CN111476399A - 一种现货交易机制下售电公司购电方法及系统 - Google Patents
一种现货交易机制下售电公司购电方法及系统 Download PDFInfo
- Publication number
- CN111476399A CN111476399A CN202010154613.6A CN202010154613A CN111476399A CN 111476399 A CN111476399 A CN 111476399A CN 202010154613 A CN202010154613 A CN 202010154613A CN 111476399 A CN111476399 A CN 111476399A
- Authority
- CN
- China
- Prior art keywords
- electricity
- purchasing
- transaction
- selling company
- power
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 359
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007246 mechanism Effects 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000014759 maintenance of location Effects 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001637516 Polygonia c-album Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
Abstract
本发明涉及一种现货交易机制下售电公司购电方法及系统，首先计算售电公司的购售电费用，并计及负荷调节后计算售电公司售电交易实际收益；之后，计算风险度量指标作为售电公司交易风险；最后构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，按照所得到的解进行购电。本发明以售电公司的运营模式和风险分析入手，以售电公司利润和用户满意度为目标构建了售电公司的购电优化决策模型，模型求解采用一种自适应变异的改进多目标差分进化算法，改善了算法的进化方向和实现了非占有解的保留排序，得到了售电公司在不同购电来源的期望交易电量，有利于售电公司更好地适应市场环境，赢得市场主动，且能够实现市场多主体利益最大化。
Description
技术领域
本发明属于电力系统技术领域，具体涉及一种现货交易机制下售电公司购电方法及系统。
背景技术
现代电力市场体系由中长期交易市场与电力现货交易市场共同组成。就电力中长期交易而言，现阶段，我国不同省市地区已初步形成功能完善的中长期交易机制，而现货市场建设还处于起步阶段，计划于在2020年底实现全面启动。为此，进一步加快探索电力现货交易机制，改变原有的市场运营方式，完善市场化电力电量平衡机制，逐步形成中长期与现货市场相结合的电力交易模式，建成符合我国国情的电力市场体系是当前市场建设工作的重点。
准确的购电决策时电力行业各个主体参与市场竞争的有效参考，有利于其更好的适应不断发展变化的市场环境，且随着电力体制改革的不断推进，智能电网和新能源发电技术的不断兴起，给当前的购电研究策略带来了新的挑战。
现有的购电策略多是针对国外已有的电力交易机制进行建模并分析，而未充分考虑国内电力交易市场现状，因此如何克服现有技术的不足是目前电力系统技术领域亟需解决的问题。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种现货交易机制下售电公司购电方法及系统，建立一种立足于国内电力交易市场，利用多目标优化思想，建立售电公司动态多目标购电优化决策模型，从而可实现市场多主体利益最大化。
为实现上述目的，本发明采用的技术方案如下：
一种现货交易机制下售电公司购电方法，包括如下步骤：
步骤A、计算售电公司的购售电费用；所述购售电费用包括现货市场交易费用、售电公司电源购电费用及可调负荷交易费用；计及负荷调节后计算售电公司售电交易实际收益；
步骤B、计算风险度量指标作为售电公司交易风险，所述风险度量指标采用条件风险价值；
步骤C、构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，之后按照所得到的解进行购电；所述购电优化决策模型中的多目标优化问题采用多目标差分进化算法。
进一步，优选的是，步骤A中，计算售电公司的购售电费用的具体方法为：
所述现货市场交易费用包括日前市场交易费用及实时平衡市场交易费用；所述日前市场交易费用计算模型如下：
式中：T表示一个交易日内，交易进行小时数，T＝24；C1表示售电公司日前市场下购买电量花费金额；P1(t)及Q1(t)分别表示在日前市场中，时间为t时刻时的统一出清价格及交易电量；κ(t)为t时刻购售电交易电量在日前市场中分解比例；P2和Q2分别表示每个交易日中的成交电价和电量；
实时平衡市场交易费用计算模型如下：
式中：C3售电公司实时平衡市场下购买电量花费金额；P3(t)为实时平衡市场t时刻的交易出清电价；Q31(t)和Q32(t)分别表示售电公司在实时平衡市场中t时刻的购电量及售电量；δ(t)取值为0或1，其中，0表示电量充足，1表示电量不足；
售电公司电源购电费用，计算模型如下：
式中：C4为售电公司电源购电的总成本；k4为电源购电规模系数，即发电机组数目；P4为售电公司电源购电时的电价；Q4(t)表示为发电机组的发电量；
所述可调负荷交易费用包括中断型负荷补偿费用及激励型负荷补偿费用，所述中断型负荷补偿费用包括直接补偿及电价折扣补偿；
售电公司对中断型负荷的补偿费用C5计算模型如下：
式中：ε1表示用户采用直接补偿方案的概率，ε2表示用户采用电价折扣补偿方案的概率，ε1+ε2＝1；i1表示第i1个中断型负荷的用户；I1表示i1的上限；
表示第i1个中断型负荷的用户采用直接补偿方案的交易成本；
表示第i1个中断型负荷用户的中断电量；
表示t时刻下，第i1个中断型负荷用户用电的计划值；θ5表示用电折扣价方案下的实际用电量折扣百分比；λap(t)表示售电公司与用户进行购售电交易时的电价；
激励型负荷补偿费用C6计算模型如下：
式中：i2表示第i2个激励型负荷的用户；I2表示i2的上限；
表示第i2个激励型用户在t时刻下用电的计划值，
表示第i2个激励型用户用电量的增值；θ6为针对激励型用户设置的电价折扣百分比；
计及负荷调节后的售电交易实际收益Fap计算模型如下：
Qd(t)表示用户在t时刻下用电的计划值。
进一步，优选的是，步骤B中，所述条件风险价值RCVaR,β计算模型如下：
式中：β表示置信度，α表示在置信度β下售电公司在购售电交易时的最大可能亏损，α∈R；f(ω)表示售电公司在购售电交易时的成本与收益的差值，当f(ω)>α时，[f(ω)–α]+＝f(ω)-α，当f(ω)<α时，[f(ω)–α]+＝0。
进一步，优选的是，步骤C中，所述购电优化决策模型包括优化决策目标函数及优化决策约束条件；所述优化决策目标函数包括售电交易实际利润及用户满意度；所述优化决策约束条件包括电量平衡约束、中长期电量分解约束及可调负荷调用约束；
售电交易实际利润f1计算模型如下：
f1＝Fap-Cap-γRCVaR,β
Cap＝C1+C3+C4+C5+C6
式中：γ为售电公司风险规避系数，γ>0，γ越大，表示售电公司的风险规避程度越高；Cap为售电公司不同购电来源的交易成本及补偿费用。
用户满意度f2包括用户用电方式满意度f21和用户用电成本满意度f22，计算模型如下：
f2＝f21+f22
式中：β1和β2分别为用户用电方式满意度与用户用电成本满意度的比例，β1+β2＝1；Cway(t)为t时刻用户用电方式改变造成的用户支出电费改变量。
进一步，优选的是，步骤C中，所述购电优化决策模型中的随机变量采用多场景生成技术进行处理，具体如下：
步骤C1、构建随机变量概率模型，预测误差服从正态分布；
步骤C2、构建随机变量场景，所述随机变量场景的描述手段依次采用拉丁超立方抽样、Cholesky分解及场景缩减。
进一步，优选的是，步骤C中，所述购电优化决策模型中的多目标优化问题采用多目标差分进化算法，具体如下：
步骤S1、采用多目标差分进化算法选取多个全局最优解，计算公式如下：
式中，Xr1,g、Xr2,g、Xr3,g分别为第g代种群的三个不同个体；rand为均匀分布的随机数，rand取值范围为0-1；F为变异常数，F的取值范围为0-1，Vi,g+1为变异个体；Xbest为当前种群中适应能力最强的个体；Gm为最大进化代数；g为当前迭代次数；
步骤S2、针对多目标优化问题，采用外部精英存档策略保留进化迭代过程得到的非占有解；
步骤S3、采用约束占优方式比较非占优等级，保留占优个体；
步骤S4、基于模糊集理论选取最优折中解。
进一步，优选的是，步骤C中，所述售电公司的购电优化决策模型求解包括如下步骤：
步骤E1、输入售电公司购电决策原始数据及多种随机变量场景集合，设定最大进化代数Gm；
步骤E2、设定g＝0，随机初始化种群，生成符合约束条件的初始购电计划，计算初始种群中每个个体目标函数值；
步骤E3、对目标个体进行变异、交叉及选择操作，更新外部精英存档与当代非支配解集，操作过程中g不断增大；
步骤E4、当g达到Gm时，输出最优解集，计算最优折中解作为售电公司最优购电决策。
本发明还提供一种现货交易机制下售电公司购电系统，包括：
第一处理模块，计算售电公司的购售电费用；所述购售电费用包括现货市场交易费用、售电公司电源购电费用及可调负荷交易费用；计及负荷调节后计算售电公司售电交易实际收益；
第二处理模块，用于计算风险度量指标作为售电公司交易风险，所述风险度量指标采用条件风险价值；
购电控制模块，用于构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，之后按照所得到的解进行购电；所述购电优化决策模型中的随机变量采用不确定性描述处理方法；所述购电优化决策模型中的多目标优化问题采用改进多目标差分进化算法。
本发明同时提供一种电子设备，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上述现货交易机制下售电公司购电方法的步骤。
本发明另外提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述现货交易机制下售电公司购电方法的步骤。
本发明与现有技术相比，其有益效果为：
1.本发明以售电公司的运营模式和风险分析入手，以售电公司利润和用户满意度为目标构建了售电公司的购电优化决策模型，模型求解采用一种自适应变异的改进多目标差分进化算法，便于售电公司得到最优交易策略，可使售电公司收益上升约3％，同时提升用户满意度约1％。；
2.本发明采用采用拉丁超立方抽样，Cholesky分解和场景缩减技术相结合的多场景描述方法，既能有效的模拟市场环境下用户用电需求，分布式电源出力，现货市场电价的随机性，以作为售电公司动态购电决策的重要依据，又可以降低模型求解难度，有效的提高了计算效率；
3.针对提出的多目标优化问题，在原始差分进化算法的基础上，引入自适应变异方式和精英存档策略，修正了种群的搜索方向，增强了算法的收敛性能和鲁棒性能，有效的解决了售电公司动态购电决策多目标优化问题。
附图说明
图1是售电公司的购电优化决策模型求解步骤流程图。
图2是外部精英存档策略保留进化迭代过程得到的非占优解集。
图3是优化得到的售电公司日前市场交易电量。
图4是售电公司在实时平衡市场的交易电量。
图5是售电公司中长期电量分解结果。
图6是售电公司可调负荷调用优化结果。
图7是不同γ下售电公司收益与风险变化情况。
图8为本发明现货交易机制下售电公司购电系统的结构示意图。
图9为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
一种现货交易机制下售电公司购电方法，包括以下步骤：
步骤A、计算售电公司的购售电费用，购售电费用包括现货市场交易费用、售电公司电源购电费用及可调负荷交易费用；计及负荷调节后计算售电公司售电交易实际收益。
相对于实际用电需求和市场变化，电力现货交易主要根据短期、超短期电量预测结果和合同电量的日分解情况承担剩余的波动负荷，以消除电量差额，维护市场稳定运行。
现货市场交易费用包括日前市场交易费用及实时平衡市场交易费用。其中日前市场交易费用的计算模型如下：
式中：T表示一个交易日内，交易进行小时数，T＝24；C1表示售电公司日前市场下购买电量花费金额；P1(t)及Q1(t)分别表示在日前市场中，时间为t时刻时的统一出清价格及交易电量；κ(t)为t时刻购售电交易电量在日前市场中分解比例；P2和Q2分别表示购售电交易在每日的成交电价和电量。
实时平衡市场交易费用计算模型如下：
式中：C3售电公司实时平衡市场下购买电量花费金额；P3(t)为实时平衡市场t时刻的交易出清电价；Q31(t)和Q32(t)分别表示售电公司在实时平衡市场中t时刻的购电量及售电量；δ(t)取值为0或1，其中，0表示电量充足，1表示电量不足；
售电公司电源购电费用计算模型如下：
式中：C4为售电公司电源购电的总成本；k4为电源购电规模系数，即发电机组数目；P4为售电公司电源购电时的电价；Q4(t)表示为发电机组的发电量；
引入可调负荷能够使现货市场中的电价过高时，促使用电用户改变当前的用电方式，在用电高峰期减少用电，在用电低谷期增加用电，从而减少用电量的波动，进而减少现货市场的电价波动。可调负荷交易费用包括中断型负荷补偿费用和激励型负荷补偿费用。其中中断型负荷补偿费用包括直接补偿及电价折扣补偿，计算模型如下：
式中：ε1表示用户采用直接补偿方案的概率，ε2表示用户采用电价折扣补偿方案的概率，ε1+ε2＝1；i1表示第i1个中断型负荷的用户；I1表示i1的上限；
表示第i1个中断型负荷的用户采用直接补偿方案的交易成本；
表示第i1个中断型负荷用户的中断电量；
表示t时刻下，第i1个中断型负荷用户用电的计划值；θ5表示用电折扣价方案下的实际用电量折扣百分比；λap(t)表示售电公司与用户进行购售电交易时的电价；
售电公司在电量冗余时采用激励型负荷补偿的方式，降低电价，从而激励用户提高此时的用电量，激励型负荷补偿费用费用计算模型如下：
式中：i2表示第i2个激励型负荷的用户；I2表示i2的上限；
表示第i2个激励型用户在t时刻下用电的计划值，
表示第i2个激励型用户用电量的增值；θ6为针对激励型用户设置的电价折扣百分比；
售电公司售电交易实际收益取决于参与负荷调节的用户实际用电量，计及负荷调节后的售电交易实际收益计算模型如下：
Qd(t)表示用户在t时刻下用电的计划值。
步骤B、计算风险度量指标作为售电公司交易风险，所述风险度量指标采用条件风险价值；
在售电公司购电决策的优化计算中，采用条件风险价值，能够保证售电公司在一定的收益条件下，尽可能的减少交易风险并且提高售电公司交易利润。其中，风险度量指标采用条件风险价值，计算模型如下：
式中：β表示置信度，α表示在置信度β下售电公司在购售电交易时的最大可能亏损，α∈R；f(ω)表示售电公司在购售电交易时的成本与收益的差值，当f(ω)>α时，[f(ω)–α]+＝f(ω)-α，当f(ω)<α时，[f(ω)–α]+＝0。
步骤C、构建以售电公司购电决策最优化为目标的购电优化决策模型并求解；购电优化决策模型中的随机变量采用不确定性描述处理方法；购电优化决策模型中的多目标优化问题采用多目标差分进化算法。相较于传统的差分进化算法，多目标差分进化算法在初始化种群时，增加了当前种群中适应度最优的个体变量参与叠加过程，便于查找尽可能多的全局最优解，同时增加最优解搜索速度，提高模型计算的稳定性及收敛性；采用约束占优的方式处理模型中的约束条件，能够简化模型求解过程，提高收敛性。
步骤C中购电优化决策模型包括优化决策目标函数及优化决策约束条件；优化决策目标函数包括售电交易实际利润及用户满意度。优化决策约束条件包括电量平衡约束、中长期电量分解约束及可调负荷调用约束。
考虑了风险价值的售电交易实际利润f1计算模型如下：
f1＝Fap-Cap-γRCVaR,β
Cap＝C1+C3+C4+C5+C6
式中：γ为售电公司风险规避系数，γ>0，γ越大，表示售电公司的风险规避程度越高；Cap为售电公司不同购电来源的交易成本及补偿费用。
用户满意度f2包括用户用电方式满意度f21和用户用电成本满意度f22，计算模型如下：
f2＝f21+f22
式中：β1和β2分别为用户用电方式满意度与用户用电成本满意度的比例，β1+β2＝1；Cway(t)为t时刻用户用电方式改变造成的用户支出电费的改变量。
在实际的现货市场交易时，由于用户实际用电量，发电厂发电量存在一定波动以及现货交易市场中实时电价不固定等，都将导致预测值与实际值之间存在一定的预测误差，使模型中产生随机变量。为了减少随机变量对模型求解带来的影响，需要对随机变量进行处理，本发明采用多场景生成技术模拟随机变量。首先建立随机变量概率模型，其模型参数参照表1，随机变量的预测误差X服从正态分布X～N(P,χ2)，预测误差X的概率密度计算模型如下：
表1随机变量的模型参数
| 随机变量 | 用户用电的计划值 | 日前市场电价 | 实时平衡市场电价 | 分布式光伏出力 |
| P<sub>0</sub> | Q<sub>d</sub>(t) | P<sub>1</sub>(t) | P<sub>3</sub>(t) | Q<sub>4</sub>(t) |
| χ<sub>0</sub> | χ<sub>d</sub> | χ<sub>1</sub> | χ<sub>3</sub> | χ<sub>4</sub> |
表1中，P0为随机变量在各个时段的预测值，χ0为期望的一个百分比。χd、χ1、χ3、χ4分别为随机变量Qd(t)、P1(t)、P3(t)、Q4(t)的期望百分比。将随机变量用户用电的计划值、日前市场电价、实时平衡市场电价、分布式光伏出力的预测值Qd(t)、P1(t)、P3(t)、Q4(t)及对应的期望百分比χd、χ1、χ3、χ4代入概率密度计算模型中，则得到各随机变量的预测误差正态分布情况。
对随机变量概率模型建立完成后，再构建随机变量场景。随机变量场景的描述手段包括拉丁超立方抽样、Cholesky分解及场景缩减。
拉丁超立方抽样将[0,1]均分成多个区间，在对每个区间内随机变量的概率分布函数值进行抽样，用抽样结果作为该区间内的概率分布函数值，接着求取概率分布函数的反函数，得到每个区间的采样值。具体步骤如下：
步骤D1、假定采样规模为N，随机变量个数为M，Ym＝fm(xm)是第m个随机变量xm概率分布函数，m＝1,2,…M；
步骤D2、将随机变量的概率分布函数fm(xm)在区间[0,1]上均分为N个子区间，每个区间的概率为1/N；
步骤D3、在全部子区间内[i/N,(i+1)/N]内随机采样，采样值qi＝(i+r)/N，其中i为正整数，i的取值范围为[0,N-1]，r为[0,1]上的一个随机数；
步骤D4、求取概率分布函数的反函数，得到每个区间的采样值xmi，从而可得到初始采样矩阵S0。
Cholesky分解通过构造正交排列矩阵，对拉丁超立方抽样采样样本中各元素进行重新排列，以保证各个随机变量的独立性，使每个随机变量不受其他随机变量变化而变化，包括如下步骤：
1)、随机生成顺序矩阵R，每行的数为随机排列的1到N的正整数；
2)、通过对R的秩相关系数矩阵ρR进行Cholesky分解，形成新的顺序矩阵G：ρR＝DDT，G＝D-1R；
3)、将矩阵R中每行的元素对应G中每行的元素进行重排，得到R*；
4)、对S0中每行元素对应R*中每行的元素进行重排，重排后矩阵的每一列元素构成所求全部场景S0’。
场景缩减法采用同步回带缩减法，以减小计算规模，避免采用全场景存在的维数爆炸问题。全部样本S0’中包含场景数N个，其中有经典场景集N1个和被删除场景集N2个，设场景ξs和ξh发生的概率分别为πs和πh，πs及πh为两个随机变量，πs+πh＝1，不同场景的概率距离采用向量范数表示，则待求最优缩减场景集满足全部场景集N1∪N2与经典场景集N1的概率距离最小，即
由此得到带求不确定性因素矩阵X＝[[X1,X2,...,Xj,...,XN]]，其中Xj为全部不确定性因素的列向量。
对购电优化决策模型求解时所采用的多目标差分进化算法包括如下步骤：
步骤S1、自适应变异策略：
采用自适应变异方式的多目标差分进化算法选取多个全局最优解，计算公式如下：
式中，Xr1,g、Xr2,g、Xr3,g分别为第g代种群的三个不同个体；rand为均匀分布的随机数，rand取值范围为0-1；F为变异常数，F的取值范围为0-1，Vi,g+1为变异个体；Xbest为当前种群中适应能力最强的个体；Gm为最大进化代数；g为当前迭代次数；
步骤S2、精英存档和多样性测量：
针对多目标优化问题，采用外部精英存档策略保留进化迭代过程得到的非占有解。外部精英存档策略首先将子代与外部存档个体进行筛选，最终得到优良的个体进入外部存档。当外部存档饱和时，采用基于拥挤熵的多样性测量方式进行存档缩减，在计算拥挤熵CEi之前，对所有目标函数进行归一化处理，计算模型如下：
式中，Nobj为优化问题的目标个数；dlij和duij分别对应于第j个目标函数第i个解与上下两个相邻解之间的距离；
和
分别为第j个目标函数的最大值与最小值。
步骤S3、约束处理方法：
采用约束占优方式对每个个体进行非占优级比较，筛选出优良个体。首先，可行解的非占优级高于不可行解；对于可行解，由目标函数值决定其内部的占优级排列；不可行解则由其对约束条件的冲突决定，冲突越大，不可行解的非占优级越低。
步骤S4、基于模糊集理论的最优折中解选取：
针对上述方法得到的非占优解集，采用模糊集理论为决策者进行最优折中解选取，每个非占优解的评价值采用线性模糊隶属度函数表示：
式中：μj表示第j个目标函数的隶属函数。
由此求取归一化后第m个非占有解的总体评价值：
式中：μm为第m个非占优解的评价值；
为第m个非占优解的隶属函数，
介于0到1之间；j表示第j个目标函数；h表示第h个优化目标；NPF为非占优解的个数，Nobj为优化问题的目标个数；选取其中具有最大评价值的解为最优折中解。
参照图1，售电公司的购电优化决策模型求解包括如下步骤：步骤E1、输入售电公司购电决策原始数据及多种随机变量场景集合，设定最大进化代数Gm；步骤E2、设定g＝0，随机初始化种群，生成符合约束条件的初始购电计划，计算初始种群中每个个体目标函数值；步骤E3、更新外部精英存档与当代非支配解集，将不受支配的子代个体与外部存档个体逐一进行比较，选择较佳的个体进入外部存档，在迭代过程中不断的更新换代子代个体，优化子代个体质量，操作过程中g不断增大；步骤E4、当g达到Gm时，输出最优解集，计算最优折中解作为售电公司最优购电决策。
如图8所示，一种现货交易机制下售电公司购电系统，包括：
第一处理模块101，计算售电公司的购售电费用；所述购售电费用包括现货市场交易费用、售电公司电源购电费用及可调负荷交易费用；计及负荷调节后计算售电公司售电交易实际收益；
第二处理模块102，用于计算风险度量指标作为售电公司交易风险，所述风险度量指标采用条件风险价值；
购电控制模块103，用于构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，之后按照所得到的解进行购电；所述购电优化决策模型中的随机变量采用不确定性描述处理方法；所述购电优化决策模型中的多目标优化问题采用改进多目标差分进化算法。
在本发明实施例中，第一处理模块101计算售电公司的购售电费用并计及负荷调节后计算售电公司售电交易实际收益；之后，第二处理模块102计算风险度量指标作为售电公司交易风险；最后，购电控制模块103构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，之后按照所得到的解进行购电。
本发明实施例提供的一种现货交易机制下售电公司购电系统，该系统能有效的解决了售电公司动态购电决策多目标优化问题，有利于售电公司更好地适应市场环境，赢得市场主动，且可实现市场多主体利益最大化，易于推广应用。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图9为本发明实施例提供的电子设备结构示意图，参照图9，该电子设备可以包括：处理器(processor)201、通信接口(CommunicationsInterface)202、存储器(memory)203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令，以执行如下方法：计算售电公司的购售电费用；计及负荷调节后计算售电公司售电交易实际利润；计算风险度量指标作为售电公司交易风险；构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，之后按照所得到的解进行购电。
另外，上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态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以执行上述各实施例提供的现货交易机制下售电公司购电方法，例如包括计算售电公司的购售电费用；计及负荷调节后计算售电公司售电交易实际利润；计算风险度量指标作为售电公司交易风险；构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，之后按照所得到的解进行购电。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以下为本发明的一具体应用实例：
假设售电公司70％的电量在中长期市场获得，交易电价为30$/兆瓦时，剩余电量及预测误差通过现货市场及电源购电等方式平衡，其中，发电厂电源交易电价PDG为37$/MW·h，电源购电规模系数k4为4。
峰时段、平时段及谷时段的具体时间段划分以及分时电价参照表2。设定售电公司有25％的用户选择中断型负荷补偿，其中，采用直接补偿方案的用户占75％，补偿电价为合同交易电价的25％，采用电价折扣补偿的中断型负荷占25％，实际用电量折扣百分比为88％；有25％的用户选择激励型负荷补偿，折扣电价百分比为93％。此外，取置信水平β＝0.92，外部存档容量Pmax＝9，α1＝0.65，α2＝0.35。
表2时段划分与用户分时电价
| 时间类型 | 时间 | 分时电价($/兆瓦时) |
| 峰时段 | 10:00-13:00；18:00-21:00 | 48 |
| 平时段 | 8:00-9:00；14:00-17:00；22:00-23:00 | 38 |
| 谷时段 | 1:00-7:00；24:00 | 30 |
本发明以日前市场电价、实时平衡市场电价和某发电厂发电出力数据为期望进行拉丁超立方抽样，抽样采用标准差与期望的比例参照表3。
表3拉丁超立方抽样数据
| χ<sub>d</sub> | χ<sub>1</sub> | χ<sub>3</sub> | χ<sub>4</sub> | |
| χ<sub>0</sub>/P<sub>0</sub> | 7％ | 11％ | 17％ | 13％ |
改进多目标差分进化算法参数设定为：种群规模NP＝100，最大迭代次数Gm＝200。
参照图2，为采用外部精英存档策略保留进化迭代过程得到的非占优解集。售电交易实际利润与用户满意度两个目标函数相互制约，不能同时达到最优。售电公司须同时权衡其售电交易实际利润与用户满意度，根据自身需要在非占优解中选取最优购电决策，本发明以基于模糊隶属度的最优折中解为例进行优化结果分析。
参照图3，为优化得到的售电公司在日前市场的交易电量。日前市场交易电量与市场电价密切相关，当市场电价较高时，日前市场购电量相对较少。
参照图4，在峰时段，实时平衡市场购电价较低，因此售电公司将在实时平衡市场购买较多的电量；在谷时段，日前市场购电价相较于实时平衡市场较低，则售电公司在日前市场购买更多的电量，从而减小售电公司购电成本。
参照图5，在电价波动方面，中长期电量交易与现货市场交易相比，电价波动较小，当用户用电量及现货市场的电价都较高时，售电公司选择在中长期市场分解得到更多的交易电量，从而实现增大售电利润并减小交易风险的有益效果。
参照图6，售电公司应在市场交易与可调负荷之间进行权衡，当现货市场的电价大于可调负荷补偿成本时，售电公司应当激励用户参与可调负荷项目中，采用不同的补偿方式改变用户的用电方式，从而减缓用户用电量的波动；当售电公司在现货市场中购买的电量高于用户实际用电需求量时，售电公司应当激励采用激励型负荷调节方案激励用户提高用电量，从而减少售电公司售电损失。
参照图7，当γ逐渐增大时，售电公司对交易风险的接受度逐渐减小，此时售电公司将降低购电量，避免在交易过程中产生较大的交易风险，从而收益也随之下降；当γ继续增大到一定值时，售电公司的期望收益和交易风险达到一个稳定值，交易策略达到一定的极限。由此，在售电公司降低交易风险的同时，其期望收益也将随之下降，这是符合实际的现货市场规律的。
为更加直观的对比分析不同购电模式下售电公司的售电利润及满意度的变化情况，本发明选用4种不同购电模式下售电公司动态购电决策目标函数进行对比，参照表4。
表4不同购电模式下售电公司的售电利润及用户满意度
| 购电模式 | 售电利润f<sub>1</sub> | 用户满意度f<sub>2</sub> |
| 不计及负荷调节 | 8962.7 | 0.8 |
| 不计及实时平衡交易 | 8231.9 | 0.66 |
| 不计及日前市场交易 | 9976.1 | 0.67 |
| 计及负荷调节 | 10100.2 | 0.793 |
综上所述，计及负荷调节的交易策略，具有提高售电公司在交易过程中的交易收益，减少交易风险，同时提高用户用电满意度的效果，能够帮助售电公司在现货市场中更好的进行购售电交易。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种现货交易机制下售电公司购电方法，其特征在于，包括如下步骤：
步骤A、计算售电公司的购售电费用；所述购售电费用包括现货市场交易费用、售电公司电源购电费用及可调负荷交易费用；计及负荷调节后计算售电公司售电交易实际收益；
步骤B、计算风险度量指标作为售电公司交易风险，所述风险度量指标采用条件风险价值；
步骤C、构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，之后按照所得到的解进行购电；所述购电优化决策模型中的多目标优化问题采用多目标差分进化算法。
2.根据权利要求1所述的现货交易机制下售电公司购电方法，其特征在于，步骤A中，计算售电公司的购售电费用的具体方法为：
所述现货市场交易费用包括日前市场交易费用及实时平衡市场交易费用；所述日前市场交易费用计算模型如下：
式中：T表示一个交易日内，交易进行小时数，T＝24；C1表示售电公司日前市场下购买电量花费金额；P1(t)及Q1(t)分别表示在日前市场中，时间为t时刻时的统一出清价格及交易电量；κ(t)为t时刻购售电交易电量在日前市场中分解比例；P2和Q2分别表示每个交易日中的成交电价和电量；
实时平衡市场交易费用计算模型如下：
式中：C3售电公司实时平衡市场下购买电量花费金额；P3(t)为实时平衡市场t时刻的交易出清电价；Q31(t)和Q32(t)分别表示售电公司在实时平衡市场中t时刻的购电量及售电量；δ(t)取值为0或1，其中，0表示电量充足，1表示电量不足；
售电公司电源购电费用，计算模型如下：
式中：C4为售电公司电源购电的总成本；k4为电源购电规模系数，即发电机组数目；P4为售电公司电源购电时的电价；Q4(t)表示为发电机组的发电量；
所述可调负荷交易费用包括中断型负荷补偿费用及激励型负荷补偿费用，所述中断型负荷补偿费用包括直接补偿及电价折扣补偿；
售电公司对中断型负荷的补偿费用C5计算模型如下：
式中：ε1表示用户采用直接补偿方案的概率，ε2表示用户采用电价折扣补偿方案的概率，ε1+ε2＝1；i1表示第i1个中断型负荷的用户；I1表示i1的上限；
表示第i1个中断型负荷的用户采用直接补偿方案的交易成本；
表示第i1个中断型负荷用户的中断电量；
表示t时刻下，第i1个中断型负荷用户用电的计划值；θ5表示用电折扣价方案下的实际用电量折扣百分比；λap(t)表示售电公司与用户进行购售电交易时的电价；
激励型负荷补偿费用C6计算模型如下：
式中：i2表示第i2个激励型负荷的用户；I2表示i2的上限；
表示第i2个激励型用户在t时刻下用电的计划值，
表示第i2个激励型用户用电量的增值；θ6为针对激励型用户设置的电价折扣百分比；
计及负荷调节后的售电交易实际收益Fap计算模型如下：
Qd(t)表示用户在t时刻下用电的计划值。
3.根据权利要求1所述的现货交易机制下售电公司购电方法，其特征在于，步骤B中，所述条件风险价值RCVaR,β计算模型如下：
式中：β表示置信度，α表示在置信度β下售电公司在购售电交易时的最大可能亏损，α∈R；f(ω)表示售电公司在购售电交易时的成本与收益的差值，当f(ω)>α时，[f(ω)–α]+＝f(ω)-α，当f(ω)<α时，[f(ω)–α]+＝0。
4.根据权利要求3所述的现货交易机制下售电公司购电方法，其特征在于，步骤C中，所述购电优化决策模型包括优化决策目标函数及优化决策约束条件；所述优化决策目标函数包括售电交易实际利润及用户满意度；所述优化决策约束条件包括电量平衡约束、中长期电量分解约束及可调负荷调用约束；
售电交易实际利润f1计算模型如下：
f1＝Fap-Cap-γRCVaR,β
Cap＝C1+C3+C4+C5+C6
式中：γ为售电公司风险规避系数，γ>0，γ越大，表示售电公司的风险规避程度越高；Cap为售电公司不同购电来源的交易成本及补偿费用。
用户满意度f2包括用户用电方式满意度f21和用户用电成本满意度f22，计算模型如下：
f2＝f21+f22
式中：β1和β2分别为用户用电方式满意度与用户用电成本满意度的比例，β1+β2＝1；Cway(t)为t时刻用户用电方式改变造成的用户支出电费改变量。
5.根据权利要求1所述的现货交易机制下售电公司购电方法，其特征在于，步骤C中，所述购电优化决策模型中的随机变量采用多场景生成技术进行处理，具体如下：
步骤C1、构建随机变量概率模型，预测误差服从正态分布；
步骤C2、构建随机变量场景，所述随机变量场景的描述手段依次采用拉丁超立方抽样、Cholesky分解及场景缩减。
6.根据权利要求1所述的现货交易机制下售电公司购电方法，其特征在于，步骤C中，所述购电优化决策模型中的多目标优化问题采用多目标差分进化算法，具体如下：
步骤S1、采用多目标差分进化算法选取多个全局最优解，计算公式如下：
式中，
分别为第g代种群的三个不同个体；rand为均匀分布的随机数，rand取值范围为0-1；F为变异常数，F的取值范围为0-1，Vi,g+1为变异个体；Xbest为当前种群中适应能力最强的个体；Gm为最大进化代数；g为当前迭代次数；
步骤S2、针对多目标优化问题，采用外部精英存档策略保留进化迭代过程得到的非占有解；
步骤S3、采用约束占优方式比较非占优等级，保留占优个体；
步骤S4、基于模糊集理论选取最优折中解。
7.根据权利要求6所述的现货交易机制下售电公司购电方法，其特征在于，步骤C中，所述售电公司的购电优化决策模型求解包括如下步骤：
步骤E1、输入售电公司购电决策原始数据及多种随机变量场景集合，设定最大进化代数Gm；
步骤E2、设定g＝0，随机初始化种群，生成符合约束条件的初始购电计划，计算初始种群中每个个体目标函数值；
步骤E3、对目标个体进行变异、交叉及选择操作，更新外部精英存档与当代非支配解集，操作过程中g不断增大；
步骤E4、当g达到Gm时，输出最优解集，计算最优折中解作为售电公司最优购电决策。
8.一种现货交易机制下售电公司购电系统，其特征在于，包括：
第一处理模块，计算售电公司的购售电费用；所述购售电费用包括现货市场交易费用、售电公司电源购电费用及可调负荷交易费用；计及负荷调节后计算售电公司售电交易实际收益；
第二处理模块，用于计算风险度量指标作为售电公司交易风险，所述风险度量指标采用条件风险价值；
购电控制模块，用于构建以售电公司购电决策最优化为目标的购电优化决策模型并求解，之后按照所得到的解进行购电；所述购电优化决策模型中的随机变量采用不确定性描述处理方法；所述购电优化决策模型中的多目标优化问题采用改进多目标差分进化算法。
9.一种电子设备，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至7任一项所述现货交易机制下售电公司购电方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述现货交易机制下售电公司购电方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010154613.6A CN111476399A (zh) | 2020-03-08 | 2020-03-08 | 一种现货交易机制下售电公司购电方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010154613.6A CN111476399A (zh) | 2020-03-08 | 2020-03-08 | 一种现货交易机制下售电公司购电方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111476399A true CN111476399A (zh) | 2020-07-31 |
Family
ID=71747239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010154613.6A Pending CN111476399A (zh) | 2020-03-08 | 2020-03-08 | 一种现货交易机制下售电公司购电方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476399A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967750A (zh) * | 2020-08-07 | 2020-11-20 | 上海新共赢信息科技有限公司 | 一种车辆匹配方法、装置、终端及存储介质 |
| CN112381275A (zh) * | 2020-11-02 | 2021-02-19 | 国电南瑞南京控制系统有限公司 | 一种改善风电消纳的智能交易辅助决策方法及系统 |
| CN113592325A (zh) * | 2021-08-05 | 2021-11-02 | 清华四川能源互联网研究院 | 就地制氢加氢站系统及其电量分配方法 |
| CN114819334A (zh) * | 2022-04-24 | 2022-07-29 | 哈尔滨工业大学（深圳） | 一种公共建筑优化运行方法 |
| CN116128543A (zh) * | 2022-12-16 | 2023-05-16 | 国网山东省电力公司营销服务中心(计量中心) | 一种售电公司负荷申报与出清的综合模拟运行方法及系统 |
| CN118569908A (zh) * | 2024-07-31 | 2024-08-30 | 国网浙江省电力有限公司营销服务中心 | 一种风险感知的电网营销事件风险流式识别方法及系统 |
-
2020
- 2020-03-08 CN CN202010154613.6A patent/CN111476399A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967750A (zh) * | 2020-08-07 | 2020-11-20 | 上海新共赢信息科技有限公司 | 一种车辆匹配方法、装置、终端及存储介质 |
| CN112381275A (zh) * | 2020-11-02 | 2021-02-19 | 国电南瑞南京控制系统有限公司 | 一种改善风电消纳的智能交易辅助决策方法及系统 |
| CN113592325A (zh) * | 2021-08-05 | 2021-11-02 | 清华四川能源互联网研究院 | 就地制氢加氢站系统及其电量分配方法 |
| CN113592325B (zh) * | 2021-08-05 | 2023-11-28 | 清华四川能源互联网研究院 | 就地制氢加氢站系统及其电量分配方法 |
| CN114819334A (zh) * | 2022-04-24 | 2022-07-29 | 哈尔滨工业大学（深圳） | 一种公共建筑优化运行方法 |
| CN116128543A (zh) * | 2022-12-16 | 2023-05-16 | 国网山东省电力公司营销服务中心(计量中心) | 一种售电公司负荷申报与出清的综合模拟运行方法及系统 |
| CN116128543B (zh) * | 2022-12-16 | 2024-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种售电公司负荷申报与出清的综合模拟运行方法及系统 |
| CN118569908A (zh) * | 2024-07-31 | 2024-08-30 | 国网浙江省电力有限公司营销服务中心 | 一种风险感知的电网营销事件风险流式识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476399A (zh) | 一种现货交易机制下售电公司购电方法及系统 | |
| Fang et al. | Multi-agent deep reinforcement learning for distributed energy management and strategy optimization of microgrid market | |
| Xu et al. | Power market load forecasting on neural network with beneficial correlated regularization | |
| CN109389327B (zh) | 基于风光不确定性的多虚拟电厂时前合作方法 | |
| CN108182507A (zh) | 一种计及不确定性的售电商最优电价决策方法 | |
| CN112036625A (zh) | 一种电力市场背景下基于主从博弈的新能源消纳方法 | |
| CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
| CN109829578A (zh) | 一种售电商与多元用户需求响应博弈方法及设备 | |
| Zhang et al. | A master-slave game optimization model for electric power companies considering virtual power plant | |
| CN113837897A (zh) | 一种计及源荷不确定性的日前实时分布式电能交易方法 | |
| Motamedisedeh et al. | A novel optimization model for biding in the deregulated power market with pay as a bid settlement mechanism, based on the stochastic market clearing price | |
| Wang et al. | Multi-agent simulation for strategic bidding in electricity markets using reinforcement learning | |
| CN115049102A (zh) | 一种电价预测方法、装置、移动终端及存储介质 | |
| Sun et al. | DSM pricing method based on A3C and LSTM under cloud-edge environment | |
| Gao et al. | Dynamic air ticket pricing using reinforcement learning method | |
| CN111402015A (zh) | 一种基于购售风险的虚拟电厂双层竞标方法及系统 | |
| CN116882771A (zh) | 主从博弈下考虑碳奖惩的零碳社区能量共享方法及系统 | |
| Liu et al. | Reliability service-based strategies for improving electricity retailer competitiveness using a novel heuristic algorithm | |
| Zhou et al. | Bi-level plant selection and production allocation model under type-2 fuzzy demand | |
| CN112183825B (zh) | 一种引入期货的电力市场仿真方法、仿真系统及电子设备 | |
| CN113807961A (zh) | 基于联盟链的多微网能源交易方法及系统 | |
| Zhou et al. | Peer-to-peer electricity trading model for urban virtual power plants considering prosumer preferences and power demand heterogeneity | |
| CN117494909B (zh) | 基于熵权自适应igdt的购电优化方法、装置和介质 | |
| CN118172123B (zh) | 虚拟电厂内多微电网运行和交易的协同优化方法及系统 | |
| CN110458318A (zh) | 一类基于非合作博弈论的含源网荷多主体的售电竞价方法 |
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: 20200731 |