CN114971899A - 新能源参与下的日前、日内和实时市场电能交易优化方法 - Google Patents
新能源参与下的日前、日内和实时市场电能交易优化方法 Download PDFInfo
- Publication number
- CN114971899A CN114971899A CN202210404785.3A CN202210404785A CN114971899A CN 114971899 A CN114971899 A CN 114971899A CN 202210404785 A CN202210404785 A CN 202210404785A CN 114971899 A CN114971899 A CN 114971899A
- Authority
- CN
- China
- Prior art keywords
- day
- market
- real
- ahead
- new energy
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005611 electricity Effects 0.000 claims abstract description 50
- 241000238413 Octopus Species 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 230000009194 climbing Effects 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims 2
- 229910052739 hydrogen Inorganic materials 0.000 claims 2
- 239000001257 hydrogen Substances 0.000 claims 2
- 230000008901 benefit Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种新能源参与下的日前、日内和实时市场电能交易优化方法,方法首先基于章鱼模型的自适应预测方法分别对负荷、新能源机组出力和电价进行预测,并建立对应的不确定性模型;然后在日前市场,新能源发电商及常规发电商向电力交易中心进行电量及电价的申报;接着构建日前‑日内市场出清优化模型,采用构建的模型进行日前市场的出清,以减小实时市场的功率偏差;最后在日前市场出清后进入实时市场投标阶段,构建日内‑实时市场出清优化模型,采用构建的模型进行实时市场的电能交易优化。本发明充分考虑新能源对于电力市场电价的影响,在不同的时间尺度构成多阶段联合的现货市场交易,降低系统运行的成本,提高新能源的利用率。
Description
技术领域
本发明涉及能源优化利用技术领域,尤其涉及一种新能源参与下的日前、日内和实时市场电能交易优化方法。
背景技术
随着不可再生能源的快速减少和日益严重的生活环境,使得社会的可持续发展不再仅仅依靠单一的能源形式,新能源技术的发展使得人们对于能源利用有了多方面的选择。新能源发电受自然环境因素的影响较大,其出力的不稳定性给电力系统的安全运行带来了很大影响,准确的预测技术对电网稳定运行是十分重要的,其可以给予电力市场的交易提供参考,除此之外,以往对于电力市场中电价的研究,较少考虑新能源对于电力市场电价的影响,在有关电价预测模型中,未将新能源参与电力现货市场交易时对电力现货市场电价的影响纳入电价预测的模型中;己有对于电力现货市场的研究,主要集中在电力现货市场交易机制、市场模式等方面,对于考虑新能源消纳的电力现货市场交易模式研究较少,现有对新能源参与电力现货市场交易的研究中,对于新能源发电不确定性和风险考虑较少,电力现货市场电价预测的精度有待提升。
中国专利“CN111784451A基于多时间尺度的分布式电力多边交易方法及系统”将采集的数据(采集售电用户多时间段内售电量和报价范围数据,以及购电用户多时间段内购电量和报价范围数据)输入至预先建立的考虑多时间尺度用户博弈的多边交易模型,求解出分布式电力交易用户达成交易的电价和电量;用户可在不同时间尺度根据不同的报价,选择多个交易对象,同时用户在双方给出的价格范围内进行动态博弈演化,实现所有用户的利益最优化,最终达到分布式发电市场的相对均衡。该专利只考虑了用户侧进行供需动态博弈达到所有用户利益最大化,主要集中在市场交易机制和市场模式方面,并未考虑新能源渗透对电力市场电价的影响,而考虑新能源的电力现货市场交易优化理论及应用研究对新能源消纳、电力现货市场建设均有重要的理论价值和现实意义。
发明内容
针对上述现有技术的不足,本发明提供一种新能源参与下的日前、日内和实时市场电能交易优化方法。
为解决上述技术问题,本发明所采取的技术方案是:一种新能源参与下的日前、日内和实时市场电能交易优化方法,包括如下步骤:
步骤1:基于章鱼模型的自适应预测方法分别对负荷、新能源机组出力和电价进行预测,并建立对应的不确定性模型,具体方法如下:
步骤1.1:训练不确定性模型:采用加权平均法初始权重训练章鱼四足,根据章鱼四足的预测精度改变每一足的权重,使得预测精度高的一足权重增大,其余预测精度相对较低的章鱼足权重减小,然后通过权重调整后的章鱼四足继续训练,如此重复,直到达到指定的训练次数,最后根据权重将这些预测结果进行整合,得到最后的预测结果;
步骤1.2:采用训练好的不确定性模型对负荷、新能源机组出力和电价进行预测;
步骤1.3:新能源的实际出力采用新能源机组出力预测值与出力预测误差之和来表征:
实际电价采用电价预测值与电价预测误差来表征:
实际负荷采用负荷预测值与负荷预测误差来表征:
进一步的,所述章鱼四足分别为LSTM模型、SVM模型、RBM模型和Elman模型。
步骤2:在日前市场,新能源发电商及常规发电商向电力交易中心进行电量及电价的申报;
步骤3:构建日前-日内市场出清优化模型,采用构建的模型进行日前市场的出清,以减小实时市场的功率偏差,具体过程如下:
步骤3.1:构建日前-日内市场出清优化模型的目标函数,如下:
minF=F1+F2+S
其中,F为日前-日内联合市场出清费用,F1为日前市场费用,F2为日内市场费用,S为机组的启停费用;
步骤3.2:设置日前-日内市场出清优化模型的的约束条件,包括功率平衡约束、报价约束、机组爬坡约束、系统备用容量约束以及新能源出力约束;
步骤3.3:使用混沌交叉型头脑风暴优化算法CCSO-BSO对建立的日前-日内市场出清优化模型进行优化运算,得到日前市场的出清结果。
进一步的,所述日前市场费用F1的计算过程如下:
其中,T是日前市场全天时段数;NNOR是参与日前-日内市场的传统机组数;NRES是参与日前-日内市场的新能源机组数;是日前市场传统机组n在t时刻的报价与报量;是日前市场新能源机组i在t时刻的报价与报量;δ是传统机组的启停状态,为0-1变量,1为开机,0为停机。
进一步的,所述日内市场费用F2的计算过程如下
其中,Nm是日内市场数;Tm是日内市场的时段数,设定15min为一个时段,Tm为4;
f2,m,i是每个日内市场的费用,包括上调价格f2up,m,i以及下调价格f2down,m,i,即:f2,m,i=f2up,m,i+f2down,m,i。
步骤4:在日前市场出清后进入实时市场投标阶段,构建日内-实时市场出清优化模型,采用构建的模型进行实时市场的电能交易优化,具体过程如下:
步骤4.1:构建日内-实时市场出清优化模型的目标函数,如下:
minFreal=Freal,r+Fw
其中,Freal为实时市场成本,Freal,r为基于实时市场偏差功率的系统成本,Fw为惩罚成本;
步骤4.2:设置日内-实时市场出清优化模型的的约束条件,包括功率平衡约束、报价约束、机组爬坡约束、系统备用容量约束以及新能源出力约束;
步骤4.3:使用混沌交叉型头脑风暴优化算法CCSO-BSO对建立的日内-实时市场出清优化模型进行优化运算,得到实时市场的出清结果。
进一步的,所述基于实时市场偏差功率的系统成本Freal,r的计算方法如下:
其中,pru为购电价格,Pdev,t为实时市场的偏差功率。
进一步的,所述惩罚成本Fw的计算方法如下:
其中,cup为新能源机组实际出力超过预测值的惩罚系数;cdown为新能源机组实际出力低于预测值的惩罚系数;ω为弃能惩罚系数。
进一步的,所述功率平衡约束的表达式如下:
所述报价约束的表达式如下:
发电侧与购电侧在报价时需满足上下限约束:
所述机组爬坡约束的表达式如下:
其中,Pj(t)是发电机组j在时段t的有功出力;PD(t)是时段t的负荷预测需求;PL(t)是时段t的有功网损;Dj是下爬坡速率、Rj为上爬坡速率;Pj,min为发电机组j在时段t的有功出力的下限值,Pj,max为发电机组j在时段t的有功出力的上限值;
所述系统备用容量约束的表达式如下:
所述新能源出力约束的表达式如下:
采用上述技术方案所产生的有益效果在于:
1、本发明提供的方法考虑到新能源出力具有不确定以及间歇性,对新能源出力进行了预测并建立不确定性模型,充分考虑新能源对于电力市场电价的影响。
2、本发明提供的方法在日前与实时市场中考虑日内市场,减少了辅助服务的成本,还可以较低灵活性资源配置及储能的成本,可以更好的使市场进行资源的优化配置,从而获得更优的经济效益以及环境效益。
3、本发明提供的方法中构建出的日前-日内市场出清优化模型可以降低实时市场的功率偏差,可提高整个系统运行的稳定性以及经济性。考虑新能源出力的不确定性,又构建了日内-实时市场出清优化模型,与日前-日内市场出清优化模型共同构成多阶段联动的电力现货市场交易体系,由此可以实现在不同的时间尺度构成多阶段联合的现货市场交易框架体系。
4、本发明提供的方法可以为新能源参与进现货市场提供保障,有助于新能源的消纳,降低系统运行的成本,提高新能源的利用率,加快现货市场的建设。
附图说明
图1为本发明实施例中新能源参与下的日前、日内和实时市场电能交易优化方法的流程图;
图2为本发明实施例中基于章鱼模型的自适应预测方法的流程图;
图3为本发明实施例中新能源参与下的电力现货市场交易框架流程图;
图4为本发明实施例中新能源参与下的日前、日内和实时市场电能交易优化方法示意图;
图5为本发明实施例中电力现货市场运行模式框图;
图6为本发明实施例中日前-日内优化阶段曲线图;
图7为本发明实施例中日内-实时优化阶段曲线图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
由于新能源出力的不稳定性给电力系统的安全运行带来了很大影响,准确的预测技术对电网稳定运行是十分重要的,除此之外,以往对于电力市场中电价的研究,较少考虑新能源对于电力市场电价的影响,更准确的负荷预测也有利于提升系统的经济性,因此需对上述因素进行不确定性建模。
对于电力市场多时间尺度交易,需设计日前市场与日内市场的衔接机制,引入含有新能源较多的日内市场,以减小实时市场的功率偏差,提高系统运行的经济性和稳定性。
实时市场是调度运行的核心环境,实时市场与实时调度过程具有极强的关联性。实时市场调度是以日前市场调度为基础,以负荷预测结果为依据进行发电调度,并且对备用及必发机组预先进行资源配置与实时阻塞管理。
在日前市场发布阶段后可进入实时市场投标阶段,在日前市场中没有竞标成功的发电商有机会参与实时平衡市场。发电机组可以依据在日前市场的出清情调整实时市场投标价格,也可保持其在日前市场的投标状态。但已经在日前市场中标的机组,在实时市场中的报价报量信息存在最低约束,不能低于其在日前市场中的启动费用、最小发电容量等信息。
目前电力市场的现货交易主要采取2种结算方式:一种是按照最后入围机组的报价作为统一的市场清算电价(market clearing price,MCP),这种电价也称为系统边际电价;另一种方式为按照发电商报价结算(pay-as-bid,PAB)的竞价机制。本发明实施例中基于MCP结算方式进行分析。
如图1所示,本实施例中新能源参与下的日前、日内和实时市场电能交易优化方法如下所述。
步骤1:如图2所示,基于章鱼模型的自适应预测方法分别对负荷、新能源机组出力和电价进行预测,并建立对应的不确定性模型,具体方法如下:
步骤1.1:训练不确定性模型:采用加权平均法初始权重训练章鱼四足,根据章鱼四足的预测精度改变每一足的权重,使得预测精度高的一足权重增大,其余预测精度相对较低的章鱼足权重减小,然后通过权重调整后的章鱼四足继续训练,如此重复,直到达到指定的训练次数,最后根据权重将这些预测结果进行整合,得到最后的预测结果;
步骤1.2:采用训练好的不确定性模型对负荷、新能源机组出力和电价进行预测;
步骤1.3:新能源的实际出力采用新能源机组出力预测值与出力预测误差之和来表征:
实际电价采用电价预测值与电价预测误差来表征:
实际负荷采用负荷预测值与负荷预测误差来表征:
进一步的,所述章鱼四足分别为LSTM模型、SVM模型、RBM模型和Elman模型。
新能源参与下的电力现货市场交易框架流程如图3所示,在日前市场新能源发电商及常规发电商向电力交易中心进行电量及电价的申报,进行日前市场的出清,详见步骤2和步骤3,日内市场调节辅助服务形成与实际电力系统高度契合的发用电计划,保证电网安全稳定运行,通过考量是否满足日前出清要求,不满足则返回日内市场重新调整,满足则进行实时市场的出清,详见步骤4。
步骤2:在日前市场,新能源发电商及常规发电商向电力交易中心进行电量及电价的申报;
步骤3:构建日前-日内市场出清优化模型,采用构建的模型进行日前市场的出清,以减小实时市场的功率偏差,具体过程如下:
步骤3.1:构建日前-日内市场出清优化模型的目标函数,如下:
minF=F1+F2+S
其中,F为日前-日内联合市场出清费用,F1为日前市场费用,F2为日内市场费用,S为机组的启停费用,当火力发电机组作为灵活可调节资源时,需要一定的启停成本来补偿其放弃的一部分利益。不同规模的常规机组的启停成本不同,可依据机组实际情况在日前-日内联合市场中申报机组启停报价。
步骤3.2:设置日前-日内市场出清优化模型的的约束条件,包括功率平衡约束、报价约束、机组爬坡约束、系统备用容量约束以及新能源出力约束;
步骤3.3:使用混沌交叉型头脑风暴优化算法CCSO-BSO对建立的日前-日内市场出清优化模型进行优化运算,得到日前市场的出清结果。
进一步的,所述日前市场费用F1的计算过程如下:
其中,T是日前市场全天时段数;NNOR是参与日前-日内市场的传统机组数;NRES是参与日前-日内市场的新能源机组数;是日前市场传统机组n在t时刻的报价与报量;是日前市场新能源机组i在t时刻的报价与报量;δ是传统机组的启停状态,为0-1变量,1为开机,0为停机。
进一步的,日内市场的主要目的是对常规发电机组的出力与启停状态进行调整,各个发电机组基于自身实际运行情况,在日内市场中申报机组调整出力,所述日内市场费用F2的计算过程如下
其中,Nm是日内市场数;Tm是日内市场的时段数,设定15min为一个时段,Tm为4;
f2,m,i是每个日内市场的费用,包括上调价格f2up,m,i以及下调价格f2down,m,i,即:f2,m,i=f2up,m,i+f2down,m,i。
通常在此阶段无法获得准确的电价,因此购电成本主要参考中长期和日前电价的差价合同,国内市场一般是按照差价合同和偏差考核的规则,表示为:
C=∑QL,tPL,t+∑(QD,t-QL,t)PD,t+CR,t
式中,C为用电成本;QL,t、PL,t是经过中长期市场签订金融合同分解到t时段的电量及电价;QD,t是在日前市场申报电量;PD,t是日前出清电价;CR,t指市场价格与用电偏差产生的允许收益。
步骤4:在日前市场出清后进入实时市场投标阶段,构建日内-实时市场出清优化模型,采用构建的模型进行实时市场的电能交易优化,具体过程如下:
步骤4.1:构建日内-实时市场出清优化模型的目标函数,如下:
minFreal=Freal,r+Fw
其中,Freal为实时市场成本,Freal,r为基于实时市场偏差功率的系统成本,Fw为惩罚成本;
步骤4.2:设置日内-实时市场出清优化模型的的约束条件,包括功率平衡约束、报价约束、机组爬坡约束、系统备用容量约束以及新能源出力约束;
步骤4.3:使用混沌交叉型头脑风暴优化算法CCSO-BSO对建立的日内-实时市场出清优化模型进行优化运算,得到实时市场的出清结果。
进一步的,所述基于实时市场偏差功率的系统成本Freal,r的计算方法如下:
其中,pru为购电价格,Pdev,t为实时市场的偏差功率。当实时市场中偏差功率大于0时,新能源机组出力较小,系统发电功率不足,需在实时市场中购买灵活可调节资源作为额外电能来弥补新能源出力预测误差;当偏差功率小于0,新能源机组的实际出力超出预测值,此时新能源机组可在实时市场出售电能获得额外收入。
实时市场中可能购买日前市场中的差额,也可能要压低日前市场中某些机组的出力,以平衡负荷的减少,这种情况下,相当于调度部门卖出电能,由于这部分电能已按日前电价预付了购电费用,因此在实时市场中应该向减少出力的发电商按实时价格收费,且这个价格不同于实时增发电力的价格。
对于新能源发电机组而言,其出力不确定性会降低包括经济与环境效益在内的整体社会效益,在实时市场中需要设定相应的偏差考核,通过相对应的惩罚成本来激励新能源厂商提高预测精度,使得尽可能消纳新能源,提高系统整体运行的社会福利。当新能源发电机组的预测值上浮区间过大时,具有零边际成本的新能源将会进一步挤压常规电源的竞价空间,且存在弃能的风险,造成资源浪费;当预测值过低时无法满足用户需求,因此针对新能源出力的预测情况,设定相应的惩罚成本。
进一步的,所述惩罚成本Fw的计算方法如下:
其中,cup为新能源机组实际出力超过预测值的惩罚系数;cdown为新能源机组实际出力低于预测值的惩罚系数;ω为弃能惩罚系数。
进一步的,所述功率平衡约束的表达式如下:
所述报价约束的表达式如下:
发电侧与购电侧在报价时需满足上下限约束:
所述机组爬坡约束的表达式如下:
其中,Pj(t)是发电机组j在时段t的有功出力;PD(t)是时段t的负荷预测需求;PL(t)是时段t的有功网损;Dj是下爬坡速率、Rj为上爬坡速率;Pj,min为发电机组j在时段t的有功出力的下限值,Pj,max为发电机组j在时段t的有功出力的上限值;
所述系统备用容量约束的表达式如下:
新能源高比例接入是,需要预留一定的备用容量以保证电网运行的安全。由于日前市场对风电功率的预测发生在实际出力的24小时甚至更前,而日内市场的风电预测发生在交易前几小时,误差更小。因此在日前-日内联合出清优化中,系统备用约束仅在日内考虑。
所述新能源出力约束的表达式如下:
如图4所示,日前-日内市场出清优化模型与日内-实时市场出清优化模型共同构成多阶段联动的电力现货市场交易体系,其目标函数的设置均为了使社会成本最小化,使社会福利最大化。在电力现货市场中加入日内市场分别与日前和实时市场形成衔接机制后的电力现货市场的运行模式如图5所示。
本实施例中如图6、7所示,步骤3中通过使用混沌交叉型头脑风暴优化算法CCSO-BSO,实现了日前-日内市场出清优化阶段的优化曲线图,步骤4中使用混沌交叉型头脑风暴优化算法CCSO-BSO,实现了日内-实时市场出清优化阶段的优化曲线图,从图中可以得出CCSO-BSO的迭代次数和最优值均小于BSO、GA和PSO,说明CCSO-BSO算法具有更好的求解能力和适应性,能够在短时间内快速收敛以寻求全局最优价值。另外,普通BSO算法的迭代次数和最优值都高于GA和PSO。可以看出,由于BSO算法参数较多,所以普通BSO算法的收敛性能和优化能力略弱于GA和PSO。因此,算法容易陷入局部最优。因此,利用维度的垂直交叉,通过混沌交叉变异来保持种群的多样性,从而有效提高BSO算法的全局搜索能力和收敛能力。与GA和PSO算法相比,CCSO-BSO算法在两阶段调度优化模型的应用中具有更好的求解能力和使用性能。
Claims (10)
1.一种新能源参与下的日前、日内和实时市场电能交易优化方法,其特征在于,包括如下步骤:
步骤1:基于章鱼模型的自适应预测方法分别对负荷、新能源机组出力和电价进行预测,并建立对应的不确定性模型;
步骤2:在日前市场,新能源发电商及常规发电商向电力交易中心进行电量及电价的申报;
步骤3:构建日前-日内市场出清优化模型,采用构建的模型进行日前市场的出清,以减小实时市场的功率偏差;
步骤4:在日前市场出清后进入实时市场投标阶段,构建日内-实时市场出清优化模型,采用构建的模型进行实时市场的电能交易优化。
2.根据权利要求1所述的新能源参与下的日前、日内和实时市场电能交易优化方法,其特征在于,所述步骤1的具体方法如下:
步骤1.1:训练不确定性模型:采用加权平均法初始权重训练章鱼四足,根据章鱼四足的预测精度改变每一足的权重,使得预测精度高的一足权重增大,其余预测精度相对较低的章鱼足权重减小,然后通过权重调整后的章鱼四足继续训练,如此重复,直到达到指定的训练次数,最后根据权重将这些预测结果进行整合,得到最后的预测结果;
步骤1.2:采用训练好的不确定性模型对负荷、新能源机组出力和电价进行预测;
步骤1.3:新能源的实际出力采用新能源机组出力预测值与出力预测误差之和来表征:
实际电价采用电价预测值与电价预测误差来表征:
实际负荷采用负荷预测值与负荷预测误差来表征:
3.根据权利要求2所述的新能源参与下的日前、日内和实时市场电能交易优化方法,其特征在于,所述章鱼四足分别为LSTM模型、SVM模型、RBM模型和Elman模型。
4.根据权利要求1所述的新能源参与下的日前、日内和实时市场电能交易优化方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1:构建日前-日内市场出清优化模型的目标函数,如下:
minF=F1+F2+S
其中,F为日前-日内联合市场出清费用,F1为日前市场费用,F2为日内市场费用,S为机组的启停费用;
步骤3.2:设置日前-日内市场出清优化模型的的约束条件,包括功率平衡约束、报价约束、机组爬坡约束、系统备用容量约束以及新能源出力约束;
步骤3.3:使用混沌交叉型头脑风暴优化算法CCSO-BSO对建立的日前-日内市场出清优化模型进行优化运算,得到日前市场的出清结果。
7.根据权利要求1所述的新能源参与下的日前、日内和实时市场电能交易优化方法,其特征在于,所述步骤4的具体过程如下:
步骤4.1:构建日内-实时市场出清优化模型的目标函数,如下:
minFreal=Freal,r+Fw
其中,Freal为实时市场成本,Freal,r为基于实时市场偏差功率的系统成本,Fw为惩罚成本;
步骤4.2:设置日内-实时市场出清优化模型的的约束条件,包括功率平衡约束、报价约束、机组爬坡约束、系统备用容量约束以及新能源出力约束;
步骤4.3:使用混沌交叉型头脑风暴优化算法CCSO-BSO对建立的日内-实时市场出清优化模型进行优化运算,得到实时市场的出清结果。
10.根据权利要求4或7所述的新能源参与下的日前、日内和实时市场电能交易优化方法,其特征在于,所述功率平衡约束的表达式如下:
所述报价约束的表达式如下:
发电侧与购电侧在报价时需满足上下限约束:
所述机组爬坡约束的表达式如下:
其中,Pj(t)是发电机组j在时段t的有功出力;PD(t)是时段t的负荷预测需求;PL(t)是时段t的有功网损;Dj是下爬坡速率、Rj为上爬坡速率;Pj,min为发电机组j在时段t的有功出力的下限值,Pj,max为发电机组j在时段t的有功出力的上限值;
所述系统备用容量约束的表达式如下:
所述新能源出力约束的表达式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210404785.3A CN114971899A (zh) | 2022-04-18 | 2022-04-18 | 新能源参与下的日前、日内和实时市场电能交易优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210404785.3A CN114971899A (zh) | 2022-04-18 | 2022-04-18 | 新能源参与下的日前、日内和实时市场电能交易优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971899A true CN114971899A (zh) | 2022-08-30 |
Family
ID=82978206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210404785.3A Pending CN114971899A (zh) | 2022-04-18 | 2022-04-18 | 新能源参与下的日前、日内和实时市场电能交易优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971899A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101680A (zh) * | 2020-09-25 | 2020-12-18 | 东北大学 | 基于章鱼模型的自适应长短期ies负荷预测方法 |
CN115526550A (zh) * | 2022-11-28 | 2022-12-27 | 西华大学 | 适应新能源电力与常规火电同台竞争的现货市场组织方法 |
CN115659595A (zh) * | 2022-09-26 | 2023-01-31 | 中国华能集团清洁能源技术研究院有限公司 | 基于人工智能的新能源场站的储能控制方法及装置 |
CN115760197A (zh) * | 2022-12-07 | 2023-03-07 | 国家电网有限公司华东分部 | 一种跨区域电能量交易方法、系统、介质及电子设备 |
-
2022
- 2022-04-18 CN CN202210404785.3A patent/CN114971899A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101680A (zh) * | 2020-09-25 | 2020-12-18 | 东北大学 | 基于章鱼模型的自适应长短期ies负荷预测方法 |
CN112101680B (zh) * | 2020-09-25 | 2024-02-09 | 东北大学 | 基于章鱼模型的自适应长短期ies负荷预测方法 |
CN115659595A (zh) * | 2022-09-26 | 2023-01-31 | 中国华能集团清洁能源技术研究院有限公司 | 基于人工智能的新能源场站的储能控制方法及装置 |
CN115659595B (zh) * | 2022-09-26 | 2024-02-06 | 中国华能集团清洁能源技术研究院有限公司 | 基于人工智能的新能源场站的储能控制方法及装置 |
CN115526550A (zh) * | 2022-11-28 | 2022-12-27 | 西华大学 | 适应新能源电力与常规火电同台竞争的现货市场组织方法 |
CN115526550B (zh) * | 2022-11-28 | 2023-07-04 | 西华大学 | 适应新能源电力与常规火电同台竞争的现货市场组织方法 |
CN115760197A (zh) * | 2022-12-07 | 2023-03-07 | 国家电网有限公司华东分部 | 一种跨区域电能量交易方法、系统、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465323B (zh) | 一种耦合日电量分解及日前市场竞价的梯级水电站短期鲁棒调度方法 | |
CN114971899A (zh) | 新能源参与下的日前、日内和实时市场电能交易优化方法 | |
CN112381263A (zh) | 基于区块链分布式数据存储多微网日前鲁棒电能交易方法 | |
CN112488744A (zh) | 一种交易驱动的虚拟电厂定制化构建方法 | |
CN111832824A (zh) | 电力调频市场交易出清及结算方法、装置及系统 | |
He et al. | Competitive model of pumped storage power plants participating in electricity spot Market——in case of China | |
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 | |
WO2024092954A1 (zh) | 基于深度强化学习的电力系统调控方法 | |
CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
CN111311012A (zh) | 基于多智能体的微电网电力市场双层竞价优化方法 | |
CN107887932A (zh) | 虚拟发电厂在日前市场的生产竞价组织方法 | |
CN111860994A (zh) | 一种考虑发用两侧参与调峰的现货市场交易方法及装置 | |
CN114926254A (zh) | 储能电站参与调频辅助服务市场的竞价方法 | |
Liu et al. | Optimal dispatch strategy of virtual power plants using potential game theory | |
Ali | Development and Improvement of Renewable Energy Integrated with Energy Trading Schemes based on Advanced Optimization Approaches | |
CN117254501A (zh) | 一种新能源侧集中式共享储能容量规划方法及系统 | |
CN117578409A (zh) | 一种电力市场环境下的多能互补优化调度方法及系统 | |
CN111008463A (zh) | 一种考虑发电侧储能的容量配置优化方法、装置及设备 | |
Zhang et al. | Shared energy storage-assisted and tolerance-based alliance strategy for wind power generators based on cooperative game and resource dependence theories | |
CN110601233B (zh) | 一种电力系统中储能电站的调峰调度方法 | |
CN112232716A (zh) | 一种考虑调峰辅助服务的智慧园区优化决策方法 | |
CN117394404A (zh) | 考虑碳效益和辅助调频的风电场储能容量配置方法 | |
CN115600757A (zh) | 海上风电共享储能参与现货市场交易协调优化方法及系统 | |
CN116307029A (zh) | 促进多虚拟网格间源储荷协调的双层优化调度方法及系统 | |
CN111783303B (zh) | 抽水蓄能电站报价报量确定方法、系统及装置 |
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 |