CN112149982B - 一种计及共享备用的省间交易出清方法、系统及终端设备 - Google Patents
一种计及共享备用的省间交易出清方法、系统及终端设备 Download PDFInfo
- Publication number
- CN112149982B CN112149982B CN202010974054.3A CN202010974054A CN112149982B CN 112149982 B CN112149982 B CN 112149982B CN 202010974054 A CN202010974054 A CN 202010974054A CN 112149982 B CN112149982 B CN 112149982B
- Authority
- CN
- China
- Prior art keywords
- provincial
- inter
- province
- clearing
- transaction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 150000001875 compounds Chemical class 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 241000764238 Isis Species 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Technology Law (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及共享备用的省间交易出清方法、系统及终端设备，该方法包括：获取相应的用电样本数据，并对所述样本数据进行处理获得目标用电数据集；基于跨区域备用共享建立省间交易出清模型，通过NSGA‑II算法，得到所述省间交易出清模型的Pareto最优解集；通过所述NSGA‑II算法，结合Nash均衡博弈决策，将上述所得到的所述目标用电数据集的Pareto最优解集，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，从而得到计及共享备用的省间交易最优出清方案。本发明通过基于跨区域备用共享，将NSGA‑II算法，Nash均衡博弈决策相结合，能得到计及共享备用的省间交易最优出清策略。
Description
技术领域
本发明属于电力市场技术领域，尤其涉及一种计及共享备用的省间交易出清方法、系统及终端设备。
背景技术
电量平衡在全网范围内的统筹协调将大大提高全局能源资源的优化配置水平，也是国内电网调度运行发展的必然选择。建立跨区电力市场，实现多区域电力系统的互联互通，实现清洁发电机组将跨区域共享，能够提升全系统整体的运行经济性及清洁性。同时，相邻区域在进行能量交易的过程中还可以为联络线功率提供旋转备用，从而提升多区域电力系统运行的安全性。
然而现阶段我国国内对电力市场省间交易，缺乏考虑相邻区域备用共享出清的因素，导致资源配置水平不均衡。
发明内容
有鉴于此，本发明实施例提供了一种计及共享备用的省间交易出清方法、系统及终端设备，以解决现有技术中缺乏对电力市场省间交易中未考虑共享备用的问题。
本发明实施例的第一方面提供了一种计及共享备用的省间交易出清方法，包括：
获取相应的用电样本数据，并对所述样本数据进行处理获得目标用电数据集；
基于跨区域备用共享建立省间交易出清模型，通过NSGA-II算法，得到所述目标用电数据集的Pareto最优解集；
通过所述NSGA-II算法，结合Nash均衡博弈决策，将所得到的所述目标用电数据集的Pareto最优解集，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，从而得到计及共享备用的省间交易最优出清方案。
本发明实施例的第二方面提供了一种计及共享备用的省间交易出清系统，包括：
数据获取模块，用于获取相应的用电样本数据，并对所述样本数据进行处理获得目标用电数据集；
最优解集获取模块，用于基于跨区域备用共享建立省间交易出清模型，通过NSGA-II算法，得到所述目标用电数据集的Pareto最优解集；
出清策略模块，用于通过所述NSGA-II算法，结合Nash均衡博弈决策，将所得到的所述目标用电数据集的Pareto最优解集，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，以获得计及共享备用的省间交易最优出清方案。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如上所述计及共享备用的省间交易出清方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述计及共享备用的省间交易出清方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过将获取的风电出力与负荷进行不确定性建模，提高出清方案对不确定因素的适应性；通过NSGA-II算法，基于跨区域备用共享，得到所述目标用电数据集的Pareto最优解集；基于跨区域备用共享建立省间交易出清模型，通过所述NSGA-II算法，结合Nash均衡博弈决策，将所得到的所述目标用电数据集的Pareto最优解集，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，从而得到计及共享备用的省间交易最优出清方案。其充分考虑各省不同时段备用容量在全网范围内的统筹协调，考虑了备用跨区域共享，为电力市场省间交易机制的研究提供了更加有实际意义的参考依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的计及共享备用的省间交易出清方法的流程图；
图2为本发明实施例提供的NSGA-II算法的求解流程图；
图3为本发明实施例提供的电力市场中省间交易出清计及共享备用的系统的结构示意图；
图4为本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及其他任何变形，是指“包括但不限于”，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例1：
图1示出了本发明一实施例所提供的计及共享备用的省间交易出清方法的实现流程图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图1所示，本发明实施例所提供的一种计及共享备用的省间交易出清方法，包括：
S101，获取相应的用电样本数据，并对所述样本数据进行处理获得目标用电数据集。
在本实施例中，获取样本数据可以是以我国某两省间电力数据数据信息作为样本数据，数据信息包括日前预测得到的省内新能源出力情况以及各时段参考负荷需求、各类机组运行技术参数，省内各类发电机组装机容量、联络线送端各类机组的参与省间交易的容量及机组报价等参数。
S102，基于跨区域备用共享建立省间交易出清模型，通过NSGA-II算法，得到所述省间交易出清模型的Pareto最优解集。
S103，通过所述NSGA-II算法，结合Nash均衡博弈决策，将所得到的所述目标用电数据集的Pareto最优解集，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，从而得到计及共享备用的省间交易最优出清方案。
在本发明的一个实施例中，为了提高所需出清方案对不确定因素的适应性，故步骤S101具体包括：
S1011，对所述目标用电数据集中省内风电出力与负荷出力不确定性的建模，包括：
其中，Pw,t为省内风电机组t时段实际出力值；
表示省内风电机组t时段预测出力值；ΔPw,t表示省内风电机组t时段预测误差值；Pl,t表示省内t时段负荷实际出力值；
表示省内t时段负荷预测出力值；ΔPl,t表示省内t时段负荷预测误差值。
风电预测误差近似服从期望为0、方差为
的正态分布，其标准差σw,t可由下式近似计算
σw,t＝0.2Pw,t+0.02Rw (2)
(2)式中，Rw表示风电场装机容量。
负荷预测误差近似服从期望为0、方差为
的正态分布，一般情况下取
σl,t＝0.01Pl,t (3)
然后通过蒙特卡洛模拟抽样生成大量场景，再运用K-means聚类方法进行场景缩减，最终得到几个典型场景及概率值。例如，本发明实施例中，缩减场景后得到的典型场景个数为10个。
通过蒙特卡洛模拟抽样生成大量场景，其步骤如下:
1)首先依据风电、负荷预测功率及预测误差确定每个时段的正态分布参数及区间参数,然后在MATLAB中通过正态分布随机数同时生成一个场景下t个时段的风电/负荷出力值(t为所考虑的时段总数)。
2)计算生成的每个时刻风电出力和该时刻风电预测值的误差,确定误差在K个区间中的位置(K为离散区间个数),进而结合该区间的概率得到每一时刻风电出力概率,并根据下式得出对应该场景的概率.
其中，πs为对应风电/负荷总出力场景s的概率；ρs为场景s的状态概率。
3)重复步骤1)和2)直到生成的风电场景数量满足需要，然后对所有生成的风电场景概率进行归一化处理,保证抽样生成的所有场景概率之和为1。
运用K-means聚类方法对上述生成的大量场景进行场景缩减。其步骤如下：
(1)选取K个点做为初始聚集的簇心(也可选择非样本点)；
(2)分别计算每个样本点到K个簇核心的距离(这里的距离一般取欧氏距离或余弦距离)，找到离该点最近的簇核心，将它归属到对应的簇；
(3)所有点都归属到簇之后，M个点(M为上述样本集)就分为了K个簇。之后重新计算每个簇的重心(平均距离中心)，将其定为新的“簇核心”；
(4)反复迭代步骤(2)-(3)，直到达到某个中止条件。
在本发明的一个实施例中，S102具体包括：
S201，基于跨区域备用共享建立省间交易出清模型，包括：确定所述出清模型的目标函数以及相应的约束条件；
S202，利用NSGA-II算法获得最终的Pareto最优解集。如图2所示，为NSGA-II算法的求解流程图。
在本发明的一个实施例中，S201具体包括：
S2011，以省内运行成本最低为目标建立上层省内市场优化模型。其目标函数及约束条件可以表示为：
(5)式中，OC,s为场景s下的省内市场运行成本；ρs为场景s的状态概率；S为场景总数；N为省内的发电机组数量；
和
分别为省内发电机组n的电能报价和备用容量报价；
为时段t省间交易商在省间市场的购电量；
表示省间市场在时段t的出清价格；
分别为省内发电机组n在场景s下时段t的出清电能与备用容量。
为时段t省间市场共享备用的出清价格，
为时段t省间交易商在省间市场的共享备用容量。
省内市场优化模型的约束条件具体如下：
1)电力平衡约束。
(6)式中：
为电力用户m在场景s下时段t的负荷需求；M为省内的电力用户数量。
2)备用容量约束。
(7)式中，α为省级电网的备用系数。
3)机组爬坡约束。
(8)式中，
分别为发电机组n的爬坡上、下限。
4)机组出力约束。
(9)式中，
分别为发电机组n的出力上下限。
S2012，下层模型以省间联络线送端机组发电成本最小化为目标进行优化出清。其目标函数及约束条件可以表示为：
(10)式中：J表示通过省间联络线相连的送端省份数量；Nj表示送端省份j的发电机组数量；
表示送端省份j中发电机组n参与省间交易的报价；
表示送端省份j的省间交易输电价格；
表示送端省份j中发电机组n的省间交易出清电能；
表示送端省份j中发电机组n参与省间交易共享备用的报价；
表示送端省份j中发电机组n用于省间交易的共享备用容量；
表示送端省份j的省间共享备用交易输电价格；Pt PT表示送端省份j拍卖的输电容量。
省间市场优化模型的约束条件具体如下：
1)省间联络线电力平衡约束。
(11)式中，ξj为与送端省j相连的省间联络线传输损耗。
2)省间联络线传输容量约束。
(12)式中，
为与送端省j相连的省间联络线的可用传输能力的上下限。
3)送端机组参与省间交易容量约束。
(13)式中，
为送端省j内发电机组n参与省间交易的容量上下限。
在本发明的一个实施例中，S202具体包括：
利用NSGA-II算法对建立的基于跨区域备用省间交易出清模型进行求解，获得最终的Pareto最优解集。
多目标优化算法的关键是协调各种目标函数之间的关系，并找到一个Pareto最优解集，使每个目标函数达到更大或更小。基于非支配排序原理的NSGA算法可以获得均匀分布的Pareto解集，但该算法存在计算复杂度高和人工参数设置的缺点。NSGA-II算法提出了一种快速的非支配排序方法，可以降低了计算复杂度并保留最佳个体，引入了精英策略，如图2所示，首先，将第t代产生的子代种群Qt与父代种群Pt合并在一起，组成种群规模大小为2N的新种群Rt。然后将种群Rt进行非支配排序，求出一系列非支配集Zi并且计算每个个体的拥挤度。因为子代和父代的个体都包含在种群Rt中，所以经过非支配排序后的非支配集Z2所包含个体是整个Rt种群中最好的个体集合，故先将Z1放到新的父代种群Pt+1中。若此时种群Pt+1的规模小于N，那么需要继续向Pt+1中添加下一级的非支配集Z2，直到添加到非支配集Zn时，种群的大小超出N，则对Zn中的每一个个体使用拥挤度比较算子，取前{num(Zn)-(num(Pt+1)-N)}个个体，使种群Pt+1的规模达到N。然后通过遗传算子，如选择、交叉、变异，来产生新的子代种群Qt+1。利用拥挤度和拥挤度算子、代替共享参数σshare，提高了种群搜索空间，它是多目标优化中应用较为广泛的算法。
在本发明的一个实施例中，S103具体包括：
在利用NSGA-II算法获得最终的Pareto最优解集后，需要选择最优的折中解作为最终的优化调度策略。大部分情况下在选取最优折中解时往往根据运行经验或者执行者的偏好选取，这存在着人为因素过多的缺点。本实施例的多目标决策问题可以转化成为Nash均衡对策问题。将上层省内市场优化模型及下层省间市场优化出清模型认为是非合作决策参与者，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，以获得对应的最佳优化调度策略。模型中存在一个求解前沿动作集空间中联合概率分布的优化问题，其数学描述如下：
(14)式中，
为第i个目标的均衡解，表示在第i个目标上Pareto解集的概率分布；lij为第j个最优解对应与第i个目标的均衡值，fij为第j个最优解第i个目标的归一化适应值；ui为第i个目标博弈者期望适应值上限；Mpf为Pareto最优解的个数；Mobj为目标函数个数；ωi代表着第i个目标函数的相对重要性。上式是一个典型的带约束非线性规划问题，可易于由贯序二次规划求解，从而可为博弈者提供均衡值。具备下式所示的最佳联合均衡值的Pareto最优解即为最佳折中解，代表着能够使各利益主体收益最大的联合动作集。
在本发明的一个实施例中，在S103之后还包括：
S104，由所述NSGA-II算法，结合Nash均衡博弈决策求解得到的最优解带入本实例所建立的考虑跨区域备用省间交易出清模型中，得到最优计及共享备用的省间交易出清方案。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例2：
如图3所示，本发明的一个实施例提供的计及共享备用的省间交易出清系统100，用于执行图1所对应的实施例中的方法步骤，其包括：
数据获取模块110，用于获取相应的用电样本数据，并对所述样本数据进行处理获得目标用电数据集；
最优解集获取模块120，用于基于跨区域备用共享建立省间交易出清模型，通过NSGA-II算法，得到所述目标用电数据集的Pareto最优解集；
出清策略模块130，用于通过所述NSGA-II算法，结合Nash均衡博弈决策，将所得到的所述目标用电数据集的Pareto最优解集，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，以获得计及共享备用的省间交易最优出清方案。
在本发明的一个实施例中，数据获取模块110包括：
数据获取单元，用于获取样本数据，获取所述电力样本数据中的省内运行成本及省间运行成本所需的各类机组运行技术参数，省内各类发电机组装机容量、联络线送端各类机组的参与省间交易的容量及机组报价参数。
第一处理单元，用于对省内风电出力与负荷出力不确定性的建模；
第二处理单元，用于考虑上述省内风电出力与负荷出力不确定性生成场景集，提高出清方案对不确定因素的适应性。
在本发明的一个实施例中，第一处理单元包括：
数据处理子单元，用于计算得到所述样本集中每个时刻的风电出力及负荷出力及该时刻服从概率分布的预测误差；
其中，Pw,t为省内风电机组t时段实际出力值；
表示省内风电机组t时段预测出力值；ΔPw,t表示省内风电机组t时段预测误差值；Pl,t表示省内t时段负荷实际出力值；
表示省内t时段负荷预测出力值；ΔPl,t表示省内t时段负荷预测误差值。
风电预测误差近似服从期望为0、方差为
的正态分布，其标准差σw,t可由下式(2)近似计算
σw,t＝0.2Pw,t+0.02Rw； (2)
(2)式中，Rw表示风电场装机容量。
负荷预测误差近似服从期望为0、方差为
的正态分布，一般情况下取
σl,t＝0.01Pl,t； (3)
在本发明的一个实施例中，第二处理单元包括：
第一计算子单元，通过蒙特卡洛模拟抽样生成大量场景；
第二计算子单元，运用K-means聚类方法对上述第一计算子单元生成的大量场景进行场景缩减，筛选出最具代表性的场景以减少计算量,提升出清模型效率。
在本发明的一个实施例中，第一计算子单元包括：
通过蒙特卡洛模拟抽样生成大量场景，其步骤如下:
1)首先依据风电、负荷预测功率及预测误差确定每个时段的正态分布参数及区间参数,然后在MATLAB中通过正态分布随机数同时生成一个场景下t个时段的风电/负荷出力值(t为所考虑的时段总数).
2)计算生成的每个时刻风电出力和该时刻风电预测值的误差,确定误差在K个区间中的位置(K为离散区间个数),进而结合该区间的概率得到每一时刻风电出力概率,并根据下式得出对应该场景的概率.
其中，πs为对应风电/负荷总出力场景s的概率；ρs为场景s的状态概率。
3)重复步骤1)和2)直到生成的风电场景数量满足需要，然后对所有生成的风电场景概率进行归一化处理,保证抽样生成的所有场景概率之和为1。
在本发明的一个实施例中，第二计算子单元包括：
运用K-means聚类方法对上述第一计算子单元生成的大量场景进行场景缩减。其步骤如下：
(1)选取K个点做为初始聚集的簇心(也可选择非样本点)；
(2)分别计算每个样本点到K个簇核心的距离(这里的距离一般取欧氏距离或余弦距离)，找到离该点最近的簇核心，将它归属到对应的簇；
(3)所有点都归属到簇之后，M个点(M为上述样本集)就分为了K个簇。之后重新计算每个簇的重心(平均距离中心)，将其定为新的“簇核心”；
(4)反复迭代步骤(2)-(3)，直到达到某个中止条件。
在本发明的一个实施例中，与数据获取模块110相连的还包括：
基于跨区域备用共享建立省间交易出清模型；通过NSGA-II算法中降低计算复杂度并保留最佳个体，引入了精英策略；如图2所示：
首先，将第t代产生的子代种群Qt与父代种群Pt合并在一起，组成种群规模大小为2N的新种群Rt。然后将种群Rt进行非支配排序，求出一系列非支配集Zi并且计算每个个体的拥挤度。因为子代和父代的个体都包含在种群Rt中，所以经过非支配排序后的非支配集Z2所包含个体是整个Rt种群中最好的个体集合，故先将Z1放到新的父代种群Pt+1中。若此时种群Pt+1的规模小于N，那么需要继续向Pt+1中添加下一级的非支配集Z2，直到添加到非支配集Zn时，种群的大小超出N，则对Zn中的每一个个体使用拥挤度比较算子，取前{num(Zn)-(num(Pt+1)-N)}个个体，使种群Pt+1的规模达到N。然后通过遗传算子，如选择、交叉、变异，来产生新的子代种群Qt+1。
再利用拥挤度和拥挤度算子、代替共享参数，提高种群搜索空间，从而找到一个Pareto最优解集。
在本发明的一个实施例中，出清策略模块130包括：
利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，以获得对应的最佳优化调度策略。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即所述计及共享备用的省间交易出清系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述计及共享备用的省间交易出清系统中模块的具体工作过程，可以参考前述方法实施例1中的对应过程，在此不再赘述。
实施例3：
图4是本发明一实施例提供的终端数据运算设备的示意图。如图4所示，该实施例的终端数据运算设备4包括：处理器40、云端41、存储43以及存储在所述存储43中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器40执行所述计算机程序42时实现如实施例2中所述的各系统实施例中的各模块/单元的功能，例如图3所示模块110至130的功能。所述云端41存储经处理器40计算处理后的数据。
所述终端数据运算设备4是指调度中心的高性能计算机、工作站、服务器或国家电网的数据中心。终端设备上的操作系统为Windows操作系统或LINUX操作系统。以上详细罗列了终端数据运算设备4的具体实例，本领域技术人员可以意识到，终端数据运算设备并不限于上述罗列实例。
所述终端数据运算设备可包括，但不仅限于，处理器40、云端41。本领域技术人员可以理解，图4仅仅是终端数据运算设备4的示例，并不构成对终端数据运算设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端数据运算设备4还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述云端41可以是私有云，所述私有云可以部署在单位内部，称为本地私有云，也可以托管在别处，称为托管私有云。所述云端41也可以是混合云，所述混合云同时使用公有云和私有云，把不敏感的数据比如官方网站、产品论坛等放在公有云，把涉及核心机密的研发数据放在私有云。
实施例4：
本发明实施例还提供了一种云计算存储介质，其特征在于，所述云计算存储介质存储有计算机程序，所述计算机程序被处理器40执行计算后实现如上所述计及共享备用的省间交易出清方法的步骤，然后将计算后的数据存放在云计算存储介质中，例如图1所示的步骤S101至步骤S103。或者，所述所述处理器40执行所述计算机程序42时实现如实施例2中所述的各系统实施例中的各模块/单元的功能，例如图3所示的模块110至130的功能。
所述的计算机程序42可存储于一种云计算存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
所述存储43可以是所述终端数据运算设备4的外部存储，例如所述终端数据运算设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等，也可以是所述终端数据运算设备4的直接存储，例如所述终端数据运算设备4的存储直接接插到服务器上，通过PATA、SATA、mSATA、SAS、SCSI或者PCI-E接口总线通信，还可以是所述终端数据运算设备4的分布式存储，例如所述终端数据运算设备4通过分布式文件系统把各台计算机上的直接存储整合成一个大的存储，比如服务器存储局域网(Server SAN)、软件定义存储(SDS)。进一步地，所述存储43还可以既包括所述终端数据运算设备4的内部存储单元也包括外部存储设备。所述存储43用于存储所述计算机程序以及所述终端数据运算设备4所需的其他程序和数据。所述存储43还可以用于暂时地存储已经输出或者将要输出的数据。
所述的经处理器计算处理后的数据可存储于一种云计算存储介质中，该数据在被处理器计算执行时，可实现上述各个方法实施例的步骤。其中，所述云计算是以数据为中心的一种数据密集型的超级计算，所述云计算的架构分为服务和管理两大部分。所述服务方面，主要以提供用户基于云的各种服务为主，共包含3个层次：基础设施即服务IaaS、平台即服务PaaS、软件即服务SaaS。所述管理方面，主要以云的管理层为主，它的功能是确保整个云计算中心能够安全、稳定地运行，并且能够被有效管理。所述云计算存储介质可以是类似于Google File System(GFS)的集群文件系统，也可以是基于块设备的存储区域网络(Storage Area Network，SAN)系统。所述GFS是由Google公司设计并实现的一种分布式文件系统，基于大量安装有Linux操作系统的普通PC构成的集群系统，整个集群系统由一台Master和若干台ChunkServer构成。所述SAN系统采用网状通道(Fibre Channel，FC，区别与Fiber Channel光纤通道)技术，通过FC交换机连接存储阵列和服务器主机，建立专用于数据存储的区域网络。
在上述实施例中，对各个实施例的描述都各有侧重，实施例1至4可以任意组合，组合后形成的新的实施例也在本申请的保护范围之内。某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (9)
1.一种计及共享备用的省间交易出清方法，其特征在于，包括：
获取相应的用电样本数据，并对所述样本数据进行处理获得目标用电数据集；
基于跨区域备用共享建立省间交易出清模型，通过NSGA-II算法，得到所述目标用电数据集的Pareto最优解集；包括：基于跨区域备用共享建立省间交易出清模型；通过NSGA-II算法降低计算复杂度并保留最佳个体，引入精英策略，利用拥挤度和拥挤度算子、代替共享参数σshare，提高种群搜索空间，从而找到一个Pareto最优解集；
通过所述NSGA-II算法，结合Nash均衡博弈决策，将所得到的所述目标用电数据集的Pareto最优解集，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，从而得到计及共享备用的省间交易最优出清方案；
其中，基于跨区域备用共享建立省间交易出清模型，包括：
以省内运行成本最低为目标建立上层省内市场优化模型：
(5)式中，OC,s为场景s下的省内市场运行成本；ρs为场景s的状态概率；S为场景总数；N为省内的发电机组数量；
和
分别为省内发电机组n的电能报价和备用容量报价；
为时段t省间交易商在省间市场的购电量；
表示省间市场在时段t的出清价格；
分别为省内发电机组n在场景s下时段t的出清电能与备用容量；
为时段t省间市场共享备用的出清价格，
为时段t省间交易商在省间市场的共享备用容量；
省内市场优化模型的约束条件具体如下：
1)电力平衡约束：
(6)式中：
为电力用户m在场景s下时段t的负荷需求；M为省内的电力用户数量；
2)备用容量约束：
(7)式中，α为省级电网的备用系数；
3)机组爬坡约束：
(8)式中，
分别为发电机组n的爬坡上、下限；
4)机组出力约束：
(9)式中，
分别为发电机组n的出力上下限；
下层模型以省间联络线送端机组发电成本最小化为目标进行优化出清：
(10)式中：J表示通过省间联络线相连的送端省份数量；Nj表示送端省份j的发电机组数量；
表示送端省份j中发电机组n参与省间交易的报价；
表示送端省份j的省间交易输电价格；
表示送端省份j中发电机组n的省间交易出清电能；
表示送端省份j中发电机组n参与省间交易共享备用的报价；
表示送端省份j中发电机组n用于省间交易的共享备用容量；
表示送端省份j的省间共享备用交易输电价格；Pt PT表示送端省份j拍卖的输电容量；
省间市场优化模型的约束条件具体如下：
1)省间联络线电力平衡约束：
(11)式中，ξj为与送端省j相连的省间联络线传输损耗；
2)省间联络线传输容量约束：
(12)式中，
为与送端省j相连的省间联络线的可用传输能力的上下限；
3)送端机组参与省间交易容量约束：
(13)式中，
为送端省j内发电机组n参与省间交易的容量上下限。
2.如权利要求1所述的计及共享备用的省间交易出清方法，其特征在于，获取相应的用电样本数据，并对所述样本数据进行处理获得目标用电数据，包括：
获得省内市场运行成本以及省间市场运行成本所需的各类机组运行技术参数，省内各类发电机组装机容量、联络线送端各类机组的参与省间交易的容量及机组报价参数；
对省内风电出力与负荷出力不确定性的建模；
生成场景集考虑风电出力以及负荷的不确定性，提高出清方案对不确定因素的适应性。
3.如权利要求2所述的计及共享备用的省间交易出清方法，其特征在于，所述用电样本数据中的省内市场运行成本及省间市场运行成本，包括：省内的发电机组数量、省内发电机组的电能报价和备用容量报价、在省间市场的购电量、省间市场在时段t的出清价格、省内发电机组在场景s下时段t的出清电能与备用容量、时段t省间市场共享备用的出清价格，省间市场时段t的共享备用容量，以及对省内风电出力与负荷出力不确定性的建模、生成相应场景集。
4.如权利要求3所述的计及共享备用的省间交易出清方法，其特征在于，所述对省内风电出力与负荷出力不确定性的建模，包括：
其中，Pw,t为省内风电机组t时段实际出力值；
表示省内风电机组t时段预测出力值；ΔPw,t表示省内风电机组t时段预测误差值；Pl,t表示省内t时段负荷实际出力值；
表示省内t时段负荷预测出力值；ΔPl,t表示省内t时段负荷预测误差值；
风电预测误差服从期望为0、方差为
的正态分布，其标准差σw,t由下式(2)近似计算：
σw,t＝0.2Pw,t+0.02Rw (2)
(2)式中，Rw表示风电场装机容量；
负荷预测误差服从期望为0、方差为
的正态分布，取
σl,t＝0.01Pl,t (3)
σl,t表示负荷预测误差的标准差。
5.如权利要求2所述的计及共享备用的省间交易出清方法，其特征在于，生成场景集考虑风电出力以及负荷的不确定性，提高出清方案对不确定因素的适应性，包括：
通过蒙特卡洛模拟抽样生成大量场景，再运用K-means聚类方法进行场景缩减。
6.如权利要求1所述的计及共享备用的省间交易出清方法，其特征在于，通过所述NSGA-II算法，结合Nash均衡博弈决策，得到计及共享备用的省间交易最优出清方案，包括：
利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，以获得对应的最佳优化调度策略。
7.一种计及共享备用的省间交易出清系统，其特征在于，包括：
数据获取模块，用于获取相应的用电样本数据，并对所述样本数据进行处理获得目标用电数据集；
最优解集获取模块，用于基于跨区域备用共享建立省间交易出清模型，通过NSGA-II算法，得到所述目标用电数据集的Pareto最优解集；具体用于基于跨区域备用共享建立省间交易出清模型；通过NSGA-II算法降低计算复杂度并保留最佳个体，引入精英策略，利用拥挤度和拥挤度算子、代替共享参数σshare，提高种群搜索空间，从而找到一个Pareto最优解集；
出清策略模块，用于通过所述NSGA-II算法，结合Nash均衡博弈决策，将所得到的所述目标用电数据集的Pareto最优解集，利用基于Nash均衡点的多目标优化调度模型对最优折中解进行求解，以获得计及共享备用的省间交易最优出清方案；
其中，基于跨区域备用共享建立省间交易出清模型，包括：
以省内运行成本最低为目标建立上层省内市场优化模型：
(5)式中，OC,s为场景s下的省内市场运行成本；ρs为场景s的状态概率；S为场景总数；N为省内的发电机组数量；
和
分别为省内发电机组n的电能报价和备用容量报价；
为时段t省间交易商在省间市场的购电量；
表示省间市场在时段t的出清价格；
分别为省内发电机组n在场景s下时段t的出清电能与备用容量；
为时段t省间市场共享备用的出清价格，
为时段t省间交易商在省间市场的共享备用容量；
省内市场优化模型的约束条件具体如下：
1)电力平衡约束：
(6)式中：
为电力用户m在场景s下时段t的负荷需求；M为省内的电力用户数量；
2)备用容量约束：
(7)式中，α为省级电网的备用系数；
3)机组爬坡约束：
(8)式中，
分别为发电机组n的爬坡上、下限；
4)机组出力约束：
(9)式中，
分别为发电机组n的出力上下限；
下层模型以省间联络线送端机组发电成本最小化为目标进行优化出清：
(10)式中：J表示通过省间联络线相连的送端省份数量；Nj表示送端省份j的发电机组数量；
表示送端省份j中发电机组n参与省间交易的报价；
表示送端省份j的省间交易输电价格；
表示送端省份j中发电机组n的省间交易出清电能；
表示送端省份j中发电机组n参与省间交易共享备用的报价；
表示送端省份j中发电机组n用于省间交易的共享备用容量；
表示送端省份j的省间共享备用交易输电价格；Pt PT表示送端省份j拍卖的输电容量；
省间市场优化模型的约束条件具体如下：
1)省间联络线电力平衡约束：
(11)式中，ξj为与送端省j相连的省间联络线传输损耗；
2)省间联络线传输容量约束：
(12)式中，
为与送端省j相连的省间联络线的可用传输能力的上下限；
3)送端机组参与省间交易容量约束：
(13)式中，
为送端省j内发电机组n参与省间交易的容量上下限。
8.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至6任一项所述计及共享备用的省间交易出清方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述计及共享备用的省间交易出清方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010974054.3A CN112149982B (zh) | 2020-09-16 | 2020-09-16 | 一种计及共享备用的省间交易出清方法、系统及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010974054.3A CN112149982B (zh) | 2020-09-16 | 2020-09-16 | 一种计及共享备用的省间交易出清方法、系统及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149982A CN112149982A (zh) | 2020-12-29 |
| CN112149982B true CN112149982B (zh) | 2022-12-20 |
Family
ID=73892933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010974054.3A Active CN112149982B (zh) | 2020-09-16 | 2020-09-16 | 一种计及共享备用的省间交易出清方法、系统及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149982B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112767018A (zh) * | 2021-01-11 | 2021-05-07 | 中国电力科学研究院有限公司 | 省间及省内电力市场耦合出清方法、系统、设备及介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9934048B2 (en) * | 2016-03-29 | 2018-04-03 | Intel Corporation | Systems, methods and devices for dynamic power management of devices using game theory |
| CN106022644A (zh) * | 2016-06-06 | 2016-10-12 | 中国南方电网有限责任公司电网技术研究中心 | 一种跨区域发电权交易-碳交易耦合模型的构建方法 |
| CN108879657B (zh) * | 2018-06-13 | 2020-11-24 | 湖北省电力勘测设计院有限公司 | 基于风电容量可信度的电力电量平衡优化方法 |
| CN108960510B (zh) * | 2018-07-04 | 2021-11-26 | 四川大学 | 一种基于两阶段随机规划的虚拟电厂优化交易策略装置 |
| CN109241630A (zh) * | 2018-09-11 | 2019-01-18 | 国网河北能源技术服务有限公司 | 电力系统的调度优化方法及装置 |
| CN109784554B (zh) * | 2019-01-03 | 2023-07-18 | 山西风行测控股份有限公司 | 一种基于主从博弈的电力系统最优调度方法 |
| CN111047352A (zh) * | 2019-11-26 | 2020-04-21 | 国网山东省电力公司经济技术研究院 | 一种渐进式电力现货市场运营效率测度方法及系统 |
| CN111463836B (zh) * | 2020-05-13 | 2023-05-26 | 陕西燃气集团新能源发展股份有限公司 | 一种综合能源系统优化调度方法 |
-
2020
- 2020-09-16 CN CN202010974054.3A patent/CN112149982B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149982A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jain et al. | Bacteria foraging optimization based bidding strategy under transmission congestion | |
| Dabhi et al. | Enhanced velocity differential evolutionary particle swarm optimization for optimal scheduling of a distributed energy resources with uncertain scenarios | |
| Zaman et al. | Co-evolutionary approach for strategic bidding in competitive electricity markets | |
| CN102521052B (zh) | 虚拟化数据中心资源分配方法及虚拟机监控器 | |
| CN110516832B (zh) | 可再生能源跨区域消纳的备用出清方法、装置及电子设备 | |
| CN111509700B (zh) | 一种基于电价预测的电网运行管理方法及装置 | |
| Sivakumar et al. | Congestion management in deregulated power system by rescheduling of generators using genetic algorithm | |
| CN111864742B (zh) | 一种主动配电系统扩展规划方法、装置及终端设备 | |
| CN114519640A (zh) | 基于联盟链的跨国电力交易方法 | |
| Amjady et al. | Stochastic security‐constrained joint market clearing for energy and reserves auctions considering uncertainties of wind power producers and unreliable equipment | |
| CN112149982B (zh) | 一种计及共享备用的省间交易出清方法、系统及终端设备 | |
| CN109040193A (zh) | 基于无依赖子任务的移动设备云资源分配方法 | |
| Guo et al. | Generalized coordinated transaction scheduling: A market approach to seamless interfaces | |
| Guan et al. | Integrated resource scheduling and bidding in the deregulated electric power market: New challenges | |
| CN112884572A (zh) | 一种信用风险下的多微网交易优化方法及系统 | |
| CN108830663B (zh) | 电力客户价值评价方法、系统及终端设备 | |
| CN114142460B (zh) | 综合能源系统中储能双层目标优化配置方法及终端 | |
| CN115936365A (zh) | 多端直流联络线功率优化的区域电力现货市场出清方法和装置 | |
| CN117396886A (zh) | 用于时间序列预测的时空图神经网络 | |
| Sampath et al. | Robust optimal energy and reserve management of multiple-microgrids via cooperative bidding | |
| US20240202611A1 (en) | Blockchain transactive energy management system | |
| CN109658213A (zh) | 一种分润清算的方法、系统及终端设备 | |
| EP4300387A1 (en) | Optimal intraday scheduling of aggregated distributed energy resources (ders) | |
| CN113675894B (zh) | 主动配电网云边协同调控方法、装置和终端设备 | |
| CN113450183B (zh) | 基于区块链的电动汽车p2p电力交易方法、系统及设备 |
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 |