CN114757710A - 一种用于负荷聚合商投标的评估方法 - Google Patents

一种用于负荷聚合商投标的评估方法 Download PDF

Info

Publication number
CN114757710A
CN114757710A CN202210437695.4A CN202210437695A CN114757710A CN 114757710 A CN114757710 A CN 114757710A CN 202210437695 A CN202210437695 A CN 202210437695A CN 114757710 A CN114757710 A CN 114757710A
Authority
CN
China
Prior art keywords
load
market
electricity
demand response
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
Application number
CN202210437695.4A
Other languages
English (en)
Inventor
林正冲
李俊
徐特
田启东
林欣慰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202210437695.4A priority Critical patent/CN114757710A/zh
Publication of CN114757710A publication Critical patent/CN114757710A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种用于负荷聚合商投标的评估方法，包括，获取负荷聚合商数据，其中，所述负荷聚合商数据至少包括售电数据及用户柔性负荷数据；对所述负荷聚合商数据进行预处理，得到预处理结果；将预处理结果作为输入量输入预设的投标决策模型进行评估，得到负荷聚合商投标结果。本发明采用基于Tent混沌映射的随机场景生成方法生成电价及用户负荷不确定性场景集，以收益最大化为目标建立考虑需求响应的负荷聚合商参与电量及备用辅助服务市场的投标决策模型。然后，应用差分进化算法对模型进行求解，得到最优的负荷聚合商投标策略。

Description

一种用于负荷聚合商投标的评估方法
技术领域
本发明涉及负荷聚合商投标技术领域，特别是涉及一种用于负荷聚合商投标的评估方法。
背景技术
随着能源需求增长迅速，环境问题日益突出，用户侧资源的利用显得愈加重要，同时，用户侧资源具有需求响应调节能力灵活，潜力大，初期成本小的优势。通过需求响应，可以有效的实现削峰填谷，减少发电成本。对于需求侧资源体量小，控制困难的特点，负荷聚合商可以整合中小型用户参与需求响应，实现用户及电网间的双向互动，是当前挖掘用户侧潜力不可或缺的重要主体。
但是，在负荷聚合商参与需求响应项目制定投标决策时，面临多方面的不确定性，虽然现有在不确定性建模上已有研究成果，如：采用蒙特卡洛抽样生成电价随机场景集，并分别用Kantorovich距离方法及K-means聚类方法进行场景削减；采用鲁棒优化处理电价的不确定性，鲁棒优化无需获得不确定性参数的概率分布函数，只需得到相关参数的置信区间；基于模拟集成的方法来估计不确定性；利用基于轮盘赌轮机制(RWM)的场景生成方法生成风力发电、电价的不同场景，量化其不确定性；目前对不确定性的建模大多采用随机场景生成的方法，随机场景生成的方法生成场景时具有偶然性，需要生成大量的场景。在场景生成及之后的场景削减中需要处理大量的数据，同时无法体现不确定性参数的相关性。
负荷聚合商参与市场投标决策已有研究成果：负荷聚合商综合管理可中断、可转移负荷、储能等在电量市场的投标策略；负荷聚合商同时考虑确定性及不确定负荷时在电量市场的投标策略；可中断负荷参与备用市场的投标策略及对系统运营可靠性的影响；针对负荷聚合商参与备用市场投标，加入了对不确定性的分析。目前的研究成果多数仅考虑负荷聚合商参与单一市场情况下的投标策略。缺少对负荷聚合商同时参与电量及备用市场的投标策略的研究，同时少有研究关注投标时需求响应量在两种市场的分配优化。
发明内容
本发明的目的在于，提出一种用于负荷聚合商投标的评估方法，解决现有方法缺少对负荷聚合商同时参与电量及备用市场的投标策略的技术问题。
一方面，提供一种用于负荷聚合商投标的评估方法，包括：
获取负荷聚合商数据，其中，所述负荷聚合商数据至少包括售电数据及用户柔性负荷数据；
对所述负荷聚合商数据进行预处理，得到预处理结果；
将预处理结果作为输入量输入预设的投标决策模型进行评估，得到负荷聚合商投标结果。
优选地，所述预处理包括：
通过预设的不确定参数概率模型对所述负荷聚合商数据内的用户柔性负荷、电价在内的不确定性因素进行不确定性分析；
通过预设的随机场景生成模型根据不确定性分析结果生成不确定性因素的随机场景概率，并将所有的随机场景按照时间顺序组成不确定场景集；
确定不确定场景集内不确定性因素的相关性系数。
优选地，所述不确定参数概率模型具体包括：
Figure BDA0003613379300000021
其中，f表示不确定性因素概率密度，L表示不确定性因素，L表示正态分布计算参数，μ表示正态分布的均值，σ表示正态分布的标准差。
优选地，所述随机场景生成模型具体包括：
Figure BDA0003613379300000022
其中，xn+1表示下一个不确定性因素随机场景概率，n表示生成场景的序列数，xn表示当前不确定性因素随机场景概率，a表示混沌序列的控制参数，a∈[0,1]。
优选地，根据以下公式计算每个不确定性因素内部的自相关性系数：
Figure BDA0003613379300000031
其中，A(i,i+k)表示某一时间序列中任意两时刻ti及ti+k间不确定性因素的相关性系数，ti表示第i个时刻的不确定性因素随机场景，ti+k表示第i+k个时刻的不确定性因素随机场景，T表示该序列的长度；μ表示该序列的均值，k表示任意两时刻ti及ti+k间的时间差。
优选地，所述投标决策模型具体包括：
负荷聚合商优化目标函数：
maxf＝RLA-CLA
Figure BDA0003613379300000032
Figure BDA0003613379300000033
其中，maxf表示负荷聚合商的综合收益最大，RLA表示负荷聚合商的总收益，CLA表示负荷聚合商的总成本，N表示生成随机场景的总数量，n表示第n种随机场景，Ruser,n表示分布为第n种随机场景下的售电收益，Rre,n分布为第n种随机场景下的需求响应参与备用市场收益，Ce,n表示分布为第n种随机场景下的日前电量市场购电成本，CDR,e,n表示分布为第n种随机场景下的日前电量市场实施需求响应成本，CDR,r,n分布为第n种随机场景下的日前备用市场实施需求响应成本。
优选地，所述投标决策模型还包括：
Figure BDA0003613379300000041
Figure BDA0003613379300000042
其中，λ(t)表示负荷聚合商与用户签订的合约规定的t时刻的售电价格；Qu,n(t)表示用户不参与需求响应时t时刻的计划用电量；QDR,e,n(t)表示t时刻日前电量市场的需求响应量，QDR,r,n(t)表示t时刻日前备用市场的需求响应量，ct表示t时刻需求响应在备用市场的调用概率，pr为容量价格，pe为电量价格。
优选地，所述投标决策模型还包括：
Figure BDA0003613379300000043
Figure BDA0003613379300000044
Figure BDA0003613379300000045
其中，Pe,n(t)为t时刻日前电量市场出清电价，Qe,n(t)为t时刻负荷聚合商日前电量市场投标量，PDR,e(t)为t时刻负荷聚合商提供给参与电量市场需求响应用户的补偿，PDR,r(t)为t时刻负荷聚合商提供给参与备用市场需求响应用户的补偿。
优选地，所述投标决策模型还根据以下公式进行电量平衡约束：
Qu,n(t)-QDR,e,n(t)-ctQDR,r,n(t)＝Qe,n(t)
其中，Qu,n(t)表示用户不参与需求响应时t时刻的计划用电量；QDR,e,n(t)表示t时刻日前电量市场的需求响应量，QDR,r,n(t)表示t时刻日前备用市场的需求响应量，ct表示t时刻需求响应在备用市场的调用概率，Qe,n(t)为t时刻负荷聚合商日前电量市场投标量。
优选地，所述投标决策模型还根据以下公式进行需求响应容量约束：
QDR,min≤QDR,e,n(t)+QDR,r,n(t)≤QDR,max
其中，QDR,e,n(t)表示t时刻日前电量市场的需求响应量，QDR,r,n(t)表示t时刻日前备用市场的需求响应量，QDR,min表示可以参与需求响应的柔性负荷下限，QDR,max表示可以参与需求响应的柔性负荷上限。综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的用于负荷聚合商投标的评估方法，采用基于Tent混沌映射的随机场景生成方法生成电价及用户负荷不确定性场景集，以收益最大化为目标建立考虑需求响应的负荷聚合商参与电量及备用辅助服务市场的投标决策模型。然后，应用差分进化算法对模型进行求解，得到最优的负荷聚合商投标策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种用于负荷聚合商投标的评估方法的主流程示意图。
图2为本发明实施例中一种用于负荷聚合商投标的评估方法的逻辑示意图。
图3为本发明实施例中一种负荷聚合商运营模式图。
图4为本发明实施例中基于Tent混沌映射生成的用户负荷随机场景集示意图。
图5为本发明实施例中基于Tent混沌映射生成的日前市场电价随机场景集示意图。
图6为本发明实施例中负荷聚合商电量市场投标量图。
图7为本发明实施例中负荷聚合商所管理柔性负荷电量市场调用量图。
图8为本发明实施例中负荷聚合商所管理柔性负荷备用市场投标量图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1和图2所示，为本发明提供的一种用于负荷聚合商投标的评估方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
获取负荷聚合商数据，其中，所述负荷聚合商数据至少包括售电数据及用户柔性负荷数据；也就是，负荷聚合商采用的运营模式如图3所示。负荷聚合商同时进行售电及组织柔性负荷用户参与需求响应两项业务。负荷聚合商在日前市场购电并以签订合约的方式售电给用户。因此电价波动的风险全部由负荷聚合商承担。为增加收益，降低电价及负荷波动带来的风险，负荷聚合商同时在日前电量及备用辅助服务市场参与需求响应。在电量市场，通过实施需求响应，在电价过高时降低用户用电量，从而提高收益，降低风险。同时，参与备用辅助服务市场，将柔性负荷资源的作用最大化。
进一步的，对所述负荷聚合商数据进行预处理，得到预处理结果；也就是，建立基于Tent混沌映射的不确定性模型来生成电价及负荷随机场景，描述电价及负荷的不确定性，并对不确定性因素内部的自相关性进行分析。
具体实施例中，通过预设的不确定参数概率模型对所述负荷聚合商数据内的用户柔性负荷、电价在内的不确定性因素进行不确定性分析；也就是，由于存在用户负荷，日前市场电价等不确定因素，负荷聚合商对电价及负荷的预测往往存在着一定的偏差。正态分布可以很好的描述预测的不确定性，因此本发明中采用正态分布描述负荷及电价预测的不确定性，取其置信区间为95％，所述不确定参数概率模型具体包括：
Figure BDA0003613379300000061
其中，f表示不确定性因素概率密度，L表示不确定性因素，L表示正态分布计算参数，μ表示正态分布的均值，σ表示正态分布的标准差。
通过预设的随机场景生成模型根据不确定性分析结果生成不确定性因素的随机场景概率，并将所有的随机场景按照时间顺序组成不确定场景集；也就是，基于混沌映射的随机场景生成方法比普通的随机场景生成方法更加结构化，能充分体现不确定因素的相关性。而其中Tent映射产生的分布比其他混沌映射方法更均匀，有较好的随机性，并且产生的场景概率相等。因此本发明采用Tent混沌映射生成混沌序列进而生成电价及负荷随机场景的方法描述用户及电价不确定性。利用Tent混沌映射在置信区间内生成用户响应场景。所述随机场景生成模型具体包括：
Figure BDA0003613379300000071
其中，xn+1表示下一个不确定性因素随机场景概率，n表示生成场景的序列数，xn表示当前不确定性因素随机场景概率，生成场景总数为N，n∈N，xn∈[0,1]，a表示混沌序列的控制参数，a∈[0,1]。
确定不确定场景集内不确定性因素的相关性系数。也就是，电力市场电价及用户负荷存在一定的不确定性，同时，实际系统运营中，电价及用户负荷不确定参数还存在一定的相关性。对不确定性参数内部相关性的考虑，对电价及用户负荷每个不确定性因素内部的自相关性进行分析。不确定参数的自相关性描述了一个时间序列中不同时刻参数之间关联性。根据以下公式计算每个不确定性因素内部的自相关性系数：
Figure BDA0003613379300000072
其中，A(i,i+k)表示某一时间序列中任意两时刻ti及ti+k间不确定性因素的相关性系数，ti表示第i个时刻的不确定性因素随机场景，ti+k表示第i+k个时刻的不确定性因素随机场景，T表示该序列的长度；μ表示该序列的均值，k表示任意两时刻ti及ti+k间的时间差。通过对任意两时刻相关性系数的计算得到自相关系数矩阵S，计算如下式：
Figure BDA0003613379300000081
通过以上分析可以对不同不确定性分析方法的不确定性参数相关性进行计算及对比分析。
进一步的，将预处理结果作为输入量输入预设的投标决策模型进行评估，得到负荷聚合商投标结果。也就是，构建考虑需求响应的负荷聚合商参与电量及备用辅助服务市场的投标决策模型，模型的优化目标为收益最大化。输入不确定场景集及其他原始数据，并随机初始化种群；设定算法参数，采用差分进化算法对负荷聚合商投标策略模型进行求解；利用模型求解数据得到负荷聚合商最优投标策略。
具体实施例中，所述投标决策模型具体包括：
负荷聚合商参与电量及备用市场，在开展售电业务满足用户负荷需求的同时实施需求响应提高收益，降低风险。负荷聚合商优化目标函数：
maxf＝RLA-CLA
Figure BDA0003613379300000082
Figure BDA0003613379300000083
其中，maxf表示负荷聚合商的综合收益最大，RLA表示负荷聚合商的总收益，CLA表示负荷聚合商的总成本，N表示生成随机场景的总数量，n表示第n种随机场景，Ruser,n表示分布为第n种随机场景下的售电收益，Rre,n分布为第n种随机场景下的需求响应参与备用市场收益，Ce,n表示分布为第n种随机场景下的日前电量市场购电成本，CDR,e,n表示分布为第n种随机场景下的日前电量市场实施需求响应成本，CDR,r,n分布为第n种随机场景下的日前备用市场实施需求响应成本。可以理解的，负荷聚合商的总收益RLA由售电收益Ruser及需求响应参与备用市场收益Rre两部分组成；负荷聚合商的总成本CLA由在日前电量市场购电的成本Ce、在日前电量市场实施需求响应的成本CDR,e及在日前备用市场实施需求响应的成本CDR,r组成。
还包括：
Figure BDA0003613379300000091
Figure BDA0003613379300000092
其中，λ(t)表示负荷聚合商与用户签订的合约规定的t时刻的售电价格；Qu,n(t)表示用户不参与需求响应时t时刻的计划用电量；QDR,e,n(t)表示t时刻日前电量市场的需求响应量，QDR,r,n(t)表示t时刻日前备用市场的需求响应量，ct表示t时刻需求响应在备用市场的调用概率，pr为容量价格，pe为电量价格。可以理解的，负荷聚合商的售电收益取决于在电量市场实施需求响应项目后的用户用电量，本发明负荷聚合商在用户侧与用户签订合约，采用分时电价方式向用户售电，峰、谷时段售电电价不同。负荷聚合商参与备用市场的规则为：系统运营商按在备用市场的投标量支付容量价格，再根据实际的调用了支付电量价格。
还包括：
Figure BDA0003613379300000093
Figure BDA0003613379300000094
Figure BDA0003613379300000095
其中，Pe,n(t)为t时刻日前电量市场出清电价，Qe,n(t)为t时刻负荷聚合商日前电量市场投标量，PDR,e(t)为t时刻负荷聚合商提供给参与电量市场需求响应用户的补偿，PDR,r(t)为t时刻负荷聚合商提供给参与备用市场需求响应用户的补偿。可以理解的，负荷聚合商通过实施需求响应业务，当电量市场较高时，可以引导用户减少用电，实现负荷削峰，增加收益，同时在备用市场进行需求响应投标，进一步增加收益。负荷聚合商实施需求响应需要为用户提供一定的补偿以提高用户的积极性。
本实施例中，根据美国PJM市场的运行数据进行示例分析，选取2020年7月某日的负荷数据、日前市场电价数据作为初始数据。负荷聚合商以与用户签订合约的形式向用户提供售电业务，以分时电价形式向用户收取费用，设置峰时段为10:00至18:00，电价为40($/MWh)，谷时段为19:00至次日9:00，电价为30($/MWh)。
设负荷聚合商管理的用户中20％为柔性负荷用户，可以参与需求响应项目。负荷聚合商对用户采取激励型补偿方式，补贴价格设为合同电价的30％。负荷聚合商参与备用市场的需求响应项目时，备用市场中需求响应实施概率为：峰时段为0.6，谷时段为0.3。参与市场获得的补偿，容量价格Pr为10($/MWh)，电量价格Pe为10($/MWh)。
根据本发明提出的基于Tent混沌映射的随机场景生成方法生成日前电价及用户负荷的10种随机场景集合，取置信水平为0.95。可以得到基于Tent混沌映射生成的得到日前电价及用户负荷场景集合如图4、图5所示。
为验证本发明提出的基于Tent混沌映射的随机场景生成方法对不确定性参数相关性的体现，将其与传统的采用蒙特卡洛的随机场景生成方法进行对比，分别计算这两种方法的相关性系数矩阵，并与真实场景下得到的自相关性系数矩阵对比，计算两种方法的误差，如下式所示：
Figure BDA0003613379300000101
式中，Sn,l为第n个随机场景用户负荷的自相关系数矩阵，Sl,real真实场景用户负荷的自相关系数矩阵；Sn,p为第n个随机场景日前市场电价的自相关系数矩阵，Sp,real真实场景日前市场电价的自相关系数矩阵。
通过计算，可以得到本发明提出的基于Tent混沌映射的随机场景生成方法的自相关性误差为4.37％；采用蒙特卡洛的随机场景生成方法的自相关性误差为7.14％。因此基于Tent混沌映射的随机场景生成方法能更好的体现不确定性参数的相关性。
图6为本发明中负荷聚合商在日前电量市场的投标量。图中折线为未实施需求响应时的负荷聚合商投标量。从图中可以看出，负荷聚合商聚合用户在电量及备用辅助服务市场参与需求响应后，在电量市场的投标量下降，高峰时期投标量下降较多，实施需求响应可以有效降低高峰负荷。
图7，图8为负荷聚合商管理柔性负荷参与需求响应项目的调用结果，图7为柔性负荷在电量市场的调用量，图8为柔性负荷在备用辅助服务市场的投标量。从图中可以看出，因为在备用市场进行需求响应项目的投标可以获得额外的收益，柔性负荷在备用市场的投标量较高，但在电价高峰时期(14：00-17：00)柔性负荷在电量市场投标较高，以此增加售电业务的收益，降低电价过高带来的风险。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的用于负荷聚合商投标的评估方法，采用基于Tent混沌映射的随机场景生成方法生成电价及用户负荷不确定性场景集，以收益最大化为目标建立考虑需求响应的负荷聚合商参与电量及备用辅助服务市场的投标决策模型。然后，应用差分进化算法对模型进行求解，得到最优的负荷聚合商投标策略。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种用于负荷聚合商投标的评估方法，其特征在于，包括：
获取负荷聚合商数据，其中，所述负荷聚合商数据至少包括售电数据及用户柔性负荷数据；
对所述负荷聚合商数据进行预处理，得到预处理结果；
将预处理结果作为输入量输入预设的投标决策模型进行评估，得到负荷聚合商投标结果。
2.如权利要求1所述的方法，其特征在于，所述预处理包括：
通过预设的不确定参数概率模型对所述负荷聚合商数据内的用户柔性负荷、电价在内的不确定性因素进行不确定性分析；
通过预设的随机场景生成模型根据不确定性分析结果生成不确定性因素的随机场景概率，并将所有的随机场景按照时间顺序组成不确定场景集；
确定不确定场景集内不确定性因素的相关性系数。
3.如权利要求2所述的方法，其特征在于，所述不确定参数概率模型具体包括：
Figure FDA0003613379290000011
其中，f表示不确定性因素概率密度，L表示不确定性因素，L表示正态分布计算参数，μ表示正态分布的均值，σ表示正态分布的标准差。
4.如权利要求3所述的方法，其特征在于，所述随机场景生成模型具体包括：
Figure FDA0003613379290000012
其中，xn+1表示下一个不确定性因素随机场景概率，n表示生成场景的序列数，xn表示当前不确定性因素随机场景概率，a表示混沌序列的控制参数，a∈[0，1]。
5.如权利要求4所述的方法，其特征在于，根据以下公式计算每个不确定性因素内部的自相关性系数：
Figure FDA0003613379290000021
其中，A(i，i+k)表示某一时间序列中任意两时刻ti及ti+k间不确定性因素的相关性系数，ti表示第i个时刻的不确定性因素随机场景，ti+k表示第i+k个时刻的不确定性因素随机场景，T表示该序列的长度；μ表示该序列的均值，k表示任意两时刻ti及ti+k间的时间差。
6.如权利要求5所述的方法，其特征在于，所述投标决策模型具体包括：
负荷聚合商优化目标函数：
max f＝RLA-CLA
Figure FDA0003613379290000022
Figure FDA0003613379290000023
其中，max f表示负荷聚合商的综合收益最大，RLA表示负荷聚合商的总收益，CLA表示负荷聚合商的总成本，N表示生成随机场景的总数量，n表示第n种随机场景，Ruser，n表示分布为第n种随机场景下的售电收益，Rre，n分布为第n种随机场景下的需求响应参与备用市场收益，Ce，n表示分布为第n种随机场景下的日前电量市场购电成本，CDR，e，n表示分布为第n种随机场景下的日前电量市场实施需求响应成本，CDR，r，n分布为第n种随机场景下的目前备用市场实施需求响应成本。
7.如权利要求6所述的方法，其特征在于，所述投标决策模型还包括：
Figure FDA0003613379290000031
Figure FDA0003613379290000032
其中，λ(t)表示负荷聚合商与用户签订的合约规定的t时刻的售电价格；Qu，n(t)表示用户不参与需求响应时t时刻的计划用电量；QDR，e，n(t)表示t时刻日前电量市场的需求响应量，QDR，r，n(t)表示t时刻日前备用市场的需求响应量，ct表示t时刻需求响应在备用市场的调用概率，pr为容量价格，pe为电量价格。
8.如权利要求7所述的方法，其特征在于，所述投标决策模型还包括：
Figure FDA0003613379290000033
Figure FDA0003613379290000034
Figure FDA0003613379290000035
其中，Pe，n(t)为t时刻日前电量市场出清电价，Qe，n(t)为t时刻负荷聚合商日前电量市场投标量，PDR，e(t)为t时刻负荷聚合商提供给参与电量市场需求响应用户的补偿，PDR，r(t)为t时刻负荷聚合商提供给参与备用市场需求响应用户的补偿。
9.如权利要求6-8任一项所述的方法，其特征在于，所述投标决策模型还根据以下公式进行电量平衡约束：
Qu，n(t)-QDR，e，n(t)-ctQDR，r，n(t)＝Qe，n(t)
其中，Qu，n(t)表示用户不参与需求响应时t时刻的计划用电量；QDR，e，n(t)表示t时刻日前电量市场的需求响应量，QDR，r，n(t)表示t时刻日前备用市场的需求响应量，ct表示t时刻需求响应在备用市场的调用概率，Qe，n(t)为t时刻负荷聚合商日前电量市场投标量。
10.如权利要求9所述的方法，其特征在于，所述投标决策模型还根据以下公式进行需求响应容量约束：
QDR，min≤QDR，e，n(t)+QDR，r，n(t)≤QDR，max
其中，QDR，e，n(t)表示t时刻日前电量市场的需求响应量，QDR，r，n(t)表示t时刻日前备用市场的需求响应量，QDR，min表示可以参与需求响应的柔性负荷下限，QDR，max表示可以参与需求响应的柔性负荷上限。
CN202210437695.4A 2022-04-25 2022-04-25 一种用于负荷聚合商投标的评估方法 Pending CN114757710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210437695.4A CN114757710A (zh) 2022-04-25 2022-04-25 一种用于负荷聚合商投标的评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210437695.4A CN114757710A (zh) 2022-04-25 2022-04-25 一种用于负荷聚合商投标的评估方法

Publications (1)

Publication Number Publication Date
CN114757710A true CN114757710A (zh) 2022-07-15

Family

ID=82333948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210437695.4A Pending CN114757710A (zh) 2022-04-25 2022-04-25 一种用于负荷聚合商投标的评估方法

Country Status (1)

Country Link
CN (1) CN114757710A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542439A (zh) * 2023-03-29 2023-08-04 国网上海市电力公司 一种虚拟电厂多能源响应的优化运行方法及系统
CN116561696A (zh) * 2023-01-11 2023-08-08 上海合煌能源科技有限公司 基于多维度的用户可调节负荷快速聚合方法及其系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116561696A (zh) * 2023-01-11 2023-08-08 上海合煌能源科技有限公司 基于多维度的用户可调节负荷快速聚合方法及其系统
CN116561696B (zh) * 2023-01-11 2024-04-16 上海合煌能源科技有限公司 基于多维度的用户可调节负荷快速聚合方法及其系统
CN116542439A (zh) * 2023-03-29 2023-08-04 国网上海市电力公司 一种虚拟电厂多能源响应的优化运行方法及系统

Similar Documents

Publication Publication Date Title
Sen et al. A stochastic programming approach to power portfolio optimization
CN112651770B (zh) 电力现货市场售电商负荷申报优化方法及系统
Veit et al. Simulating the dynamics in two-settlement electricity markets via an agent-based approach
CN114757710A (zh) 一种用于负荷聚合商投标的评估方法
Barroso et al. Offering strategies and simulation of multi-item iterative auctions of energy contracts
Parastegari et al. Joint operation of wind farms and pump-storage units in the electricity markets: Modeling, simulation and evaluation
Silva-Monroy et al. Integrating energy storage devices into market management systems
KR20210012579A (ko) 소규모 분산자원 거래 방법 및 이를 실행시키기 위하여 컴퓨터로 판독 가능한 저장매체에 저장된 컴퓨터 프로그램
Stetter et al. Competitive and risk-adequate auction bids for onshore wind projects in Germany
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
Tesfatsion Auction basics for wholesale power markets: Objectives and pricing rules
CN112329230A (zh) 一种多微网主体非合作博弈交易方法
CN117078347A (zh) 基于联盟链的电碳一体化交易方法
Shinde et al. A multi-agent model for cross-border trading in the continuous intraday electricity market
Bartelj et al. Valuating risk from sales contract offer maturity in electricity market
CN112949956A (zh) 一种基于现货交易的发电企业市场化运营风险评估方法
KR102513416B1 (ko) M개의 프로듀서와 n개의 컨슈머로 구성된 마이크로그리드에서의 동시 다중전력거래 방법
Ni et al. Optimal integrated generation bidding and scheduling with risk management under a deregulated daily power market
CN111784540B (zh) 一种基于多目标粒子群算法的云储能优化出清方法
CN115358783A (zh) 一种基于强化学习考虑多重约束的多电动车辆与多微电网的多方博弈的能源交易系统
CN117396886A (zh) 用于时间序列预测的时空图神经网络
CN114445223A (zh) 一种基于区块链的电力需求响应交易方法及系统
CN112633942A (zh) 一种园区电力系统合约偏差费用计算方法、介质及设备
Watanabe et al. Adaptive multiagent model of electric power market with congestion management
Ali et al. Blockchain-integrated Local Energy Market and P2P Trading Benefits for Participants and Stakeholders

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