CN115587890A - 基于细则考核损失的电力市场新能源日前交易决策方法 - Google Patents
基于细则考核损失的电力市场新能源日前交易决策方法 Download PDFInfo
- Publication number
- CN115587890A CN115587890A CN202211289417.5A CN202211289417A CN115587890A CN 115587890 A CN115587890 A CN 115587890A CN 202211289417 A CN202211289417 A CN 202211289417A CN 115587890 A CN115587890 A CN 115587890A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- new energy
- day
- prediction
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005611 electricity Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims 6
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000005684 electric field Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method 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
- 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
- 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
- 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
- G06Q30/0203—Market surveys; Market polls
-
- 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)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Public Health (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
本申请提出了一种基于细则考核损失的电力市场新能源日前交易决策方法,涉及电场电力交易辅助决策技术领域,其中,该方法包括:获取待处理数据,其中,待处理数据包括历史数据、合约数据和市场环境信息,历史数据包括综合历史交易价格数据;基于历史数据对电力市场新能源交易价格进行预测,得到预测数据;构造细则考核损失目标函数及约束条件,并根据预测数据、合约数据和市场环境信息,以细则考核损失目标函数为求解目标,基于约束条件进行求解,得到最优日前申报方案。采用上述方案的本发明综合考虑市场规则信息、中长期交易信息、电价预测信息、功率预测信息等因素,以降低细则考核损失为目标,将日前申报问题进行量化处理,客观性更强。
Description
技术领域
本申请涉及电场电力交易辅助决策技术领域,尤其涉及基于细则考核损失的电力市场新能源日前交易决策方法和装置。
背景技术
在电力现货市场场景下,新能源发电企业参与电力现货交易,按照目前市场规则要求,需要进行日前申报。日前申报方案为96点的功率曲线。所以,如何制定合理有效的日前申报方案,实现收益最大化,是一个急需解决的核心问题。
目前,多数新能源发电企业的日前申报方式主要有三种:第一种是直接使用风功率预测系统的原始功率预测数据作为市场申报方案;第二种是使用人工方式对原始功率预测数据进行调整,形成市场申报方案;第三种是借助软件系统,生成市场申报方案。但是,第一种方式完全依赖原始功率预测数据,未综合考虑中长期合约情况、市场供需情况、市场考核规则等各种因素,再加上功率预测结果普遍偏差较大,结算中大概率产生考核费用。第二种方式,虽然对原始功率预测数据进行了一定调整,但调整操作过度依赖个人的能力和经验,没有明确的量化处理中间过程,实际产生的市场申报方案中部分因素带有人为随机性,并且工作效率低下。第三种方式,虽然借助了信息化手段,但通常基于历史交易数据,采用统计分析方法进行价格趋势分析,并对短期功率预测数据与实发功率数据进行误差分析,将误差结果作为短期功率调整的依据,来生成市场申报方案,此种方式采用常规的数理统计方法,逻辑简单,考虑因素不全面,缺乏对全量数据的深度分析与挖掘,导致生成的市场申报方案全面性不足,难以最大化地降低损失、增加收益。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种基于细则考核损失的电力市场新能源日前交易决策方法,解决了现有方法的考虑因素不全面,缺乏对全量数据的深度分析与挖掘,导致生成的市场申报方案难以最大化地减少细则考核损失的技术问题,实现了综合考虑市场规则信息、中长期交易信息、电价预测信息、功率预测信息等因素,将降低细则考核损失作为申报目标进行量化处理,客观性更强。
本申请的第二个目的在于提出一种基于细则考核损失的电力市场新能源日前交易决策装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
为达上述目的,本申请第一方面实施例提出了一种基于细则考核损失的电力市场新能源日前交易决策方法,包括:获取待处理数据,其中,待处理数据包括历史数据、合约数据和市场环境信息,历史数据包括综合历史交易价格数据;基于历史数据对电力市场新能源交易价格进行预测,得到预测数据;构造细则考核损失目标函数及约束条件,并根据预测数据、合约数据和市场环境信息,以细则考核损失目标函数为求解目标,基于约束条件进行求解,得到最优日前申报方案,其中,细则考核损失目标函数包括结算收入表示为:
Jxize=Jae+Jduanqi
其中,Jae表示风场最大绝对误差考核,Jduanqi表示次日中短期考核费用。
本申请实施例的基于结算收入的电力市场新能源日前交易决策方法,通过将中长期交易与日前交易有机结合,并综合考虑了市场规则信息、中长期交易信息、电价预测信息、功率预测信息等因素,以降低细则考核损失为目标,将日前申报问题进行量化处理,构建日前申报辅助决策模型,形成日前申报方案,本申请通过将日前申报问题进行量化处理,使得生成的申报方案客观性更强,考虑因素更全面。
可选地,在本申请的一个实施例中,历史数据还包括系统负载率曲线,基于历史数据对电力市场新能源交易价格进行预测,得到预测数据,包括:
基于综合历史交易价格数据和系统负载率曲线构建特征工程,提取关键特征;
基于关键特征对预设时间段内的日前价格和实时价格进行预测,以获取预测数据,
获取待处理数据之后,还包括:
对合约数据进行分类、聚合处理,得到处理后的合约数据。
可选地,在本申请的一个实施例中,约束条件包括细则考核损失约束,细则考核损失约束包括中短期风电功率预测考核、晚高峰和低谷时段风电最大绝对值误差率考核,其中,
当新能源中短期功率预测准确率低于阈值时,产生中短期功率预测偏差考核,中短期功率预测准确率、次日中短期考核费用分别表示为:
Jduanqi=(85%-Accday-ahead)×Pw×0.4×P_biaogan
其中,Accday-ahead表示新能源中短期功率预测准确率,T为该日考核的预测点数,Pi表示i时刻新能源电站实际功率,Pi'表示i时刻新能源电站预测功率,Cap为新能源电站考核日的最大开机容量,Jduanqi表示次日中短期考核费用,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价,
当风电在晚高峰和低谷时段的最大绝对值误差率大于预设阈值时,产生风场最大绝对误差考核,最大绝对值误差率表示为:
Jae=(AE-15%)×Pw×P_biaogan
其中,AE表示最大绝对值误差率,Ppi表示i时刻新能源电站预测功率,Pi表示i时刻新能源电站的可用功率,PMi表示受限时段i时刻的可用发电功率,i表示时刻,m表示晚高峰和低谷时段的段数,Jae表示风场最大绝对误差考核,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价。
可选地,在本申请的一个实施例中,根据预测数据、合约数据和市场环境信息,以细则考核损失目标函数为求解目标,基于约束条件进行求解,得到最优日前申报方案,包括:
根据合约数据中包含的中长期合约历史数据、市场披露数据、功率预测数据以及预测数据,以细则考核损失目标函数为求解目标,以构建的约束条件作为限制,采用蚁群算法进行求解,得到最优日前申报方案。
为达上述目的,本发明第二方面实施例提出了一种基于细则考核损失的电力市场新能源日前交易决策装置,包括获取模块、预测模块、方案生成模块,其中,
获取模块,用于获取待处理数据,其中,待处理数据包括历史数据、合约数据和市场环境信息,历史数据包括综合历史交易价格数据;
预测模块,用于基于历史数据对电力市场新能源交易价格进行预测,得到预测数据;
方案生成模块,用于构造细则考核损失目标函数及约束条件,并根据预测数据、合约数据和市场环境信息,以细则考核损失目标函数为求解目标,基于约束条件进行求解,得到最优日前申报方案,
其中,细则考核损失目标函数包括结算收入表示为:
Jxize=Jae+Jduanqi
其中,Jae表示风场最大绝对误差考核,Jduanqi表示次日中短期考核费用。
可选地,在本申请的一个实施例中,历史数据还包括系统负载率曲线,预测模块,具体用于:
基于综合历史交易价格数据和系统负载率曲线构建特征工程,提取关键特征;
基于关键特征对预设时间段内的日前价格和实时价格进行预测,以获取预测数据,
获取待处理数据之后,还包括:
对合约数据进行分类、聚合处理,得到处理后的合约数据。
可选地,在本申请的一个实施例中,约束条件包括细则考核损失约束,细则考核损失约束包括中短期风电功率预测考核、晚高峰和低谷时段风电最大绝对值误差率考核,其中,
当新能源中短期功率预测准确率低于阈值时,产生中短期功率预测偏差考核,中短期功率预测准确率、次日中短期考核费用分别表示为:
Jduanqi=(85%-Accday-ahead)×Pw×0.4×P_biaogan
其中,Accday-ahead表示新能源中短期功率预测准确率,T为该日考核的预测点数,Pi表示i时刻新能源电站实际功率,Pi'表示i时刻新能源电站预测功率,Cap为新能源电站考核日的最大开机容量,Jduanqi表示次日中短期考核费用,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价,
当风电在晚高峰和低谷时段的最大绝对值误差率大于预设阈值时,产生风场最大绝对误差考核,最大绝对值误差率表示为:
Jae=(AE-15%)×Pw×P_biaogan
其中,AE表示最大绝对值误差率,Ppi表示i时刻新能源电站预测功率,Pi表示i时刻新能源电站的可用功率,PMi表示受限时段i时刻的可用发电功率,i表示时刻,m表示晚高峰和低谷时段的段数,Jae表示风场最大绝对误差考核,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价。
可选地,在本申请的一个实施例中,根据预测数据、合约数据和市场环境信息,以细则考核损失目标函数为求解目标,基于约束条件进行求解,得到最优日前申报方案,包括:
根据合约数据中包含的中长期合约历史数据、市场披露数据、功率预测数据以及预测数据,以细则考核损失目标函数为求解目标,以构建的约束条件作为限制,采用蚁群算法进行求解,得到最优日前申报方案。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,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,处理器执行计算机程序时,实现上述基于细则考核损失的电力市场新能源日前交易决策方法。
为了实现上述目的,本发明第四方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器被执行时,能够执行上述基于细则考核损失的电力市场新能源日前交易决策方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种基于细则考核损失的电力市场新能源日前交易决策方法的流程示意图;
图2为本申请实施例提供的一种基于细则考核损失的电力市场新能源日前交易决策装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于细则考核损失的电力市场新能源日前交易决策方法和装置。
图1为本申请实施例一所提供的一种基于细则考核损失的电力市场新能源日前交易决策方法的流程示意图。
如图1所示,该基于细则考核损失的电力市场新能源日前交易决策方法包括以下步骤:
步骤101,获取待处理数据,其中,所述待处理数据包括历史数据、合约数据和市场环境信息,所述历史数据包括综合历史交易价格数据;
步骤102,基于所述历史数据对电力市场新能源交易价格进行预测,得到预测数据;
步骤103,构造细则考核损失目标函数及约束条件,并根据所述预测数据、所述合约数据和所述市场环境信息,以所述细则考核损失目标函数为求解目标,基于所述约束条件进行求解,得到最优日前申报方案。
其中,两个细则考核损失目标函数,表示为:
Jxize=Jae+Jduanqi
其中,Jae表示风场最大绝对误差考核,Jduanqi表示次日中短期考核费用。
本申请实施例的基于细则考核损失的电力市场新能源日前交易决策方法,通过将中长期交易与日前交易有机结合,并综合考虑了市场规则信息、中长期交易信息、电价预测信息、功率预测信息等因素,以降低细则考核损失为目标,将日前申报问题进行量化处理,构建日前申报辅助决策模型,形成日前申报方案,本申请通过将日前申报问题进行量化处理,使得生成的申报方案客观性更强,考虑因素更全面。
可选地,在本申请的一个实施例中,历史数据还包括系统负载率曲线,基于历史数据对电力市场新能源交易价格进行预测,得到预测数据,包括:
基于综合历史交易价格数据和系统负载率曲线构建特征工程,提取关键特征;
基于关键特征对预设时间段内的日前价格和实时价格进行预测,以获取预测数据,
获取待处理数据之后,还包括:
对合约数据进行分类、聚合处理,得到处理后的合约数据。
可选地,在本申请的一个实施例中,约束条件包括两个细则考核损失约束、电量比例约束、超额获利回收损失约束、结算收入约束、申报电量约束。
可选地,在本申请的一个实施例中,两个细则考核损失约束主要针对风功率预测混却,主要是一整天的偏差(或准确率Accuracy,ACC)考核和一天中高峰低谷时段的绝对误差考核,具体如下:
(1)中短期风电功率预测考核
当新能源(风场)中短期功率预测准确率Accday-ahead<85%时,产生中短期功率预测偏差考核(短期风功率预测偏差损失)Jduanqi,其中,中短期功率预测准确率按以下公式计算:
次日中短期考核费用Jduanqi=(85%-Accday-ahead)×Pw×0.4×P_biaogan
其中,Accday-ahead表示新能源中短期功率预测准确率,T为该日考核的预测点数,Pi表示i时刻新能源电站实际功率(单位:MW),Pi'表示i时刻新能源电站预测功率(单位:MW),Cap为新能源电站考核日的最大开机容量(单位:MW),Jduanqi表示次日中短期考核费用,Pw表示新能源电站装机容量(单位:MW),Pbiaogan表示标杆电价,
(2)晚高峰和低谷时段风电最大绝对值误差率考核
当风电在晚高峰和低谷时段的最大绝对值误差率AE>15%时,产生风场最大绝对误差考核(AE绝对误差考核损失)Jae,定义为其中一个优化目标。低谷时段为22:00-6:00;11:00-15:00;高峰时段为17:00-21:00。
最大绝对值误差率按以下公式计算:
Jae=(AE-15%)×Pw×P_biaogan
其中,AE表示最大绝对值误差率,Ppi表示i时刻新能源电站预测功率,Pi表示i时刻新能源电站的可用功率,PMi表示受限时段i时刻的可用发电功率,i表示时刻,m表示晚高峰和低谷时段的段数,Jae表示风场最大绝对误差考核,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价。
可选地,在本申请的一个实施例中,确定细则考核损失目标函数和约束方程后,根据风电场的已有的中长期合约历史数据、市场披露数据、功率预测数据以及通过价格预测模型所得到的日前价格、实时价格预测数据等数据,采用一种先进的仿生智能优化算法---蚁群优化算法,在电力市场日前交易申报过程中,以降低细则考核损失为目标,以日前申报中应考虑的因素为约束条件,最终采用蚁群算法得到最优日前申报方案。
为了实现上述实施例,本申请还提出一种基于细则考核损失的电力市场新能源日前交易决策装置。
图2为本申请实施例提供的一种基于细则考核损失的电力市场新能源日前交易决策装置的结构示意图。
如图2所示,该基于细则考核损失的电力市场新能源日前交易决策装置包括获取模块、预测模块、方案生成模块,其中,
获取模块,用于获取待处理数据,其中,待处理数据包括历史数据、合约数据和市场环境信息,历史数据包括综合历史交易价格数据;
预测模块,用于基于历史数据对电力市场新能源交易价格进行预测,得到预测数据;
方案生成模块,用于构造细则考核损失目标函数及约束条件,并根据预测数据、合约数据和市场环境信息,以细则考核损失目标函数为求解目标,基于约束条件进行求解,得到最优日前申报方案,
其中,细则考核损失目标函数包括结算收入表示为:
Jxize=Jae+Jduanqi
其中,Jae表示风场最大绝对误差考核,Jduanqi表示次日中短期考核费用。
可选地,在本申请的一个实施例中,历史数据还包括系统负载率曲线,预测模块,具体用于:
基于综合历史交易价格数据和系统负载率曲线构建特征工程,提取关键特征;
基于关键特征对预设时间段内的日前价格和实时价格进行预测,以获取预测数据,
获取待处理数据之后,还包括:
对合约数据进行分类、聚合处理,得到处理后的合约数据。
可选地,在本申请的一个实施例中,约束条件包括细则考核损失约束,细则考核损失约束包括中短期风电功率预测考核、晚高峰和低谷时段风电最大绝对值误差率考核,其中,
当新能源中短期功率预测准确率低于阈值时,产生中短期功率预测偏差考核,中短期功率预测准确率、次日中短期考核费用分别表示为:
Jduanqi=(85%-Accday-ahead)×Pw×0.4×P_biaogan
其中,Accday-ahead表示新能源中短期功率预测准确率,T为该日考核的预测点数,Pi表示i时刻新能源电站实际功率,Pi'表示i时刻新能源电站预测功率,Cap为新能源电站考核日的最大开机容量,Jduanqi表示次日中短期考核费用,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价,
当风电在晚高峰和低谷时段的最大绝对值误差率大于预设阈值时,产生风场最大绝对误差考核,最大绝对值误差率表示为:
Jae=(AE-15%)×Pw×P_biaogan
其中,AE表示最大绝对值误差率,Ppi表示i时刻新能源电站预测功率,Pi表示i时刻新能源电站的可用功率,PMi表示受限时段i时刻的可用发电功率,i表示时刻,m表示晚高峰和低谷时段的段数,Jae表示风场最大绝对误差考核,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价。
可选地,在本申请的一个实施例中,根据预测数据、合约数据和市场环境信息,以细则考核损失目标函数为求解目标,基于约束条件进行求解,得到最优日前申报方案,包括:
根据合约数据中包含的中长期合约历史数据、市场披露数据、功率预测数据以及预测数据,以细则考核损失目标函数为求解目标,以构建的约束条件作为限制,采用蚁群算法进行求解,得到最优日前申报方案。
需要说明的是,前述对基于细则考核损失的电力市场新能源日前交易决策方法实施例的解释说明也适用于该实施例的基于细则考核损失的电力市场新能源日前交易决策装置,此处不再赘述。
为了实现上述实施例,本发明还提出了一种计算机设备,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,处理器执行计算机程序时,实现上述施例所述的方法。
为了实现上述实施例,本发明还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。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模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于细则考核损失的电力市场新能源日前交易决策方法,其特征在于,包括以下步骤:
获取待处理数据,其中,所述待处理数据包括历史数据、合约数据和市场环境信息,所述历史数据包括综合历史交易价格数据;
基于所述历史数据对电力市场新能源交易价格进行预测,得到预测数据;
构造细则考核损失目标函数及约束条件,并根据所述预测数据、所述合约数据和所述市场环境信息,以所述细则考核损失目标函数为求解目标,基于所述约束条件进行求解,得到最优日前申报方案,
其中,所述细则考核损失目标函数包括结算收入表示为:
Jxize=Jae+Jduanqi
其中,Jae表示风场最大绝对误差考核,Jduanqi表示次日中短期考核费用。
2.如权利要求1所述的方法,其特征在于,所述历史数据还包括系统负载率曲线,所述基于所述历史数据对电力市场新能源交易价格进行预测,得到预测数据,包括:
基于所述综合历史交易价格数据和系统负载率曲线构建特征工程,提取关键特征;
基于所述关键特征对预设时间段内的日前价格和实时价格进行预测,以获取所述预测数据,
所述获取待处理数据之后,还包括:
对所述合约数据进行分类、聚合处理,得到处理后的合约数据。
3.如权利要求1所述的方法,其特征在于,所述约束条件包括细则考核损失约束,所述细则考核损失约束包括中短期风电功率预测考核、晚高峰和低谷时段风电最大绝对值误差率考核,其中,
当新能源中短期功率预测准确率低于阈值时,产生中短期功率预测偏差考核,所述中短期功率预测准确率、次日中短期考核费用分别表示为:
Jduanqi=(85%-Accday-ahead)×Pw×0.4×P_biaogan
其中,Accday-ahead表示新能源中短期功率预测准确率,T为该日考核的预测点数,Pi表示i时刻新能源电站实际功率,Pi'表示i时刻新能源电站预测功率,Cap为新能源电站考核日的最大开机容量,Jduanqi表示次日中短期考核费用,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价,
当风电在晚高峰和低谷时段的最大绝对值误差率大于预设阈值时,产生风场最大绝对误差考核,最大绝对值误差率表示为:
Jae=(AE-15%)×Pw×P_biaogan
其中,AE表示最大绝对值误差率,Ppi表示i时刻新能源电站预测功率,Pi表示i时刻新能源电站的可用功率,PMi表示受限时段i时刻的可用发电功率,i表示时刻,m表示晚高峰和低谷时段的段数,Jae表示风场最大绝对误差考核,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价。
4.如权利要求1所述的方法,其特征在于,所述根据所述预测数据、所述合约数据和所述市场环境信息,以所述细则考核损失目标函数为求解目标,基于所述约束条件进行求解,得到最优日前申报方案,包括:
根据所述合约数据中包含的中长期合约历史数据、市场披露数据、功率预测数据以及所述预测数据,以所述细则考核损失目标函数为求解目标,以构建的约束条件作为限制,采用蚁群算法进行求解,得到最优日前申报方案。
5.一种基于细则考核损失的电力市场新能源日前交易决策装置,其特征在于,包括获取模块、预测模块、方案生成模块,其中,
所述获取模块,用于获取待处理数据,其中,所述待处理数据包括历史数据、合约数据和市场环境信息,所述历史数据包括综合历史交易价格数据;
所述预测模块,用于基于所述历史数据对电力市场新能源交易价格进行预测,得到预测数据;
所述方案生成模块,用于构造细则考核损失目标函数及约束条件,并根据所述预测数据、所述合约数据和所述市场环境信息,以所述细则考核损失目标函数为求解目标,基于所述约束条件进行求解,得到最优日前申报方案,
其中,所述细则考核损失目标函数包括结算收入表示为:
Jxize=Jae+Jduanqi
其中,Jae表示风场最大绝对误差考核,Jduanqi表示次日中短期考核费用。
6.如权利要求5所述的装置,其特征在于,所述历史数据还包括系统负载率曲线,所述预测模块,具体用于:
基于所述综合历史交易价格数据和系统负载率曲线构建特征工程,提取关键特征;
基于所述关键特征对预设时间段内的日前价格和实时价格进行预测,以获取所述预测数据,
所述获取待处理数据之后,还包括:
对所述合约数据进行分类、聚合处理,得到处理后的合约数据。
7.如权利要求5所述的装置,其特征在于,所述约束条件包括细则考核损失约束,所述细则考核损失约束包括中短期风电功率预测考核、晚高峰和低谷时段风电最大绝对值误差率考核,其中,
当新能源中短期功率预测准确率低于阈值时,产生中短期功率预测偏差考核,所述中短期功率预测准确率、次日中短期考核费用分别表示为:
Jduanqi=(85%-Accday-ahead)×Pw×0.4×P_biaogan
其中,Accday-ahead表示新能源中短期功率预测准确率,T为该日考核的预测点数,Pi表示i时刻新能源电站实际功率,Pi'表示i时刻新能源电站预测功率,Cap为新能源电站考核日的最大开机容量,Jduanqi表示次日中短期考核费用,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价,
当风电在晚高峰和低谷时段的最大绝对值误差率大于预设阈值时,产生风场最大绝对误差考核,最大绝对值误差率表示为:
Jae=(AE-15%)×Pw×P_biaogan
其中,AE表示最大绝对值误差率,Ppi表示i时刻新能源电站预测功率,Pi表示i时刻新能源电站的可用功率,PMi表示受限时段i时刻的可用发电功率,i表示时刻,m表示晚高峰和低谷时段的段数,Jae表示风场最大绝对误差考核,Pw表示新能源电站装机容量,Pbiaogan表示标杆电价。
8.如权利要求5所述的装置,其特征在于,所述根据所述预测数据、所述合约数据和所述市场环境信息,以所述细则考核损失目标函数为求解目标,基于所述约束条件进行求解,得到最优日前申报方案,包括:
根据所述合约数据中包含的中长期合约历史数据、市场披露数据、功率预测数据以及所述预测数据,以所述细则考核损失目标函数为求解目标,以构建的约束条件作为限制,采用蚁群算法进行求解,得到最优日前申报方案。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上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1-4中任一所述的方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211289417.5A CN115587890A (zh) | 2022-10-20 | 2022-10-20 | 基于细则考核损失的电力市场新能源日前交易决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211289417.5A CN115587890A (zh) | 2022-10-20 | 2022-10-20 | 基于细则考核损失的电力市场新能源日前交易决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587890A true CN115587890A (zh) | 2023-01-10 |
Family
ID=84780499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211289417.5A Withdrawn CN115587890A (zh) | 2022-10-20 | 2022-10-20 | 基于细则考核损失的电力市场新能源日前交易决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587890A (zh) |
-
2022
- 2022-10-20 CN CN202211289417.5A patent/CN115587890A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11398000B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
Chen et al. | Local energy trading behavior modeling with deep reinforcement learning | |
Catalão et al. | Optimal hydro scheduling and offering strategies considering price uncertainty and risk management | |
CN115511634A (zh) | 基于结算收入的电力市场新能源日前交易决策方法和装置 | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
CN110443645B (zh) | 基于电力现货市场的抽水蓄能机组运行策略模型建立方法 | |
CN115496603A (zh) | 基于人工智能技术的电力市场新能源日前交易决策方法 | |
Qi et al. | Energyboost: Learning-based control of home batteries | |
CN115102202B (zh) | 基于滚动式实时电价预测的储能控制方法 | |
Raouf Mohamed et al. | Distributed battery energy storage systems operation framework for grid power levelling in the distribution networks | |
Sai et al. | Event-driven forecasting of wholesale electricity price and frequency regulation price using machine learning algorithms | |
CN115907927A (zh) | 一种虚拟电厂报价辅助方法、系统、装置及存储介质 | |
Keles et al. | Evaluation of photovoltaic storage systems on energy markets under uncertainty using stochastic dynamic programming | |
Shrestha et al. | Day-ahead energy-mix proportion for the secure operation of renewable energy-dominated power system | |
Wang et al. | Distributionally robust transmission expansion planning considering uncertainty of contingency probability | |
Pourmoosavi et al. | Low‐carbon generation expansion planning considering flexibility requirements for hosting wind energy | |
CN112633655A (zh) | 一种省间现货市场风险预警方法及系统 | |
CN115587890A (zh) | 基于细则考核损失的电力市场新能源日前交易决策方法 | |
CN115293802A (zh) | 现货市场的电力交易辅助决策方法和装置 | |
CN112865235B (zh) | 电池控制方法、电子设备及存储介质 | |
CN115601067A (zh) | 电力市场新能源日前交易决策方法和装置 | |
Karimi et al. | Merchant transmission investment by generation companies | |
Dokuchaev et al. | Optimal energy storing and selling in continuous time stochastic multi-battery setting | |
Watanabe et al. | Agent-based simulation model of electricity market with stochastic unit commitment | |
CN115587531B (zh) | 基于全网负荷率的分段式日前电力额度预测方法及设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230110 |
|
WW01 | Invention patent application withdrawn after publication |