预测边际电价进行比对修正。
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 (15)

1.一种售电商售电方案确定方法，其特征在于，包括：
基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值；
根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正；
基于修正后的预测边际电价和预测负荷值，确定购电量最优方案。
2.如权利要求1所述的方法，其特征在于，所述基于修正后的预测边际电价和预测负荷值，确定购电量最优方案，包括：
基于所述预测负荷值确定中长期市场和现货市场的购电量；
基于所述中长期市场和现货市场的购电量和所述修正后的预测边际电价计算中长期市场购电成本和现货市场购电成本；
基于中长期市场购电成本现货市场购电成本以及购电成本约束计算售电商的购电成本；
基于所述购电成本，确定购电量最优方案；
其中，所述购电成本约束，包括：售电商在中长期市场或现货市场实际交易总电量约束，售电商在中长期市场和现货市场购电总量最大值与实际购电总量的比例约束，售电商参与现货市场交易的购电量约束。
3.如权利要求2所述的方法，其特征在于，所述基于所述中长期市场和现货市场的购电量和所述修正后的预测边际电价计算中长期市场购电成本
Figure FDA0002320360570000011
和现货市场购电成本
Figure FDA0002320360570000012
如下式所示：
Figure FDA0002320360570000013
Figure FDA0002320360570000014
式中，
Figure FDA0002320360570000015
为t时段的中长期电价，
Figure FDA0002320360570000016
为售电商i于t时段的中长期市场的实际购电量，
Figure FDA0002320360570000017
为售电商i于t时段在现货市场的实际购电量，
Figure FDA0002320360570000018
为售电商i根据预测边际电价以及竞价成功概率得到的现货市场报价，
Figure FDA0002320360570000019
为售电商i是否能竞价成功的表征量。
4.如权利要求3所述的方法，其特征在于，所述基于中长期市场购电成本现货市场购电成本以及购电成本约束计算售电商的购电成本，如下式所示：
Figure FDA0002320360570000021
式中，
Figure FDA0002320360570000022
为售电商购电总成本，
Figure FDA0002320360570000023
为售电商i的中长期市场购电成本，
Figure FDA0002320360570000024
售电商i的现货市场购电成本。
5.如权利要求2所述的方法，其特征在于，所述基于所述购电成本，确定购电量最优方案，包括：
基于所述购电成本计算利润；
基于利润最大化确定购电量最优方案。
6.如权利要求4所述的方法，其特征在于，所述基于售电商购电成本计算利润
Figure FDA0002320360570000025
如下式所示：
Figure FDA0002320360570000026
式中，
Figure FDA0002320360570000027
为T时段内的总收入，
Figure FDA0002320360570000028
为售电商购电总成本。
7.如权利要求6所述的方法，其特征在于，所述售电商总收入的计算，包括：基于现货市场的实际购电量和中长期市场的实际购电量，计算售电商售电总电量，并设定分时段固定电价套餐电价和峰谷电价套餐电价；
基于分时段固定电价套餐电价和峰谷电价套餐电价，计算固定电价套餐选择概率和峰谷电价套餐选择概率；
基于固定电价套餐选择的概率和峰谷电价套餐选择概率，计算售电商在预定时段内的总收入。
8.如权利要求7所述的方法，其特征在于，所述固定电价套餐选择概率和峰谷电价套餐选择概率的计算，包括：
所述固定电价套餐选择概率
Figure FDA0002320360570000029
的计算如下所示：
Figure FDA00023203605700000210
式中，k为用户对价差的敏感度，α和β分别表示固定电价和峰谷电价的加权平均电价；
所述峰谷电价套餐选择概率为
Figure FDA00023203605700000211
9.如权利要求8所述的方法，其特征在于，所述总收入
Figure FDA00023203605700000212
的计算，如下式所示：
Figure FDA0002320360570000031
式中，
Figure FDA0002320360570000032
为实际总负荷量，
Figure FDA0002320360570000033
为固定电价套餐电价，
Figure FDA0002320360570000034
为峰谷电价套餐电价。
10.如权利要求5所述的方法，其特征在于，所述基于利润最大化确定购电量最优方案，包括：
基于所述利润计算售电风险；
基于利润最大化和所述售电风险，得到最优方案。
11.如权利要求10所述的方法，其特征在于，所述售电风险
Figure FDA0002320360570000035
的计算，如下式所示：
Figure FDA0002320360570000036
式中，μ为可能发生的损失在承受范围内的概率，
Figure FDA0002320360570000037
为能承受的最大损失。
12.如权利要求14所述的方法，其特征在于，所述基于利润最大化和所述售电风险，得到最优交易方案，包括：
Figure FDA0002320360570000038
式中，ρ为风险规避因子，
Figure FDA0002320360570000039
为利润。
13.如权利要求1所述的方法，其特征在于，所述基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值，包括：
将需要预测时段的前一天同一时刻负荷值、上周同一天同一时段负荷值、上一时段负荷值、需要预测时段是否为节假日输入所述人工神经网络系统，所述人工神经网络系统输出需要预测时段的预测负荷值；
将需要预测时段的前一天同一时段电价、上周同一天同一时段电价、预测负荷、需要预测时段以及上一时段电价的市场边际电价输入所述人工神经网络系统，所述人工神经网络系统输出预测边际电价。
14.如权利要求2所述的方法，其特征在于，所述根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正，包括：
根据预测负荷值与输入到人工神经网络系统的负荷实际值得到负荷误差，并基于所述负荷误差对所述预测负荷值进行比对修正；
根据预测边际电价与输入到人工神经网络系统的市场边际电价实际值得到电价误差，并基于所述电价误差对所述预测边际电价进行比对修正。
15.一种售电商售电方案确定系统，其特征在于，包括：预测模块、修正模块和方案模块；
所述预测模块，用于基于人工神经网络系统对负荷值和市场边际电价进行预测，得到预测边际电价和预测负荷值；
所述修正模块，用于根据负荷值和市场边际电价的预测值与历史实际值获得误差，并基于所述误差对预测边际电价和预测负荷值进行修正；
所述方案模块，用于基于修正后的预测边际电价和预测负荷值，确定购电量最优方案。
CN201911299078.7A 2019-12-16 2019-12-16 一种售电商售电方案确定方法及系统 Pending CN111160632A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911299078.7A CN111160632A (zh) 2019-12-16 2019-12-16 一种售电商售电方案确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911299078.7A CN111160632A (zh) 2019-12-16 2019-12-16 一种售电商售电方案确定方法及系统

Publications (1)

Publication Number Publication Date
CN111160632A true CN111160632A (zh) 2020-05-15

Family

ID=70557350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911299078.7A Pending CN111160632A (zh) 2019-12-16 2019-12-16 一种售电商售电方案确定方法及系统

Country Status (1)

Country Link
CN (1) CN111160632A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712207A (zh) * 2020-12-31 2021-04-27 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712207A (zh) * 2020-12-31 2021-04-27 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备
CN112712207B (zh) * 2020-12-31 2024-03-12 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备

Similar Documents

Publication Publication Date Title
US8086513B2 (en) System and method of margining fixed payoff products
US8224730B2 (en) Scanning based spreads using a hedge ratio non-linear optimization model
US10026123B2 (en) System and method for asymmetric offsets in a risk management system
Kolasa Structural heterogeneity or asymmetric shocks? Poland and the euro area through the lens of a two-country DSGE model
US7627495B2 (en) Systems, methods and computer program products for modeling demand, supply and associated profitability of a good
US20050004858A1 (en) Energy advisory and transaction management services for self-serving retail electricity providers
Kulish et al. Unprecedented changes in the terms of trade
CA2578085A1 (en) System and method for flexible spread participation
CA2578151A1 (en) System and method for efficiently using collateral for risk offset
US8195543B2 (en) Methods and systems for determining composition of a commodity index
Gibbs et al. DSGE Reno: Adding a housing block to a small open economy model
JP2005339527A (ja) 電力市場における入札支援システム
Liu et al. Flexible time horizon project portfolio optimization with consumption and risk control
CN111062809A (zh) 一种电力交易服务器、市场主体终端及交易曲线生成方法
CN111160632A (zh) 一种售电商售电方案确定方法及系统
Zandieh et al. Portfolio rebalancing under uncertainty using meta-heuristic algorithm
CN111598697A (zh) 一种期权信息处理方法及相关设备
Grindel et al. Forecasting of the ID3 using limit order book data
Liu et al. Decision-making Model for Integrated Energy Service Provider Considering Multi-energy Consumers’ Demand Response
Gibbs et al. Housing and commodity investment booms in a small open economy
CN116796908B (zh) 基于人工智能云平台的数字员工自动化业务流程处理系统
JP2012123830A (ja) 金融デリバティブの価格決定のための方法とシステム
Gibbs et al. Rdp 2018-04: Dsge reno: Adding a housing block to a small open economy model
JP2024005875A (ja) 演算方法、プログラム及び演算装置
CN118278709A (zh) 一种面向b2b电商交易供需匹配的统筹优化方法及装置

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