CN113538041A - 基于负荷曲线聚类分析的电力套餐推荐方法和装置 - Google Patents
基于负荷曲线聚类分析的电力套餐推荐方法和装置 Download PDFInfo
- Publication number
- CN113538041A CN113538041A CN202110730352.2A CN202110730352A CN113538041A CN 113538041 A CN113538041 A CN 113538041A CN 202110730352 A CN202110730352 A CN 202110730352A CN 113538041 A CN113538041 A CN 113538041A
- Authority
- CN
- China
- Prior art keywords
- power
- electricity
- price
- user
- end user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005611 electricity Effects 0.000 claims abstract description 119
- 239000013598 vector Substances 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007418 data mining Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- 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]
- G06Q30/0631—Item recommendations
-
- 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)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于负荷曲线聚类分析的电力套餐推荐方法,包括:获取终端用户的历史用电数据,并利用DBSCAN聚类算法分析每个所述终端用户的典型用电模式;利用混合整数非线性规划的方法对所述终端用户的典型用电模式中的组合按照分时电价结构和电价水平进行优化,确定最优的用电模式套餐;将针对每个终端用户的最优用电模式套餐推荐给所述终端用户。方法在考虑电力需求弹性约束和配电网运行的约束下,可以在保证零售商回报率的同时有效降低终端用户的用电成本,提高零售商在市场中的竞争力。
Description
技术领域
本发明实施例电学领域,尤其是一种基于负荷曲线聚类分析的电力套餐推荐方法和装置。
背景技术
随着电力市场的发展,零售电力价格已逐步从固定的统一定价演变为动态甚至实时价格。然而对于普通家庭用户而言,这意味他们将直接面对价格波动带来的风险,因为难以接受。因此,介于固定价格与动态价格之间的分时电价在全球范围内被广泛采用。但电力零售商在制定零售市场的价格套餐时,往往基于市场总体行为,仅针对分时电价的价格水平进行优化,从而最大化自己的收益。然而这种零售价格套餐一方面未考虑不同终端用户的不同用电模式,也没有考虑分时电价的阶梯结构,从而忽略了不同终端用户之间在时间尺度上的互补性。
发明内容
为解决上述技术问题,本发明创造的实施例提供一种基于负荷曲线聚类分析的电力套餐推荐方法和装置:
一种基于负荷曲线聚类分析的电力套餐推荐方法,包括:
获取终端用户的历史用电数据,并利用DBSCAN聚类算法分析每个所述终端用户的典型用电模式;
利用混合整数非线性规划的方法对所述终端用户的典型用电模式中的组合按照分时电价结构和电价水平进行优化,确定最优的用电模式套餐;
将针对每个终端用户的最优用电模式套餐推荐给所述终端用户。
一种基于负荷曲线聚类分析的电力套餐推荐装置,包括:
获取模块,用于获取终端用户的历史用电数据,并利用DBSCAN聚类算法分析每个所述终端用户的典型用电模式;
处理模块,用于利用混合整数非线性规划的方法对所述终端用户的典型用电模式中的组合按照分时电价结构和电价水平进行优化,确定最优的用电模式套餐;
执行模块,用于将针对每个终端用户的最优用电模式套餐推荐给所述终端用户。
本发明实施例的有益效果是:基于DBSCAN聚类算法与终端用户的历史用电数据分析典型用电模式,并确定各终端用户的用电模式;对于不同的用电模式,利用混合整数非线性规划的方法针对分时电价的阶梯结构与电价水平进行优化,以实现在保证零售商回报率的约束下最小化终端用户的用电成本,并将用电成本最小的套餐推荐给用户。本方法在考虑电力需求弹性约束和配电网运行的约束下,可以在保证零售商回报率的同时有效降低终端用户的用电成本,提高零售商在市场中的竞争力。结合终端用户聚类、用电模式分析,此方法可应用于未来电力零售市场的交易服务收费分析,协助电力零售市场制定零售价格套餐。本发明通过数据挖掘了解用户负荷组成与用电行为规律,可应用于客户管理策略制定,售电公司购售电决策优化以及定制服务差异化。
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为本发明实施例提供的基于负荷曲线聚类分析的电力套餐推荐方法的流程示意图;
图2为本发明实施例提供的电力结构示意图;
图3为本发明实施例提供的一个示意图;
图4为本发明实施例提供的另一示意图;
图5本发明实施例提供的另一示意图;
图6本发明实施例提供的基于负荷曲线聚类分析的电力套餐推荐装置基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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、完整地描述,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。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1,图1为本发明实施例提供一种基于负荷曲线聚类分析的电力套餐推荐方法,该方法具体包括如下步骤:
S110、获取终端用户的历史用电数据,并利用DBSCAN聚类算法分析每个所述终端用户的典型用电模式;
S120、利用混合整数非线性规划的方法对所述终端用户的典型用电模式中的组合按照分时电价结构和电价水平进行优化,确定最优的用电模式套餐;
S130、将针对每个终端用户的最优用电模式套餐推荐给所述终端用户。
本发明实施例中的基于负荷曲线聚类分析的电力套餐推荐装置,基于DBSCAN聚类算法与终端用户的历史用电数据分析典型用电模式,并确定各终端用户的用电模式;对于不同的用电模式,利用混合整数非线性规划的方法针对分时电价的阶梯结构与电价水平进行优化,以实现在保证零售商回报率的约束下最小化终端用户的用电成本,并将用电成本最小的套餐推荐给用户。本方法在考虑电力需求弹性约束和配电网运行的约束下,可以在保证零售商回报率的同时有效降低终端用户的用电成本,提高零售商在市场中的竞争力。结合终端用户聚类、用电模式分析,此方法可应用于未来电力零售市场的交易服务收费分析,协助电力零售市场制定零售价格套餐。本发明通过数据挖掘了解用户负荷组成与用电行为规律,可应用于客户管理策略制定,售电公司购售电决策优化以及定制服务差异化。
其中,向量LPj表示所述终端用户j的典型用电模式,向量表示所述终端用户j在τ天的用电向量,n(·)表示标准化操作,的第t个元素表示所述终端用户j在t天第t个时间段的用电量占该用户当日全天用电量的比值,Η表示历史用电数据的时间周期,TPS表示典型用电模式的集合,||·||2表示向量的L2范数。
本发明实施例提供一种使用混合整数非线性规划的优化目标函数对所述终端用户的用电模式按照分时电价结构和电价水平进行优化;
所述优化目标函数为:minStp=∑j∈J∑t∈TE(Lj,t)·fj,t(rj,t)·rj,t
其中,Stp表示所述终端用户的总用电成本;J表示所有终端用户的集合;T表示决策周期;Lj,t表示所述终端用户j在每天第t个时间段用电量的期望;rj,t表示所述终端用户j在每天第t个时间段的电价,fj,t(·)表示所述终端用户j在每天第t个时间段的用电需求关于实时电价的弹性。
本发明实施例提供一种利用DBSCAN聚类算法公式计算所述终端用户的用电模式,包括:
步骤5、若核心对象集合在核心对象集合Ω中随机选取一个核心对象o,初始化当前簇核心对象队列Ωcur={o},更新所述典型用电模式数量k=k+1,初始化当前簇样本集合Ck={o},更新未访问样本集合Γ=Γ-{o};
步骤7、在当前簇核心对象队列Ωcur中取出一个核心对象o′,找出o′的ε-领域子样本集Nε(o′),令Δ=Nε(o′)∩Γ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,转入步骤6。
步骤8、输出初始化典型用电模式集合TPS。
本发明实施例对所述终端用户的用电模式按照分时电价结构和电价水平进行优化时,根据输入预期回报率、分时电价阶梯数、每日决策周期、签订长期合约的数量与价格、电价弹性方程系数、风险加权因子、风险价格、现货价格期望,对包括购电成本、风险溢价、预期零售收入进行建模,得到购电成本模型、风险溢价模型、预期零售收入模型,以及构建约束模型,得到分时电价约束模型、电力需求弹性约束模型、配电网运行约束模型。
本发明实施例提供一种使用混合整数非线性规划的优化目标函数对所述终端用户的用电模式按照分时电价结构和电价水平进行优化,其中,利用分时电价约束模型、电力需求弹性约束模型以及配电网运行约束模型对所述终端用户的用电模式按照分时电价结构和电价水平进行优化;
其中,所述分时电价约束模型为:
yi,j=(yi,1,j,yi,2,j,...,yi,t,j,...,yi,|T|,j)
其中,表示零售价格套餐的分时电价的阶梯数;yi,t,j是布尔变量,其取值为1或0,表示第i个电价块是否覆盖一天中的t时,若覆盖,则yi,t,j=1,否则yi,t,j=0;是零售商对于用户j在i时的购电成本,该成本包括来自于远期合约和现货市场的成本;是零售商对于用户j的风险溢价。
所述电力需求弹性约束模型为:
其中,r0,t是名义零售价格;β0,j,β0,j和β0,j为参数。
所述配电网运行约束模型为:
Ui,j=(ui,1,j,ui,2,j,...,ui,|T|,j)
Vi,j=(vi,1,j,vi,2,j,...,vi,|T|,j)
其中,ρ1,k是功率分配系数,表示由于节点k处实际功率变化而在线路l上出现的有功功率的相对变化;是线路l的功率限制;K和L分别为配电网的节点集合和线路集合;Ui,j和Vi,j是二元向量,它们的元素为0或1。
本发明实施例提供一种确定最优的用电模式套餐的方法,包括:
利用预设的终端用户用电期望模型、零售商的购电成本模型、零售价格中的风险溢价模型和零售商的预期零售收入模型确定所述最优用电模式套餐;
其中,所述终端用户的用电期望模型:
所述零售商的购电成本模型:
Lj,t=n(E(Lj,t))·E(Qj)
其中,NF是零售商签订的远期合约的数量;和分别表示零售商签订远期合约m的数量和价格水平;βfc是零售商的预期收入与利润风险之间的加权因子,βfc∈[0,+∞);表示由远期合约与最终用户负荷预期值之间的差异而引起的零售风险;α表示用于计算条件风险价值(conditional value-at-risk,CVaR)的风险价值(value-at-risk,VaR);β是给定的置信水平;NS表示样本数量;是零售商从现货市场购电的成本;是一个二元变量,若表示t时属于远期合约m的交付期;是t时的现货价格;E(Lj,t)时终端用户j在t时用电的期望;E(Qj)表示终端用户j每日用电量的期望。
所述零售价格中的风险溢价模型:
所述零售商的预期零售收入模型:
其中,W表示零售商的零售利润;e表示零售商需求的收益率。
本发明实施例还包括:
对由于远期合约与最终用户负荷预期值之间的差异而引起的零售风险进行线性化:
Mj,n≥0
本发明的一个具体实施例,请参阅图2,配电网络共有37个网络节点。系统共有31个终端用户,5条馈线,反馈线数据与参数见表1。在本发明实施例中,请参阅图3,标准化终端用户历史用电数据的样本间L2范数距离值主要分布在0到0.2之间。历史用电数据包含总计31个终端用户计90天2790条日用电数据。
表1.微型发动机参数
选取ε=0.2,MinPts=300作为领域参数,通过本发明中的方法可得到7种典型用电模式,请参阅图4。典型用电模式1和3的负载峰值发生在每天20:00~21:00,典型用电模式4的负载峰值发生在每天清晨,典型用电模式2、5、7都是是包含两个高峰负载时段的负载模式,且两个高峰负载时段分别位于清晨和傍晚,典型用电模式6的全天用电保持相对稳定。通过本发明方法得到的终端用户零售价格套餐示例,请参阅图5。
如图6所示,为了解决上述问题,本发明实施例还提供一种基于负荷曲线聚类分析的电力套餐推荐装置,包括:取模块2100、处理模块2200和执行模块2300,其中,获取模块2100,用于获取终端用户的历史用电数据,并利用DBSCAN聚类算法分析每个所述终端用户的典型用电模式;处理模块2200,用于利用混合整数非线性规划的方法对所述终端用户的典型用电模式中的组合按照分时电价结构和电价水平进行优化,确定最优的用电模式套餐;执行模块2300,用于将针对每个终端用户的最优用电模式套餐推荐给所述终端用户。
本发明实施例中的基于负荷曲线聚类分析的电力套餐推荐装置,基于DBSCAN聚类算法与终端用户的历史用电数据分析典型用电模式,并确定各终端用户的用电模式;对于不同的用电模式,利用混合整数非线性规划的方法针对分时电价的阶梯结构与电价水平进行优化,以实现在保证零售商回报率的约束下最小化终端用户的用电成本,并将用电成本最小的套餐推荐给用户。本方法在考虑电力需求弹性约束和配电网运行的约束下,可以在保证零售商回报率的同时有效降低终端用户的用电成本,提高零售商在市场中的竞争力。结合终端用户聚类、用电模式分析,此方法可应用于未来电力零售市场的交易服务收费分析,协助电力零售市场制定零售价格套餐。本发明通过数据挖掘了解用户负荷组成与用电行为规律,可应用于客户管理策略制定,售电公司购售电决策优化以及定制服务差异化。
其中,向量LPj表示所述终端用户j的典型用电模式,向量表示所述终端用户j在τ天的用电向量,n(·)表示标准化操作,的第t个元素表示所述终端用户j在t天第t个时间段的用电量占该用户当日全天用电量的比值,H表示历史用电数据的时间周期,TPS表示典型用电模式的集合,||·||2表示向量的L2范数。
在一些实施方式中,所述执行模块1300,用于使用混合整数非线性规划的优化目标函数对所述终端用户的用电模式按照分时电价结构和电价水平进行优化;
所述优化目标函数为:min Stp=∑j∈J∑t∈TE(Lj,t)·fj,t(rj,t)·rj,t
其中,Stp表示所述终端用户的总用电成本;J表示所有终端用户的集合;T表示决策周期;Lj,t表示所述终端用户j在每天第t个时间段用电量的期望;rj,t表示所述终端用户j在每天第t个时间段的电价,fj,t(·)表示所述终端用户j在每天第t个时间段的用电需求关于实时电价的弹性。
在一些实施方式中,所述处理模块2200,用于所述利用DBSCAN聚类算法公式计算所述终端用户的用电模式,包括:
步骤5、若核心对象集合在核心对象集合Ω中随机选取一个核心对象o,初始化当前簇核心对象队列Ωcur={o},更新所述典型用电模式数量k=k+1,初始化当前簇样本集合Ck={o},更新未访问样本集合Γ=Γ-{o};
步骤7、在当前簇核心对象队列Ωcur中取出一个核心对象o′,找出o′的ε-领域子样本集Nε(o′),令Δ=Nε(o′)nΓ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(ΔnΩ)-o′,转入步骤6。
步骤8、输出初始化典型用电模式集合TPS。
在一些实施方式中,所述处理模块2200,用于利用分时电价约束模型、电力需求弹性约束模型以及配电网运行约束模型对所述终端用户的用电模式按照分时电价结构和电价水平进行优化;
其中,所述分时电价约束模型为:
yi,j=(yi,1,j,yi,2,j,...,yi,t,j,...,yi,|T|,j)
其中,Npb表示零售价格套餐的分时电价的阶梯数;yi,t,j是布尔变量,其取值为1或0,表示第i个电价块是否覆盖一天中的t时,若覆盖,则yi,t,j=1,否则yi,t,j=0;是零售商对于用户j在i时的购电成本,该成本包括来自于远期合约和现货市场的成本;是零售商对于用户j的风险溢价。
所述电力需求弹性约束模型为:
其中,r0,t是名义零售价格;β0,j,β0,j和β0,j为参数。
所述配电网运行约束模型为:
Ui,j=(ui,1,j,ui,2,j,...,ui,|T|,j)
Vi,j=(vi,1,j,vi,2,j,...,vi,|T|,j)
其中,ρl,k是功率分配系数,表示由于节点k处实际功率变化而在线路l上出现的有功功率的相对变化;是线路l的功率限制;K和L分别为配电网的节点集合和线路集合;Ui,j和Vi,j是二元向量,它们的元素为0或1。
在一些实施方式中,所述执行模块2300,用于利用预设的终端用户用电期望模型、零售商的购电成本模型、零售价格中的风险溢价模型和零售商的预期零售收入模型确定所述最优用电模式套餐;
其中,所述终端用户的用电期望模型:
所述零售商的购电成本模型:
Lj,t=n(E(Lj,t))·E(Qj)
其中,NF是零售商签订的远期合约的数量;和分别表示零售商签订远期合约m的数量和价格水平;βfc是零售商的预期收入与利润风险之间的加权因子,βfc∈[0,+∞);表示由远期合约与最终用户负荷预期值之间的差异而引起的零售风险;α表示用于计算条件风险价值(conditional value-at-risk,CVaR)的风险价值(value-at-risk,VaR);β是给定的置信水平;NS表示样本数量;是零售商从现货市场购电的成本;是一个二元变量,若表示t时属于远期合约m的交付期;是t时的现货价格;E(Lj,t)时终端用户j在t时用电的期望;E(Qj)表示终端用户j每日用电量的期望。
所述零售价格中的风险溢价模型:
所述零售商的预期零售收入模型:
其中,W表示零售商的零售利润;e表示零售商需求的收益率。
在一些实施方式中,所述处理模块1200,还用于对由于远期合约与最终用户负荷预期值之间的差异而引起的零售风险进行线性化:
Mj,n≥0
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于负荷曲线聚类分析的电力套餐推荐方法,其特征在于,包括:
获取终端用户的历史用电数据,并利用DBSCAN聚类算法分析每个所述终端用户的典型用电模式;
利用混合整数非线性规划的方法对所述终端用户的典型用电模式中的组合按照分时电价结构和电价水平进行优化,确定最优的用电模式套餐;
将针对每个终端用户的最优用电模式套餐推荐给所述终端用户。
3.根据权利要求1所述的电力套餐推荐方法,其特征在于,使用混合整数非线性规划的优化目标函数对所述终端用户的用电模式按照分时电价结构和电价水平进行优化;
所述优化目标函数为:min Stp=∑j∈J∑t∈TE(Lj,t)·fj,t(rj,t)·rj,t
其中,Stp表示所述终端用户的总用电成本;J表示所有终端用户的集合;T表示决策周期;Lj,t表示所述终端用户j在每天第t个时间段用电量的期望;rj,t表示所述终端用户j在每天第t个时间段的电价,fj,t(·)表示所述终端用户j在每天第t个时间段的用电需求关于实时电价的弹性。
4.根据权利要求2所述的电力套餐推荐方法,其特征在于,所述利用DBSCAN聚类算法公式计算所述终端用户的用电模式,包括:
步骤5、若核心对象集合在核心对象集合Ω中随机选取一个核心对象o,初始化当前簇核心对象队列Ωcur={o},更新所述典型用电模式数量k=k+1,初始化当前簇样本集合Ck={o},更新未访问样本集合Γ=Γ-{o};
步骤7、在当前簇核心对象队列Ωcur中取出一个核心对象o′,找出o′的ε-领域子样本集Nε(o′),令Δ=Nε(o′)∩Γ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,转入步骤6。
步骤8、输出初始化典型用电模式集合TPS。
5.根据权利要求3所述的电力套餐推荐方法,其特征在于,所述使用混合整数非线性规划的优化目标函数对所述终端用户的用电模式按照分时电价结构和电价水平进行优化,包括:
利用分时电价约束模型、电力需求弹性约束模型以及配电网运行约束模型对所述终端用户的用电模式按照分时电价结构和电价水平进行优化;
其中,所述分时电价约束模型为:
yi,j=(yi,1,j,yi,2,j,...,yi,t,j,...,yi,|T|,j)
其中,Npb表示零售价格套餐的分时电价的阶梯数;yi,t,j是布尔变量,其取值为1或0,表示第i个电价块是否覆盖一天中的t时,若覆盖,则yi,t,j=1,否则yi,t,j=0;是零售商对于用户j在i时的购电成本,该成本包括来自于远期合约和现货市场的成本;是零售商对于用户j的风险溢价。
所述电力需求弹性约束模型为:
其中,r0,t是名义零售价格;β0,j,β0,j和β0,j为参数。
所述配电网运行约束模型为:
Ui,j=(ui,1,j,ui,2,j,...,ui,|T|,j)
Vi,j=(vi,1,j,vi,2,j,...,vi,|T|,j)
其中,ρ1,k是功率分配系数,表示由于节点k处实际功率变化而在线路l上出现的有功功率的相对变化;Pl max是线路l的功率限制;K和L分别为配电网的节点集合和线路集合;Ui,j和Vi,j是二元向量,它们的元素为0或1。
6.根据权利要求5所述的电力套餐推荐方法,其特征在于,所述确定最优的用电模式套餐包括:
利用预设的终端用户用电期望模型、零售商的购电成本模型、零售价格中的风险溢价模型和零售商的预期零售收入模型确定所述最优用电模式套餐;
其中,所述终端用户的用电期望模型:
所述零售商的购电成本模型:
Lj,t=n(E(Lj,t))·E(Qj)
其中,NF是零售商签订的远期合约的数量;和分别表示零售商签订远期合约m的数量和价格水平;βfc是零售商的预期收入与利润风险之间的加权因子,βfc∈[0,+∞);Vj CVaR,fc表示由远期合约与最终用户负荷预期值之间的差异而引起的零售风险;α表示用于计算条件风险价值(conditional value-at-risk,CVaR)的风险价值(value-at-risk,VaR);β是给定的置信水平;NS表示样本数量;是零售商从现货市场购电的成本;是一个二元变量,若表示t时属于远期合约m的交付期;是t时的现货价格;E(Lj,t)时终端用户j在t时用电的期望;E(Qj)表示终端用户j每日用电量的期望。
所述零售价格中的风险溢价模型:
所述零售商的预期零售收入模型:
其中,W表示零售商的零售利润;e表示零售商需求的收益率。
8.一种基于负荷曲线聚类分析的电力套餐推荐装置,其特征在于,包括:
获取模块,用于获取终端用户的历史用电数据,并利用DBSCAN聚类算法分析每个所述终端用户的典型用电模式;
处理模块,用于利用混合整数非线性规划的方法对所述终端用户的典型用电模式中的组合按照分时电价结构和电价水平进行优化,确定最优的用电模式套餐;
执行模块,用于将针对每个终端用户的最优用电模式套餐推荐给所述终端用户。
10.根据权利要求1所述的电力套餐推荐装置,其特征在于,
所述执行模块,用于使用混合整数非线性规划的优化目标函数对所述终端用户的用电模式按照分时电价结构和电价水平进行优化;
所述优化目标函数为:min Stp=∑j∈J∑t∈TE(Lj,t)·fj,t(rj,t)·rj,t
其中,Stp表示所述终端用户的总用电成本;J表示所有终端用户的集合;T表示决策周期;Lj,t表示所述终端用户j在每天第t个时间段用电量的期望;rj,t表示所述终端用户j在每天第t个时间段的电价,fj,t(·)表示所述终端用户j在每天第t个时间段的用电需求关于实时电价的弹性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730352.2A CN113538041B (zh) | 2021-06-29 | 2021-06-29 | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730352.2A CN113538041B (zh) | 2021-06-29 | 2021-06-29 | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538041A true CN113538041A (zh) | 2021-10-22 |
CN113538041B CN113538041B (zh) | 2022-10-21 |
Family
ID=78097202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110730352.2A Active CN113538041B (zh) | 2021-06-29 | 2021-06-29 | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538041B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596640A (zh) * | 2023-07-19 | 2023-08-15 | 国网山东省电力公司营销服务中心(计量中心) | 电力零售电费套餐的推荐方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086922A (zh) * | 2018-07-19 | 2018-12-25 | 浙江大学 | 一种面向工商业用户的需求响应电力套餐优化设计方法 |
CN109325608A (zh) * | 2018-06-01 | 2019-02-12 | 国网上海市电力公司 | 考虑储能并计及光伏随机性的分布式电源优化配置方法 |
CN110796283A (zh) * | 2019-09-18 | 2020-02-14 | 浙江大学 | 一种面向需求侧主动响应的电量套餐优化设计方法 |
US20200082422A1 (en) * | 2018-09-12 | 2020-03-12 | Mitsubishi Electric Research Laboratories, Inc. | Day-Ahead Joint Generation Scheduling and Bidding Optimization for Power Plants |
CN111242458A (zh) * | 2020-01-07 | 2020-06-05 | 广东电网有限责任公司电力调度控制中心 | 一种基于个性化用电需求的电力零售定价方法及装置 |
CN112200596A (zh) * | 2020-09-01 | 2021-01-08 | 中国南方电网有限责任公司 | 一种电力系统区域边际电价确定方法、系统、装置及介质 |
-
2021
- 2021-06-29 CN CN202110730352.2A patent/CN113538041B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325608A (zh) * | 2018-06-01 | 2019-02-12 | 国网上海市电力公司 | 考虑储能并计及光伏随机性的分布式电源优化配置方法 |
CN109086922A (zh) * | 2018-07-19 | 2018-12-25 | 浙江大学 | 一种面向工商业用户的需求响应电力套餐优化设计方法 |
US20200082422A1 (en) * | 2018-09-12 | 2020-03-12 | Mitsubishi Electric Research Laboratories, Inc. | Day-Ahead Joint Generation Scheduling and Bidding Optimization for Power Plants |
CN110796283A (zh) * | 2019-09-18 | 2020-02-14 | 浙江大学 | 一种面向需求侧主动响应的电量套餐优化设计方法 |
CN111242458A (zh) * | 2020-01-07 | 2020-06-05 | 广东电网有限责任公司电力调度控制中心 | 一种基于个性化用电需求的电力零售定价方法及装置 |
CN112200596A (zh) * | 2020-09-01 | 2021-01-08 | 中国南方电网有限责任公司 | 一种电力系统区域边际电价确定方法、系统、装置及介质 |
Non-Patent Citations (1)
Title |
---|
吴敬慧等: "电力现货市场中标准零售套餐设计――基于用户分群的分析", 《价格理论与实践》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596640A (zh) * | 2023-07-19 | 2023-08-15 | 国网山东省电力公司营销服务中心(计量中心) | 电力零售电费套餐的推荐方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113538041B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10430898B2 (en) | Method and system for facilitating electricity services | |
US9235847B2 (en) | Energy-disutility modeling for agile demand response | |
US8818889B2 (en) | Technique for aggregating an energy service | |
US20120078687A1 (en) | System and method for lowest cost aggregate energy demand reduction | |
Zhang et al. | Structure-aware stochastic storage management in smart grids | |
Van Ackooij et al. | Optimizing power generation in the presence of micro-grids | |
KR20190132193A (ko) | 스마트 그리드에서 동적 가격 책정 수요반응 방법 및 시스템 | |
CN109784594B (zh) | 一种售电商可调负荷决策方法及系统 | |
Niromandfam et al. | Designing risk hedging mechanism based on the utility function to help customers manage electricity price risks | |
Konda et al. | Impact of load profile on dynamic interactions between energy markets: a case study of power exchange and demand response exchange | |
Baharlouei et al. | On the convergence properties of autonomous demand side management algorithms | |
Joo et al. | Option valuation applied to implementing demand response via critical peak pricing | |
CN113538041B (zh) | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 | |
Khamesi et al. | Reverse auction-based demand response program: A truthful mutually beneficial mechanism | |
Steriotis et al. | Development of real time energy pricing schemes that incentivize behavioral changes | |
Qiu et al. | Multi‐objective generation dispatch considering the trade‐off between economy and security | |
Kharrati et al. | Medium‐term retailer's planning and participation strategy considering electricity market uncertainties | |
Zheng et al. | An application of machine learning for a smart grid resource allocation problem | |
Ehlen et al. | The effects of residential real-time pricing contracts on transco loads, pricing, and profitability: Simulations using the N-ABLE™ agent-based model | |
CN110689277A (zh) | 一种售电商规避现货市场风险的方法、系统及设备 | |
Jia et al. | An online learning approach to dynamic pricing for demand response | |
CN112633771B (zh) | 电力资源数值计算方法、装置、计算机设备和存储介质 | |
JP2019046467A (ja) | 電力取引支援装置及び電力取引支援方法 | |
Gao et al. | A pricing method for demand response using game theory | |
Ferdavani et al. | Analytical solution for demand contracting with forecasting‐error analysis on maximum demands and prices |
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 |