CN111369108A - 一种电网实时定价方法和装置 - Google Patents
一种电网实时定价方法和装置 Download PDFInfo
- Publication number
- CN111369108A CN111369108A CN202010105386.8A CN202010105386A CN111369108A CN 111369108 A CN111369108 A CN 111369108A CN 202010105386 A CN202010105386 A CN 202010105386A CN 111369108 A CN111369108 A CN 111369108A
- Authority
- CN
- China
- Prior art keywords
- preset
- state
- pricing
- power
- time
- 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 47
- 230000005611 electricity Effects 0.000 claims abstract description 127
- 238000010248 power generation Methods 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000012546 transfer Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 101100049748 Archaeoglobus fulgidus (strain ATCC 49558 / DSM 4304 / JCM 9628 / NBRC 100126 / VC-16) wtpA gene Proteins 0.000 description 1
- 101100514057 Azotobacter vinelandii modE gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 101150103307 modA gene Proteins 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/10—Energy trading, including energy flowing from end-user application to grid
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网定价的技术领域,具体涉及一种电网实时定价方法和装置,该方法包括:获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为单位时间发电量与单位时间耗电量之差的绝对值;将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。本方面通过神经网络模型准确预测出在电网实时状态下执行多个预设电价所产生的多个收益值,能够在多个预设电价中快速确定使收益值最大的目标电价,从而提高了电网实时定价的准确性和效率。
Description
技术领域
本发明涉及电网定价的技术领域,具体涉及一种电网实时定价方法和装置。
背景技术
智能电网是当前电网发展的必然,化石燃料的枯竭、温室气体排放的增加、可再生性能源电力设备的间歇性渗透等问题给电网的运行和控制带来了更多的困难。智能电网的发展带来了需求侧管理、实时定价、分布式发电等新概念,这些新概念直接变革了当前的电网。需求响应是电力需求侧管理的主要活动之一。需求响应可以通过调节电力价格随时间的变化,最终促使用户改变用电方式,在市场价格高时抑制用户用电行为,在市场价格低时鼓励或者促进用户用电行为。
目前,主要通过面向电力市场的主动需求响应方法或者基于统计需求弹性模型的实时电价算法确定实时电价,定价过程较复杂,实施效率较低,因此,现有技术中存在电网定价的效率较低的技术问题。
发明内容
本发明的目的是提供一种电网实时定价方法和装置,以解决现有技术中电网定价的效率较低的问题。
本发明实施例提供了以下方案:
依据本发明的第一个方面,本发明实施例提供一种电网实时定价方法和装置,所述电网实时定价方法包括:
获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;
将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;
从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。
优选的,在所述获取目标发电站的电网实时状态之前,所述方法还包括:
通过强化学习算法获取样本数据组,每个所述样本数据组包括:第一状态、第一电价、第二状态和即时回报,所述第二状态为在所述第一状态下执行所述第一电价所达到的状态;
创建待训练定价模型,并根据所述样本数据组对所述待训练定价模型进行训练,以获得训练好的预设定价模型。
优选的,所述通过强化学习算法获取样本数据组,包括:
获取第一状态,在多个预设电价中随机选取第一电价;
通过预设耗电量模型计算所述第一电价对应的单位时间耗电量;
根据预设状态转移公式和所述单位时间耗电量确定第二状态;
通过预设回报函数,根据所述单位时间发电量和所述单位时间耗电量计算即时回报;
将所述第一状态、所述第一电价、所述第二状态和所述即时回报作为一个样本数据组;
将所述第二状态作为所述第一状态,并返回所述获取第一状态,在多个预设电价中随机选取第一电价的步骤,直至所述样本数据组的数量达到第一预设阈值。
优选的,所述通过预设耗电量模型计算所述第一电价对应的单位时间耗电量,包括:
采集用电设备的用电信息,并根据所述用电信息获得价格敏感系数、各所述用电设备的基准用电量、各所述用电设备的耗电量上下限以及所述基准用电量对应的基准价格;
通过预设耗电量模型,根据所述第一电价、所述价格敏感系数、所述基准用电量、所述耗电量上下限和所述基准价格计算所述第一电价对应的耗电量。
优选的,所述预设回报函数为:Rt=(P-P0)·M+h·|N–Nc|,
其中,Rt为即时回报,P为所述第一电价,P0为生产价格,M为销售数量,h为惩罚系数,N为所述单位时间发电量,Nc为所述单位时间耗电量。
优选的,所述根据所述样本数据组对所述待训练定价模型进行训练,以获得训练好的预设定价模型,包括:
将所述第一状态和所述第一定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第一收益值;
将所述第二状态和第二定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第二收益值,并将所述第二收益值和所述即时回报的和作为目标收益值,所述第二定价为在所述第一状态下使收益值最大的预设定价;
根据所述第一收益值和所述目标收益值计算损失函数,并通过梯度下降法和所述损失函数的梯度更新所述待训练定价模型的参数;
当所述损失函数低于第二预设阈值时,获得训练好的预设定价模型。
优选的,在所述将所述第二状态和第二定价输入至所述待训练定价模型中之前,所述方法还包括:
将所述第一状态和所述多个预设电价输入至所述待训练定价模型中,以获得所述预设定价模型输出的多个第三收益值;
从所述多个第三收益值中选取最大第三收益值,并将所述最大第三收益值对应的预设定价作为第二定价。
依据本发明的第二个方面,提供了一种电网实时定价装置,所述电网实时定价装置,包括:
状态获取模块,用于获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;
收益值输出模块,用于将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;
定价模块,用于从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。
依据本发明的第三个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明的第一方面中任一方法步骤。
依据本发明的第四个方面,提供了一种电子设备,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程序时实现如本发明的第一方面中任一方法步骤。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。本发明通过神经网络模型准确预测出在电网实时状态下执行多个预设电价所产生的多个收益值,能够在多个预设电价中快速确定使收益值最大的目标电价,从而提高了电网实时定价的准确性和效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例中一种电网实时定价方法的流程示意图;
图2为本发明实施例中所述通过强化学习算法获取样本数据组的流程示意图;
图3为本发明实施例中所述根据所述样本数据组对所述待训练定价模型进行训练的流程示意图;
图4为本发明实施例中一种电网实时定价装置的结构示意图;
图5为本发明实施例中一种计算机可读存储介质的结构示意图;
图6为本发明实施例中一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明实施例保护的范围。
第一实施例
参照图1,图1为本发明实施例中一种电网实时定价方法的流程示意图。在本实施例中,所述电网实时定价方法应用于电子设备中,所述方法包括:
步骤S10:获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值。
本实施例的执行主体为所述电子设备,所述电子设备可以是智能手机、平板电脑、个人电脑或者服务器等设备,本实施例对此不加以限制。电网内包括发电端和用电端,其中,发电端为生产电能的设备,用户端为电网内的各个电力消费方,包括各大企业、工厂和居民所使用的用电设备。
所述电网实时状态为电网运行过程中的实时状态,包括时段信息、单位时间发电量和电力平衡系数,将一天平均划分为若干时段,每个时段的时长为单位时间,电价每隔单位时间结算一次。所述时段信息为当前时刻所处的时段;所述单位时间发电量为所述目标发电端在所述单位时间内的总发电量;单位时间耗电量为所述目标发电端供应的所有用电设备在所述单位时间内的总耗电量,所述电力平衡系数为所述单位时间发电量和所述单位时间耗电量之间差的绝对值。
在具体实现中,将所述电网实时状态通过向量S=(t,N,balance)表示,其中t表示所述时段信息,例如,单位时间为1个小时,按照一天24个小时计算,t取值为[0,23]之间的整数,由于一天当中用户在每个时间点的用电量是不同的,可以分为闲时和忙时,我们也可以将t理解为表征闲时或忙时的等级划分。N表示所述单位时间发电量,按照用电设备的用电信息进行合理取值,例如,从某电量统计表中发现用户用电量随时间、电价的变化而波动,最小值为631,最大值为1386,这里我们按照100为单位进行取整,所以取值范围为[700,1400]之间的浮点数。balance表示所述电力平衡系数。
步骤S20:将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值。
所述预设电价为参考当地电网销售电价表中大工业用电、一般工商业用电以及其他用电的计费指标得出的电价,符合实际用电情况。所述预设定价模型的输入为状态和电价,输出为输入的状态和电价对应的收益值,所述收益值为所述目标发电端售电获得的收益。将所述电网实时状态和多个预设电价输入至预设定价模型中,以使所述预设定价模型对所述电网实时状态和每个预设电价进行预测,输出所述电网实时状态和每个预设电价对应的收益值,从而输出多个预设电价对应的多个收益值。
在具体实现中,参考浙江省电网销售电价表所得的预设电价为:{0.3354,0.3534,0.3604,0.3684,0.3724,0.3754,0.3924,0.4004,0.4164,0.4857,0.4934,0.4940,0.5107,0.5427,0.5514,0.5714,0.5767,0.5804,0.5867,0.5984,0.6067,0.6074,0.6124,0.6344,0.6444,0.6447,0.6644,0.7534,0.7794,0.7894,0.7927,0.8027,0.8104,0.8227,0.8284,0.8364,0.8607,0.8654,0.8771,0.9004,0.9104,0.9404,0.9514,0.9744,0.9887,1.0000,1.0014,1.0114,1.0227,1.0444,1.0571,1.0657,1.0824,1.2817,1.2947,1.3207,1.3707}。
进一步地,在所述步骤S10之前,所述方法还包括:
通过强化学习算法获取样本数据组,每个所述样本数据组包括:第一状态、第一电价、第二状态和即时回报,所述第二状态为在所述第一状态下执行所述第一电价所达到的状态;
创建待训练定价模型,并根据所述样本数据组对所述待训练定价模型进行训练,以获得训练好的预设定价模型。
为了通过所述预设定价模型预测所述电网实时状态和预设电价对应的收益值,在预测之前,将创建并训练神经网络模型。首先,通过强化学习算法获取样本数据组,每个所述样本数据组包括第一状态、第一电价、第二状态和即时回报,所述第二状态为在所述第一状态下执行所述第一电价所达到的状态,所述即时回报为在所述第一状态下执行所述第一电价所获得的奖赏;其次,创建待训练定价模型;最后,根据所述样本数据组对所述待训练定价模型进行多次训练,逐渐调整所述待训练定价模型中的神经网络参数,从而获得训练好的预设定价模型。
所述待训练定价模型的结构包括输入层、隐藏层和输出层。输入层的输入数据为状态行为对(S,a),包括27个节点,其中S是一个26维的向量(时段信息t由独热编码表征为1个24维度的向量,发电量N由1个一维值表征,电力平衡系数balance由1个一维值表征),电价a由一个一维值表征。隐藏层为两层,第一层节点个数32,第二层节点个数为64.输出层节点个数为1,表示收益值。
步骤S30:从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。
所述目标发电端处于所述电网实时状态时,采用不同的预设电价将获得不同的收益,为了使所述目标发电端的收益最大化,将在所述多个收益值中选取最大收益值,所述最大收益值为所述多个收益值中数值最大的收益值,可以理解的是,最大收益值对应的预设电价能够使所述目标发电端获得最大收益,因此,所述最大收益值对应的预设电价将作为所述目标发电端在所述电网实时状态下的目标电价。通过所述预设定价模型可准确快速地确定与多个预设电价对应的多个收益值,通过选取最大收益值可快速确定所述目标发电端的目标电价,提高了电网定价的准确度和效率。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本实施例通过获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。本实施例通过神经网络模型准确预测出在电网实时状态下执行多个预设电价所产生的多个收益值,能够在多个预设电价中快速确定使收益值最大的目标电价,从而提高了电网实时定价的准确性和效率。
第二实施例
参照图2,图2为本发明实施例中所述通过强化学习算法获取样本数据组的流程示意图,基于图1所示的第一实施例,提出本发明第二实施例。在第二实施例中,所述通过强化学习算法获取样本数据组,包括:
步骤S101:获取第一状态,在多个预设电价中随机选取第一电价。
为了提高所述预设定价模型的准确率,将通过强化学习获取大量样本数据组。获取第一组样本数据组时,第一状态随机确定。
步骤S102:通过预设耗电量模型计算所述第一电价对应的单位时间耗电量。
所述单位时间耗电量为所述目标发电端供应的所有用电设备在单位时间内的总耗电量,所述预设耗电量模型为所述单位时间耗电量的计算公式。所述第一电价能够影响所述单位时间耗电量,而所述单位时间耗电量能够影响所述第二状态,因此,将通过预设耗电量模型计算所述第一电价对应的单位时间耗电量,以便后续根据所述单位时间耗电量获得第二状态。
进一步地,所述步骤S102包括:采集用电设备的用电信息,并根据所述用电信息获得价格敏感系数、各所述用电设备的基准用电量、各所述用电设备的耗电量上下限以及所述基准用电量对应的基准价格;通过预设耗电量模型,根据所述第一电价、所述价格敏感系数、所述基准用电量、所述耗电量上下限和所述基准价格计算所述第一电价对应的耗电量。所述预设耗电量模型为: 其中,m为用电设备数量,Nc为m个用电设备的单位时间耗电量,P为所述第一电价,ki为第i个价格敏感系数,Ni(P,ki)为第i个用电设备的耗电量,Nbase为基准用电量,Nlimit为耗电量上下限,Pbase为所述基准用电量对应的基准价格。
步骤S103:根据预设状态转移公式和所述单位时间耗电量确定第二状态。
所述预设状态转移公式包括:时段转移公式、发电量转移公式和平衡系数转移公式,所述时段转移公式为ti+1=(ti+1)modA,A为一天内的时段数量,例如单位时间为1小时时,一天内的时段数量为24,此时所述时段转移公式为ti+1=(ti+1)mod 24;发电量转移公式直接由配电侧单位时间内的购电量给出;平衡系数转移公式为balance=|N–Nc|。根据所述时段转移公式、所述发电量转移公式和所述平衡系数转移公式分别确定第二状态中的时段信息、单位时间发电量和电力平衡系数。
步骤S104:通过预设回报函数,根据所述单位时间发电量和所述单位时间耗电量计算即时回报。
所述预设回报函数为:R=(P-P0)·M+h·|N–Nc|,其中,R为即时回报,P为所述第一电价,P0为生产价格,M为销售数量,h为惩罚系数,N为所述单位时间发电量,Nc为所述单位时间耗电量。
步骤S105:将所述第一状态、所述第一电价、所述第二状态和所述即时回报作为一个样本数据组。
步骤S106:将所述第二状态作为所述第一状态,并返回所述获取第一状态,在多个预设电价中随机选取第一电价的步骤,直至所述样本数据组的数量达到第一预设阈值。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本实施例通过获取第一状态,在多个预设电价中随机选取第一电价;通过预设耗电量模型计算所述第一电价对应的单位时间耗电量;根据预设状态转移公式和所述单位时间耗电量确定第二状态;通过预设回报函数,根据所述单位时间发电量和所述单位时间耗电量计算即时回报;将所述第一状态、所述第一电价、所述第二状态和所述即时回报作为一个样本数据组;将所述第二状态作为所述第一状态,并返回所述获取第一状态,在多个预设电价中随机选取第一电价的步骤,直至所述样本数据组的数量达到第一预设阈值。本实施例通过强化学习获取了大量样本数据组,通过所述样本数据组进行训练获得预设定价模型,所述样本数据组通过随机采样获得,能够很好地反映电价的动态变化特征,提高了预设定价模型的预测准确度。
第三实施例
参照图3,图3为本发明实施例中所述根据所述样本数据组对所述待训练定价模型进行训练的流程示意图,基于图1所示的第一实施例,提出本发明第三实施例。在第三实施例中,所述根据所述样本数据组对所述待训练定价模型进行训练,以获得训练好的预设定价模型,包括:
步骤S201:将所述第一状态和所述第一定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第一收益值。
所述第一收益值为在所述第一状态下执行所述第一定价时产生的实际收益值。
步骤S202:将所述第二状态和第二定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第二收益值,并将所述第二收益值和所述即时回报的和作为目标收益值,所述第二定价为在所述第一状态下使收益值最大的预设定价。
由于所述第二定价是在所述第一状态下使收益值最大的定价,将所述第二状态和所述第二定价输入至所述待训练定价模型中,能够获得所述待训练定价模型输出的第二收益值,所述第二收益值是在所述第二状态下执行所述第二定价所产生的实际收益值,所述第二收益值和所述即时回报的和为目标收益值,所述目标收益值为所述第二状态下最大的收益值。
进一步地,在所述步骤S202之前,所述方法还包括:将所述第一状态和所述多个预设电价输入至所述待训练定价模型中,以获得所述预设定价模型输出的多个第三收益值;从所述多个第三收益值中选取最大第三收益值,并将所述最大第三收益值对应的预设定价作为第二定价,从而在所述多个预设定价中获得了使收益值最大的第二定价。
步骤S203:根据所述第一收益值和所述目标收益值计算损失函数,并通过梯度下降法和所述损失函数的梯度更新所述待训练定价模型的参数。
所述待训练定价模型输出的所述第一收益值为Q1=q(s1,a1|θ),其中,Q1为所述第一收益值,q为收益值,s1为所述第一状态,a1为所述第一定价,θ为所述待训练定价模型的参数。所述目标收益值为Q-target=q(s2,a2|θ)+r1,其中,Q-target为所述目标收益值,s2为所述第二状态,a2为所述第二定价,r1为在所述第一状态下执行所述第一定价所获得的即时回报。所述损失函数为J(s,a|θ)=[q(s2,a2|θ)+r1-q(s1,a1|θ)]2,将通过梯度下降法和所述损失函数的梯度更新所述待训练定价模型的参数。
步骤S204:当所述损失函数低于第二预设阈值时,获得训练好的预设定价模型。
设定第二预设阈值,当所述损失函数低于所述第二预设阈值时,停止更新所述待训练定价模型的参数,获得训练好的预设定价模型。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本实施例通过将所述第一状态和所述第一定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第一收益值;将所述第二状态和第二定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第二收益值,并将所述第二收益值和所述即时回报的和作为目标收益值,所述第二定价为在所述第一状态下使收益值最大的预设定价;根据所述第一收益值和所述目标收益值计算损失函数,并通过梯度下降法和所述损失函数的梯度更新所述待训练定价模型的参数;当所述损失函数低于第二预设阈值时,获得训练好的预设定价模型。本实施例通过所述待训练定价模型输出多个预设电价在所述第一状态下的多个收益值,从而能够获得使收益值最大的第二定价,通过该第二定价进行参数更新,能够极大地提高模型的准确度。
第四实施例
基于同一发明构思,如图4所示,本发明实施例还提供一种电网实时定价装置,所述电网实时定价装置,包括:
状态获取模块10,用于获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;
收益值输出模块20,用于将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;
定价模块30,用于从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。
进一步地,所述电网实时定价装置还包括:
样本获取模块,用于通过强化学习算法获取样本数据组,每个所述样本数据组包括:第一状态、第一电价、第二状态和即时回报,所述第二状态为在所述第一状态下执行所述第一电价所达到的状态;
模型训练模块,用于创建待训练定价模型,并根据所述样本数据组对所述待训练定价模型进行训练,以获得训练好的预设定价模型。
进一步地,所述样本获取模块,包括:
状态获取单元,用于获取第一状态,在多个预设电价中随机选取第一电价;
耗电量计算单元,用于通过预设耗电量模型计算所述第一电价对应的单位时间耗电量;
状态转移单元,用于根据预设状态转移公式和所述单位时间耗电量确定第二状态;
回报计算单元,用于通过预设回报函数,根据所述单位时间发电量和所述单位时间耗电量计算即时回报;
样本组合单元,用于将所述第一状态、所述第一电价、所述第二状态和所述即时回报作为一个样本数据组;将所述第二状态作为所述第一状态,并返回所述获取第一状态,在多个预设电价中随机选取第一电价的步骤,直至所述样本数据组的数量达到第一预设阈值。
进一步地,所述耗电量计算单元,用于采集用电设备的用电信息,并根据所述用电信息获得价格敏感系数、各所述用电设备的基准用电量、各所述用电设备的耗电量上下限以及所述基准用电量对应的基准价格;通过预设耗电量模型,根据所述第一电价、所述价格敏感系数、所述基准用电量、所述耗电量上下限和所述基准价格计算所述第一电价对应的耗电量。
进一步地,所述预设回报函数为:Rt=(P-P0)·M+h·|N–Nc|,
其中,Rt为即时回报,P为所述第一电价,P0为生产价格,M为销售数量,h为惩罚系数,N为所述单位时间发电量,Nc为所述单位时间耗电量。
进一步地,所述模型训练模块,包括:
第一预测单元,用于将所述第一状态和所述第一定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第一收益值;
第二预测单元,用于将所述第二状态和第二定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第二收益值,并将所述第二收益值和所述即时回报的和作为目标收益值,所述第二定价为在所述第一状态下使收益值最大的预设定价;
参数更新单元,用于根据所述第一收益值和所述目标收益值计算损失函数,并通过梯度下降法和所述损失函数的梯度更新所述待训练定价模型的参数;
判断单元,用于当所述损失函数低于第二预设阈值时,获得训练好的预设定价模型。
进一步地,所述模型训练模块,还包括:
第三预测单元,用于将所述第一状态和所述多个预设电价输入至所述待训练定价模型中,以获得所述预设定价模型输出的多个第三收益值;从所述多个第三收益值中选取最大第三收益值,并将所述最大第三收益值对应的预设定价作为第二定价。
本发明实施例与现有技术相比,具有如下的优点和有益效果:
本实施例通过获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。本实施例通过神经网络模型准确预测出在电网实时状态下执行多个预设电价所产生的多个收益值,能够在多个预设电价中快速确定使收益值最大的目标电价,从而提高了电网实时定价的准确性和效率。
第五实施例
基于同一发明构思,如图5所示,本发明实施例还提供一种计算机可读存储介质300,其上存储有计算机程序311,该程序311被处理器执行时实现以下步骤:
获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。
在具体实施过程中,该计算机程序311被处理器执行时,可以实现上述第一实施例至第三实施例中任一方法步骤。
第六实施例
基于同一发明构思,如图6所示,本发明实施例还提供了一种电子设备400,包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411,所述处理器420执行所述程序411时实现以下步骤:
获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。
在具体实施过程中,处理器420执行计算机程序411时,可以实现上述第一实施例至第三实施例中任一方法步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种电网实时定价方法,应用于电子设备中,其特征在于,所述方法包括:
获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;
将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;
从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。
2.根据权利要求1所述的方法,其特征在于,在所述获取目标发电站的电网实时状态之前,所述方法还包括:
通过强化学习算法获取样本数据组,每个所述样本数据组包括:第一状态、第一电价、第二状态和即时回报,所述第二状态为在所述第一状态下执行所述第一电价所达到的状态;
创建待训练定价模型,并根据所述样本数据组对所述待训练定价模型进行训练,以获得训练好的预设定价模型。
3.根据权利要求2所述的方法,其特征在于,所述通过强化学习算法获取样本数据组,包括:
获取第一状态,在多个预设电价中随机选取第一电价;
通过预设耗电量模型计算所述第一电价对应的单位时间耗电量;
根据预设状态转移公式和所述单位时间耗电量确定第二状态;
通过预设回报函数,根据所述单位时间发电量和所述单位时间耗电量计算即时回报;
将所述第一状态、所述第一电价、所述第二状态和所述即时回报作为一个样本数据组;
将所述第二状态作为所述第一状态,并返回所述获取第一状态,在多个预设电价中随机选取第一电价的步骤,直至所述样本数据组的数量达到第一预设阈值。
4.根据权利要求3所述的方法,其特征在于,所述通过预设耗电量模型计算所述第一电价对应的单位时间耗电量,包括:
采集用电设备的用电信息,并根据所述用电信息获得价格敏感系数、各所述用电设备的基准用电量、各所述用电设备的耗电量上下限以及所述基准用电量对应的基准价格;
通过预设耗电量模型,根据所述第一电价、所述价格敏感系数、所述基准用电量、所述耗电量上下限和所述基准价格计算所述第一电价对应的耗电量。
5.根据权利要求3所述的方法,其特征在于,所述预设回报函数为:
Rt=(P-P0)·M+h·|N–Nc|,
其中,Rt为即时回报,P为所述第一电价,P0为生产价格,M为销售数量,h为惩罚系数,N为所述单位时间发电量,Nc为所述单位时间耗电量。
6.根据权利要求2-5中任一项所述的方法,其特征在于,所述根据所述样本数据组对所述待训练定价模型进行训练,以获得训练好的预设定价模型,包括:
将所述第一状态和所述第一定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第一收益值;
将所述第二状态和第二定价输入至所述待训练定价模型中,以获得所述待训练定价模型输出的第二收益值,并将所述第二收益值和所述即时回报的和作为目标收益值,所述第二定价为在所述第一状态下使收益值最大的预设定价;
根据所述第一收益值和所述目标收益值计算损失函数,并通过梯度下降法和所述损失函数的梯度更新所述待训练定价模型的参数;
当所述损失函数低于第二预设阈值时,获得训练好的预设定价模型。
7.根据权利要求6所述的方法,其特征在于,在所述将所述第二状态和第二定价输入至所述待训练定价模型中之前,所述方法还包括:
将所述第一状态和所述多个预设电价输入至所述待训练定价模型中,以获得所述预设定价模型输出的多个第三收益值;
从所述多个第三收益值中选取最大第三收益值,并将所述最大第三收益值对应的预设定价作为第二定价。
8.一种电网实时定价装置,其特征在于,包括:
状态获取模块,用于获取目标发电端的电网实时状态,所述电网实时状态包括:时段信息、单位时间发电量以及电力平衡系数,所述电力平衡系数为所述单位时间发电量与单位时间耗电量之差的绝对值;
收益值输出模块,用于将所述电网实时状态和多个预设电价输入至预设定价模型中,以获得所述预设定价模型输出的多个收益值;
定价模块,用于从所述多个收益值中选取最大收益值,并将所述最大收益值对应的预设电价作为所述目标发电端的目标电价。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一权利要求所述的方法步骤。
10.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一权利要求所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105386.8A CN111369108A (zh) | 2020-02-20 | 2020-02-20 | 一种电网实时定价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105386.8A CN111369108A (zh) | 2020-02-20 | 2020-02-20 | 一种电网实时定价方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369108A true CN111369108A (zh) | 2020-07-03 |
Family
ID=71206308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010105386.8A Pending CN111369108A (zh) | 2020-02-20 | 2020-02-20 | 一种电网实时定价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369108A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210279753A1 (en) * | 2020-03-03 | 2021-09-09 | Daisy Intelligence Corporation | System and method for retail price optimization |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100138363A1 (en) * | 2009-06-12 | 2010-06-03 | Microsoft Corporation | Smart grid price response service for dynamically balancing energy supply and demand |
US20130166479A1 (en) * | 2011-12-27 | 2013-06-27 | Electronics And Telecommunications Research Institute | Method and apparatus for calculating energy revenues of electric power devices based on real time pricing |
US20130346139A1 (en) * | 2009-10-23 | 2013-12-26 | Alain P. Steven | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
US20160105023A1 (en) * | 2013-05-22 | 2016-04-14 | Vito Nv | Power supply network control system and method |
CN106503842A (zh) * | 2016-10-18 | 2017-03-15 | 国网上海市电力公司 | 一种考虑关键指标和收益管理的分时电价定价方法 |
WO2017052362A1 (en) * | 2015-09-22 | 2017-03-30 | Peeeks B.V. | System for balancing an electricity network with a grid |
CN106815694A (zh) * | 2017-03-30 | 2017-06-09 | 国网能源研究院 | 一种实时电价的定价方法及装置 |
CN106971280A (zh) * | 2017-05-09 | 2017-07-21 | 上海交通大学 | 智能电网中公司和用户的实时优化模型和需求响应方法 |
CN107506874A (zh) * | 2017-09-22 | 2017-12-22 | 广东工业大学 | 一种电价定价方法及系统 |
CN109242193A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种基于强化学习的动态需求响应定价方法 |
CN109347149A (zh) * | 2018-09-20 | 2019-02-15 | 国网河南省电力公司电力科学研究院 | 基于深度q值网络强化学习的微电网储能调度方法及装置 |
CN109754075A (zh) * | 2019-01-16 | 2019-05-14 | 中南民族大学 | 无线传感器网络节点的调度方法、设备、存储介质及装置 |
CN110428345A (zh) * | 2019-04-08 | 2019-11-08 | 国网浙江省电力有限公司舟山供电公司 | 一种基于增强学习的电网定价方法 |
WO2020000399A1 (zh) * | 2018-06-29 | 2020-01-02 | 东莞理工学院 | 一种基于智能电网的多智能体深度强化学习代理方法 |
-
2020
- 2020-02-20 CN CN202010105386.8A patent/CN111369108A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100138363A1 (en) * | 2009-06-12 | 2010-06-03 | Microsoft Corporation | Smart grid price response service for dynamically balancing energy supply and demand |
US20130346139A1 (en) * | 2009-10-23 | 2013-12-26 | Alain P. Steven | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
US20130166479A1 (en) * | 2011-12-27 | 2013-06-27 | Electronics And Telecommunications Research Institute | Method and apparatus for calculating energy revenues of electric power devices based on real time pricing |
US20160105023A1 (en) * | 2013-05-22 | 2016-04-14 | Vito Nv | Power supply network control system and method |
WO2017052362A1 (en) * | 2015-09-22 | 2017-03-30 | Peeeks B.V. | System for balancing an electricity network with a grid |
CN106503842A (zh) * | 2016-10-18 | 2017-03-15 | 国网上海市电力公司 | 一种考虑关键指标和收益管理的分时电价定价方法 |
CN106815694A (zh) * | 2017-03-30 | 2017-06-09 | 国网能源研究院 | 一种实时电价的定价方法及装置 |
CN106971280A (zh) * | 2017-05-09 | 2017-07-21 | 上海交通大学 | 智能电网中公司和用户的实时优化模型和需求响应方法 |
CN107506874A (zh) * | 2017-09-22 | 2017-12-22 | 广东工业大学 | 一种电价定价方法及系统 |
WO2020000399A1 (zh) * | 2018-06-29 | 2020-01-02 | 东莞理工学院 | 一种基于智能电网的多智能体深度强化学习代理方法 |
CN109347149A (zh) * | 2018-09-20 | 2019-02-15 | 国网河南省电力公司电力科学研究院 | 基于深度q值网络强化学习的微电网储能调度方法及装置 |
CN109242193A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种基于强化学习的动态需求响应定价方法 |
CN109754075A (zh) * | 2019-01-16 | 2019-05-14 | 中南民族大学 | 无线传感器网络节点的调度方法、设备、存储介质及装置 |
CN110428345A (zh) * | 2019-04-08 | 2019-11-08 | 国网浙江省电力有限公司舟山供电公司 | 一种基于增强学习的电网定价方法 |
Non-Patent Citations (1)
Title |
---|
张莉 等: "考虑用电量不确定性的智能电网实时定价策略", vol. 43, no. 10, pages 3622 - 3631 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210279753A1 (en) * | 2020-03-03 | 2021-09-09 | Daisy Intelligence Corporation | System and method for retail price optimization |
US11887138B2 (en) * | 2020-03-03 | 2024-01-30 | Daisy Intelligence Corporation | System and method for retail price optimization |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmadi et al. | Evaluating the effectiveness of normal boundary intersection method for short-term environmental/economic hydrothermal self-scheduling | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
CN112070301B (zh) | 一种用户用电量调整方法、系统及设备 | |
CN109118012A (zh) | 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端 | |
Shayesteh et al. | Scenario reduction, network aggregation, and DC linearisation: which simplifications matter most in operations and planning optimisation? | |
CN102509027A (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
Ampatzis et al. | Robust optimisation for deciding on real‐time flexibility of storage‐integrated photovoltaic units controlled by intelligent software agents | |
CN116207739A (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
CN111369108A (zh) | 一种电网实时定价方法和装置 | |
Jeong et al. | Time series forecasting based day-ahead energy trading in microgrids: mathematical analysis and simulation | |
CN116304699A (zh) | 基于新能源多场站短路比的临界样本集生成方法及系统 | |
CN113723717B (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 | |
Brolin et al. | Modeling Swedish real-time balancing power prices using nonlinear time series models | |
CN115794358A (zh) | 云工作流任务调度方法、装置、电子设备和存储介质 | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
CN113052630B (zh) | 利用模型进行电力设备配置的方法和电力设备配置方法 | |
Shalash et al. | Agents for fuzzy indices of reliability power system with uncertainty using Monte Carlo algorithm | |
CN109256790B (zh) | 一种蓄能系统配置方法、装置及存储介质 | |
Amjady et al. | Optimal reliable operation of hydrothermal power systems with random unit outages | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
CN113205259A (zh) | 电网调度决策评估方法、装置及终端设备 | |
Zhao et al. | On the benefits of stochastic economic dispatch in real-time electricity markets | |
Watanabe et al. | Agent-based simulation model of electricity market with stochastic unit commitment | |
Gong et al. | Integrated multi-horizon power and energy forecast for aggregated electric water heaters | |
CN116756528B (zh) | 一种用电负荷数据的补全方法、装置、设备及介质 |
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 |