CN115776110B - 发电量预测模型、购电优化模型、购电优化模型系统 - Google Patents
发电量预测模型、购电优化模型、购电优化模型系统 Download PDFInfo
- Publication number
- CN115776110B CN115776110B CN202211335125.0A CN202211335125A CN115776110B CN 115776110 B CN115776110 B CN 115776110B CN 202211335125 A CN202211335125 A CN 202211335125A CN 115776110 B CN115776110 B CN 115776110B
- Authority
- CN
- China
- Prior art keywords
- electricity
- prediction model
- cost
- model
- power generation
- 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
Classifications
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
发电量预测模型、购电优化模型、购电优化模型系统,涉及购电预测技术领域。本发明提供一种发电量预测模型,根据所述发电量预测模型,得到购电优化模型,根据所述购电优化模型,解决计划购电量与实际需求电量之间的不平衡,而导致的成本增加问题。本发明提供一种发电量预测模型的构建方法,所述构建方法为:根据当期实际发电量和滞后12期的实际发电量,得到当期发电量的回归模型;根据所述当期发电量的回归模型,得到发电量预测模型。同时,本发明根据所述发电量预测模型,得到可购电量,所述可购电量根据购电成本预测模型,得到购电优化模型。本发明适用于购电规划技术领域。
Description
技术领域
本发明涉及购电预测技术领域。
背景技术
随着各发电公司独立竞争格局的形成,发电企业和电网公司共同成为市场中的成员,两者间以电价为纽带,形成了具有明显市场特征的买方和卖方关系。电网需要尽可能低的上网电价,这是市场经济的客观要求。电厂要求降低发送电成本,以优质、低价的电能参与市场竞争。因此电网公司应该努力追求电网企业自身发展和实现利益最大化,从而实现自身经营模式的逐步转变。
电力市场中存在很多不确定性因素,比较典型的是清洁能源出力的不确定性和市场用电需求的不确定性。关于电力价格的不确定性,价格由市场调节竞争形成。因此国外的市场价格风险较大,研究较多,典型的有运用金融工具规避风险。而国内由于市场价格基本由政府调控,电价受到多重政策的约束,较为稳定。
关于购电成本控制,2020年公开的文献:新电改背景下大用户直购双边博弈模型[J].电力系统保护与控制,2020,48(06):77-84.闵子慧,陈红坤,林洋佳,徐冰涵。从新电改背景下,通过双边博弈模型研究大用户直购双方的成本决策优化问题。
2020年公开的文献:基于系统工程方法论的分布式发电系统动态定价决策[J].管理评论,2020,32(07):205-216.代业明,高红伟,王宝慧,李陆。从动态定价的角度,研究了光伏用户群多用户多售电情境下的影响内部定价因素。
2020年公开的文献:不同资质的售电公司购售电策略分析[J].中国电机工程学报,2020,40(S1):181-187.窦迅,张盼,李建安,王俊。以发电资质作为切入点,研究了售电公司在博弈中的购售电策略。
虽然以往学者从理论模型上对购电成本优化进行了研究,但是只是理论分析,没有结合现实的数据进行分析,得到的购电成本模型不具备真实性,缺乏指导意义,同时仅考虑动态定价、不同售电公司的购售电策略、发电商和大用户的双边交易,没有从电网角度出发分析,也未能考虑到不同传统能源在不同情境中的购电成本优化问题。
发明内容
本发明提供一种发电量预测模型,根据所述发电量预测模型,得到购电优化模型,根据所述购电优化模型,解决计划购电量与实际需求电量之间的不平衡,而导致的成本增加问题。
为实现上述目的,本发明提供了如下方案:
本发明提供一种发电量预测模型的构建方法,所述构建方法为:
S1、根据当期实际发电量和滞后12期的实际发电量,得到当期发电量的回归模型;
S2、根据所述当期发电量的回归模型,得到发电量预测模型。
进一步,还有一种优选实施例,上述步骤S1中的当期发电量的回归模型表示为:
其中,yi,t为第i种发电类型的第t期发电量,t表示发电期的序号,为正整数,1≤t≥12,i为发电类型的标记,取值为1表示火力发电,取值为2表示水力发电,yi,t-m为第i种发电类型的第t-m期发电量,m为变量。
进一步,还有一种优选实施例,上述步骤S2中的发电量预测模型包括总体发电量预测模型、传统能源发电量预测模型和清洁能源发电量预测模型。
进一步,还有一种优选实施例,上述总体发电量预测模型表示为:
yt=β0+β1,t-12yt-12;
所述传统能源发电量预测模型表示为:
y1,t=β0+β1,1,t-12y1,t-12;
所述清洁能源发电量预测模型表示为:
本发明还提供一种购电优化模型的构建方法,所述构建方法采用发电量预测模型实现的,所述发电量预测模型采用上述任意一项所述的一种发电量预测模型的构建方法得到的,所述构建方法为:
A1、根据保障性电量实际需求量和保障性电量计划生产量,得到保障性电量的成本预测模型;
A2、根据火电收购成本模型、未过剩清洁能源收购成本模型和过剩清洁能源收购成本模型,得到市场交易电量的成本预测模型;
A3、根据所述保障性电量的成本模型和所述市场交易电量的成本预测模型,得到购电成本预测模型;
A4、根据所述发电量预测模型,得到可购电量;
A5、根据所述购电成本预测模型和所述可购电量,得到购电优化模型。
进一步,还有一种优选实施例,上述步骤A1中的保障性电量的成本预测模型表示为:
当保障性电量实际需求量等于保障性电量计划生产量,则所述保障性电量的成本预测模型表示为:
Cprotection=∑(Pi×qi);
当保障性电量实际需求量大于保障性电量计划生产量,则所述保障性电量的成本预测模型表示为:
Cprotection=∑(Pi×qi)+Pthermal×(Qprotection-qprotection);
Cshortage=∑(Pthermal-Pi)×(Qprotection-qprotection);
其中,Pi为第i种发电类型的电价,Qprotection为保障性电量的实际需求量,qprotection为保障性电量的计划生产量,qi为第i种发电类型的计划购电量,Pthermal为火力发电的电价,Cshortage为缺电量成本。
进一步,还有一种优选实施例,上述步骤A2中的火电收购成本模型表示为:
Cthermal=∑(Pthermal×qthermal);
所述未过剩清洁能源收购成本模型表示为:
Cclean=∑(Pi×Qi);
所述过剩清洁能源收购成本模型表示为:
Csurplus=P′cleanwarm×(qcleanwarm-Qcleanwarm)+P′cleanmin×(qcleanother-Qcleanother);
其中,qthermal为火电计划生产量,Qi为第i种发电类型的实际需求量,P′cleanwarm为清洁能源供暖的超发电量的收购价,qcleanwarm为清洁能源供暖的实际需求量,Qcleanwarm为清洁能源的计划购买电量,P′cleanmin为其他清洁能源超发电量的收购价,qcleanother为其他清洁能源的实际需求电量,Qcleanother为其他清洁能源的计划购买电量。
进一步,还有一种优选实施例,上述步骤A2中的市场交易电量的成本预测模型表示为:
C=Cthermal+Cclean+Csurplus;
其中,Cthermal为火电收购成本,Cclean为未过剩清洁能源收购成本,Csurplus为过剩清洁能源收购成本。
进一步,还有一种优选实施例,上述步骤A2中的购电成本预测模型表示为:
C=Cthermal+Cclean+Csurplus;
其中,Cthermal为火电收购成本,Cclean为未过剩清洁能源收购成本,Csurplus为过剩清洁能源收购成本。
本发明还提供一种购电优化模型系统,所述系统包括:
获得保障性电量的成本预测模型的装置:用于根据保障性电量实际需求量和保障性电量计划生产量,得到保障性电量的成本预测模型的存储装置;
获得市场交易电量的成本预测模型的装置:用于根据火电收购成本模型、未过剩清洁能源收购成本模型和过剩清洁能源收购成本模型,得到市场交易电量的成本预测模型的存储装置;
获得购电成本预测模型的装置:用于根据所述保障性电量的成本模型和所述市场交易电量的成本预测模型,得到购电成本预测模型的存储装置;
获得可购电量的装置:用于根据所述发电量预测模型,得到可购电量的存储装置;
获得购电优化模型的装置:用于根据所述购电成本预测模型和所述可购电量,得到购电优化模型的存储装置。
本发明的有益效果为:
本发明提供一种发电量预测模型,根据所述发电量预测模型,得到可购电量,同时结合购电成本预测模型,得到购电优化模型,根据所述购电优化模型,解决计划购电量与实际需求电量之间的不平衡,而导致的成本增加问题。
同时,产生了如下几个优点:
1、本发明利用发电预测模型,得到各个类型的可购电量,结合购电成本预测模型,得到购电优化模型,所述购电优化模型包括可购电量满足实际需求,可购电量大于实际需求时,可购电量小于实际需求时三种情况。当可购电量满足实际需求时,则不需要购电,成本最低,当可购电量大于实际需求时,则根据购电成本预测模型,降低成本高的发电类型,防止生产过多的电量,导致成本高的电量浪费;当可购电量小于实际需求时,则根据购电成本预测模型,选择购买成本低的发电类型,减少成本的增加。
2、本发明采用当期实际发电量和滞后12期实际发电量,得到当期发电量的回归预测模型,进而得到发电量预测模型,可以使得所述发电量预测模型的准确性更高,同时可以预测出当月的总发电量、传统能源发电量和清洁能源发电量,进而可以使得购电优化模型更加的准确。
3、本发明利用发电量预测模型得到总体发电量预测模型、传统能源发电量预测模型和清洁能源发电量预测模型,可以更清晰的知道各类型的发电量,从而能更加做好发电规划,降低因过量或过少发电造成的成本损失问题。
本发明适用于购电规划技术领域。
附图说明
图1是实施方式一所述的一种发电量预测模型的构建方法的流程图;
图2是实施方式一所述的各发电类型发电量和总发电量的统计图;
图3是实施方式一所述的各发电类型发电量和总发电量的回归结果图;
图4是实施方式五所述的一种购电优化模型的构建方法的流程图;
图5是实施方式十一所述的总发电量和火电发电量的预测模型结果图;
图6是实施方式十一所述的清洁能源发电量的预测模型结果图;
其中,*、**和***分别代表在10%、5%和1%水平上显著;
图7是实施方式十一所述的年度预测发电量和实际发电量的对比图;
图8是实施方式十一所述的各月预测电量与实际发电量对比图;
图9是实施方式十一所述的火电各月预测电量与实际发电量对比图;
图10是实施方式十一所述的风电各月预测电量与实际发电量对比图;
图11是实施方式十一所述的光电各月预测电量与实际发电量对比图;
图12是实施方式十一所述的水电各月预测电量与实际发电量对比图。
具体实施方式
实施方式一.参见图1说明本实施方式,本实施方式提供一种发电量预测模型的构建方法,所述构建方法为:
S1、根据当期实际发电量和滞后12期的实际发电量,得到当期发电量的回归模型;
S2、根据所述当期发电量的回归模型,得到发电量预测模型。
本实施方式在实际应用时,购电量会受到省内发电量的影响,以黑龙江省为例,黑龙江省购电量约占全省发电量90%,因此以黑龙江省2019年—2022年的实际发电数据为基础,构建发电量预测模型。由于会受到发电周期性、波动性等影响,根据当期实际放电量和滞后12期的实际发电量,建立当期放电量的回归预测模型。根据黑龙江省2019年8月至2022年7月的各类型发电的实际数据,如图2所示,根据图2可知,其中传统能源实际发电量占黑龙江省全省总发电量的75%以上。图3是根据当期发电量的回归模型对图2的数据进行分析,根据图3中的第(1)列和第(5)列可知,传统能源的当期发电量与其滞后第12期的发电量之间存在较强的线性相关关系,且抽样误差概率小于等于0.01。根据图3中的第(2)列至第(4)列可知,清洁能源的当期发电量与其滞后第12期的发电量之间存在较强的线性相关关系,且抽样误差概率小于等于0.05。风电的实际发电量还与其滞后第12期的发电量之间存在较强的线性相关关系;光电还与其滞后第11期和第12期的的发电量之间存在较强的线性相关关系。因此,根据当期发电量的回归预测模型,得到当期发电量的回归预测模型,根据所述当期发电量的回归预测模型,得到当期发电量和滞后期发电量回归模型;根据所述当期发电量和滞后期发电量回归模型,得到发电量预测模型。
根据历史发电量数据,建立当期发电量的回归预测模型,进而得到发电量预测模型,根据所述发电量预测模型可以清晰的知道总发电量以及各类型的发电量,从而可以选择合适的购电量。
实施方式二.本实施方式是对实施方式一所述的一种发电量预测模型的构建方法中S1的当期发电量的回归模型作举例说明,所述步骤S1中的当期发电量的回归模型表示为:
其中,yi,t为第i种发电类型的第t期发电量,t表示发电期的序号,为正整数,1≤t≥12,i为发电类型的标记,取值为1表示火力发电,取值为2表示水力发电,yi,t-m为第i种发电类型的第t-m期发电量,m为变量,β1,i,t-m表示yi,t-m对yi,t的影响。
本实施方式根据当期发电量和滞后期发电量的线性关系,得到当期发电量的回归预测模型。有助于更有效地分析当期实际发电量与同比发电量之间的相关关系,进而可以使获得的发电量预测模型更加准确,i为发电类型的标记,取值为1表示火力发电,取值为2表示水力发电,取值为3时表示风力发电,取值为4时表示光放电,同时火力发电为传统能源发电,水力发电为清洁能源发电。
实施方式三.本实施方式是对实施方式一所述的一种发电量预测模型的构建方法中步骤S2中的发电量预测模型作举例说明,所述步骤S2中的发电量预测模型包括总体发电量预测模型、传统能源发电量预测模型和清洁能源发电量预测模型。
本实施方式在实际应用时,根据历史发电量数据,建立当期发电量的回归预测模型,进而得到发电量预测模型,根据所述发电量预测模型可以清晰的知道总发电量以及各类型的发电量,从而可以选择合适的购电量。
实施方式四.本实施方式是对实施方式三所述的一种发电量预测模型的构建方法中的总体发电量预测模型、传统能源发电量预测模型和清洁能源发电量预测模型作举例说明,所述总体发电量预测模型表示为:
yt=β0+β1,t-12yt-12;
所述传统能源发电量预测模型表示为:
y1,t=β0+β1,1,t-12y1,t-12;
所述清洁能源发电量预测模型表示为:
本实施方式在实际应用时,由于不同能源的发电量大小受到不同因素影响,尤其是清洁能源易受到自然条件因素影响,难以控制,所以需要对不同能源的发电量进行预测,且分开预测能为各种发电类型的年度、月度购电决策分别提供参考,尤其是对传统能源发电量的预测,并结合该省能源供需的历史情况,能够从全局上更好保障电力安全稳定供应,提前做好相关预案,避免由于清洁能源发电量问题而导致全省购电缺口过大或弃电过多等情况发生。
实施方式五.参见图4说明本实施方式,本实施方式提供一种购电优化模型的构建方法,所述构建方法是采用发电量预测模型实现的,所述发电量预测模型是采用实施方式一至实施方式四任意一项所述的一种发电量预测模型的构建方法得到的,所述构建方法为:
A1、根据保障性电量实际需求量和保障性电量计划生产量,得到保障性电量的成本预测模型;
A2、根据火电收购成本模型、未过剩清洁能源收购成本模型和过剩清洁能源收购成本模型,得到市场交易电量的成本预测模型;
A3、根据所述保障性电量的成本模型和所述市场交易电量的成本预测模型,得到购电成本预测模型;
A4、根据所述总发电量预测模型,得到可购电量;
A5、根据所述购电成本预测模型和所述可购电量,得到购电优化模型。
本实施方式在实际应用时,购电成本包括购买保障性电量和市场交易电量的成本。保障性电量是需要优先保障供应、用于民生的优先电量,市场交易电量是扣除保障性电量后全部进入市场交易的电量,主要由火电、风电和光电构成。为降低用电成本,直接交易采取风、光和火电捆绑方式,风、光和火电的比例为w,即:Qthermal=w(Qwind+Qsolar)。市场交易的电量包括火电收购成本、未过剩清洁能源收购成本和过剩清洁能源收购成本。此外,为了保证每个月购电量不超过年计划量,实际需求电量不超过年实际需求量,作出了qtotal和/>的规定。根据总发电量预测模型,得到可购电量,所述可购电量包括当期总可购电量、当期传统能源可购电量和当期清洁能源可购电量。根据所述购电成本预测模型和所述可购电量,得到购电优化模型,所述购电优化模型包括可购电量满足实际需求,可购电量大于实际需求时,可购电量小于实际需求时。当可购电量满足实际需求时,则不需要购电,成本最低,当可购电量大于实际需求时,则根据购电成本模型,降低成本高的发电类型,防止生产过多的电量,导致浪费;当可购电量小于实际需求时,则根据购电成本模型,选择购买成本低的发电类型,减少成本的增加。
实施方式六.本实施方式是对实施方式五所述的一种购电优化模型的构建方法中步骤A1的保障性电量的成本预测模型作举例说明,所述步骤A1中的保障性电量的成本预测模型表示为:
当保障性电量实际需求量等于保障性电量计划生产量,则所述保障性电量的成本预测模型表示为:
Cprotection=∑(Pi×qi);
当保障性电量实际需求量大于保障性电量计划生产量,则所述保障性电量的成本预测模型表示为:
Cprotection=∑(Pi×qi)+Pthermal×(Qprotection-qprotection);
Cshortage=∑(Pthermal-Pi)×(Qprotection-qprotection);
其中,Pi为第i种发电类型的电价,Qprotection为保障性电量的实际需求量,qprotection为保障性电量的计划生产量,qi为第i种发电类型的计划购电量,Pthermal为火力发电的电价,Cshortage为缺电量成本。
本实施方式在实际应用时,购电成本包括购买保障性电量和市场交易电量的成本。保障性电量是需要优先保障供应、用于民生的优先电量。当保障性电量实际需求量等于保障性电量计划生产量时,购电成本就是保障性电量计划生产量,当保障性电量实际需求量大于保障性电量计划生产量时,购电成本在保障性电量实际需求量的基础上还需要加上缺电量成本。
实施方式七.本实施方式是对实施方式五所述的一种购电优化模型的构建方法中步骤A2的火电收购成本模型、未过剩清洁能源收购成本模型和过剩清洁能源收购成本模型作举例说明,所述步骤A2中的火电收购成本模型表示为:
Cthermal=∑(Pthermal×qthermal);
所述未过剩清洁能源收购成本模型表示为:
Cclean=∑(Pi×Qi);
所述过剩清洁能源收购成本模型表示为:
Csurplus=P′cleanwarm×(qcleanwarm-Qcleanwarm)+P′cleanmin×(qcleanother-Qcleanother),ifqclean>Qclean;
其中,qthermal为火电计划生产量,Qi为第i种发电类型的实际需求量,P′cleanwarm为清洁能源供暖的超发电量的收购价,qcleanwarm为清洁能源供暖的实际需求量,Qcleanwarm为清洁能源的计划购买电量,P′cleanmin为其他清洁能源超发电量的收购价,qcleanother为其他清洁能源的实际需求电量,Qcleanother为其他清洁能源的计划购买电量。
本实施方式在实际应用时,市场交易电量是扣除保障性电量后全部进入市场交易的电量,主要由火电、风电和光电构成。为降低用电成本,直接交易采取风、光和火电捆绑方式,风、光和火电的比例为w,即Qthermal=w(Qwind+Qsolar)。市场交易的电量包括火电收购成本、未过剩清洁能源收购成本和过剩清洁能源收购成本。此外,为了保证每个月购电量不超过年计划量,实际需求电量不超过年实际需求量,作出了和/>的规定。
实施方式八.本实施方式是对实施方式五所述的一种购电优化模型的构建方法中步骤A2的市场交易电量的成本预测模型作举例说明,所述步骤A2中的市场交易电量的成本预测模型表示为:
C=Cthermal+Cclean+Csurplus;
其中,Cthermal为火电收购成本,Cclean为未过剩清洁能源收购成本,Csurplus为过剩清洁能源收购成本。
实施方式九.本实施方式是对实施方式五所述的一种购电优化模型的构建方法中步骤A2的购电成本预测模型表示为:
C=Cthermal+Cclean+Csurplus;
其中,Cthermal为火电收购成本,Cclean为未过剩清洁能源收购成本,Csurplus为过剩清洁能源收购成本。
实施方式十.本实施方式提供一种购电优化模型系统,所述系统包括:
获得保障性电量的成本预测模型的装置:用于根据保障性电量实际需求量和保障性电量计划生产量,得到保障性电量的成本预测模型的存储装置;
获得市场交易电量的成本预测模型的装置:用于根据火电收购成本模型、未过剩清洁能源收购成本模型和过剩清洁能源收购成本模型,得到市场交易电量的成本预测模型的存储装置;
获得购电成本预测模型的装置:用于根据所述保障性电量的成本模型和所述市场交易电量的成本预测模型,得到购电成本预测模型的存储装置;
获得可购电量的装置:用于根据所述发电量预测模型,得到可购电量的存储装置;
获得购电优化模型的装置:用于根据所述购电成本预测模型和所述可购电量,得到购电优化模型的存储装置。
实施方式十一.参见图5至图12说明本实施方式,本实施方式是对实施方式一至实施方式四任意一项所述的发电量预测模型的检验分析,如图5和图6所示,总发电量和传统能源发电量的模型拟合程度分别为0.74和0.61,清洁能源中的水电、风电和光电的模型拟合程度分别为0.77、0.86、0.94。因此,可以得出,发电量预测模型和实际观测值的吻合程度达到61%-94%,获得的发电量预测模型准确性高。如图5和图6所示,计算出2021年的总发电量和各发电类型发电量的年度预测值,并与2021年的实际发电量进行对比,对比结果如图7所示,根据图7可知,该预测结果年度总误差比例范围在[0.63%,3.65%],根据误差比例,年度预测发电量与实际发电量之间的误差较小,其次,计算出2021年总发电量和各类型发电量的每月预测值,并将其与2021年每月的实际发电量作比较,结果如图8至图12所示,如图8至图12可知,该模型预测误差不超过±8.5%。除了极少数个别月份误差超过5%以外,绝大多数月份的预测误差较小。
因此,利用实施方式一至实施方式四任意一项所述的发电量预测模型能较好地预测出黑龙江省总发电量、传统能源发电量、清洁能源发电量的年度总额,以备提前做好年度发电规划,缩小因预测误差造成的经济损失。其次,利用滞后第12期的实际发电数据可以较好地预测出全省的总发电量和传统能源发电量的当期发电数据,但是由于黑龙江的地理位置特殊,冬季会受到自然条件等不可抗力因素的影响,清洁能源发电量的预测会出现偏差,所以,黑龙江省的清洁能源发电量站全省的发电量比例较低,可以通过传统能源发电来弥补清洁能源发电量。因此,清洁能源在某些月的预测偏差,不会对全省总发电量预测值产生较大影响。
以上所述仅为本发明的实施例而已,并不限制于本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所做的任何修改,等同替换、改进等。均应包含在本发明的权利要求范围之内。
Claims (2)
1.一种购电优化模型的构建方法,其特征在于,所述构建方法包括发电量预测模型的构建:
S1、根据当期实际发电量和滞后12期的实际发电量,得到当期发电量的回归模型;
所述当期发电量的回归模型表示为:
其中,yi,t为第i种发电类型的第t期发电量,t表示发电期的序号,为正整数,1≤t≤12,i为发电类型的标记,取值为1表示火力发电,取值为2表示水力发电,yi,t-m为第i种发电类型的第t-m期发电量,m为变量;
S2、根据所述当期发电量的回归模型,得到发电量预测模型;
所述发电量预测模型包括总体发电量预测模型、传统能源发电量预测模型和清洁能源发电量预测模型;
所述总体发电量预测模型表示为:
yt=β0+β1,t-12yt-12;
所述传统能源发电量预测模型表示为:
y1,t=β0+β1,1,t-12y1,t-12;
所述清洁能源发电量预测模型表示为:
采用发电量预测模型实现购电优化模型的构建:
A1、根据保障性电量实际需求量和保障性电量计划生产量,得到保障性电量的成本预测模型;
A2、根据火电收购成本模型、未过剩清洁能源收购成本模型和过剩清洁能源收购成本模型,得到市场交易电量的成本预测模型;
A3、根据所述保障性电量的成本模型和所述市场交易电量的成本预测模型,得到购电成本预测模型;
A4、根据所述发电量预测模型,得到可购电量;
A5、根据所述购电成本预测模型和所述可购电量,得到购电优化模型;
A6、所述购电优化模型包括可购电量满足实际需求,可购电量大于实际需求时,可购电量小于实际需求时三种情况,当可购电量满足实际需求时,则不需要购电,成本最低,当可购电量大于实际需求时,则根据购电成本预测模型,降低成本高的发电类型,防止生产过多的电量,导致成本高的电量浪费;当可购电量小于实际需求时,则根据购电成本预测模型,选择购买成本低的发电类型,减少成本的增加;
其中,当保障性电量实际需求量等于保障性电量计划生产量,则所述保障性电量的成本预测模型表示为:
Cprotection=∑(Pi×qi);
当保障性电量实际需求量大于保障性电量计划生产量,则所述保障性电量的成本预测模型表示为:
Cprotection=∑(Pi×qi)+Pthermal×(Qprotection-qprotection);
Cshortage=∑(Pthermal-Pi)×(Qprotection-qprotection);
其中,Pi为第i种发电类型的电价,Qprotection为保障性电量的实际需求量,qprotection为保障性电量的计划生产量,qi为第i种发电类型的计划购电量,Pthermal为火力发电的电价,Cshortage为缺电量成本;
所述火电收购成本模型表示为:
Cthermal=∑(Pthermal×qthermal);
所述未过剩清洁能源收购成本模型表示为:
Cclean=∑(Pi×Qi);
所述过剩清洁能源收购成本模型表示为:
Csurplus=P′cleanwarm×(qcleanwarm-Qcleanwarm)+P′cleanmin×(qcleanother-Qcleanother);
其中,qthermal为火电计划生产量,Qi为第i种发电类型的实际需求量,P′cleanwarm为清洁能源供暖的超发电量的收购价,qcleanwarm为清洁能源供暖的实际需求量,Qcleanwarm为清洁能源的计划购买电量,P′cleanmin为其他清洁能源超发电量的收购价,qcleanother为其他清洁能源的实际需求电量,Qcleanother为其他清洁能源的计划购买电量;
所述市场交易电量的成本预测模型表示为:
C=Cthermal+Cclean+Csurplus;
其中,Cthermal为火电收购成本,Cclean为未过剩清洁能源收购成本,Csurplus为过剩清洁能源收购成本;
所述购电成本预测模型表示为:
C=Cthermal+Cclean+Csurplus;
其中,Cthermal为火电收购成本,Cclean为未过剩清洁能源收购成本,Csurplus为过剩清洁能源收购成本。
2.一种购电优化模型系统,用于实现权利要求1所述的购电优化模型构建方法,其特征在于,所述系统包括:
用于根据当期实际发电量和滞后12期的实际发电量,得到当期发电量的回归模型的存储装置;
用于根据所述当期发电量的回归模型,得到发电量预测模型的存储装置;
用于根据保障性电量实际需求量和保障性电量计划生产量,得到保障性电量的成本预测模型的存储装置;
用于根据火电收购成本模型、未过剩清洁能源收购成本模型和过剩清洁能源收购成本模型,得到市场交易电量的成本预测模型的存储装置;
用于根据所述保障性电量的成本模型和所述市场交易电量的成本预测模型,得到购电成本预测模型的存储装置;
用于根据所述发电量预测模型,得到可购电量的存储装置;
用于根据所述购电成本预测模型和所述可购电量,得到购电优化模型的存储装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211335125.0A CN115776110B (zh) | 2022-10-28 | 2022-10-28 | 发电量预测模型、购电优化模型、购电优化模型系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211335125.0A CN115776110B (zh) | 2022-10-28 | 2022-10-28 | 发电量预测模型、购电优化模型、购电优化模型系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115776110A CN115776110A (zh) | 2023-03-10 |
CN115776110B true CN115776110B (zh) | 2023-10-03 |
Family
ID=85388624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211335125.0A Active CN115776110B (zh) | 2022-10-28 | 2022-10-28 | 发电量预测模型、购电优化模型、购电优化模型系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115776110B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105896611A (zh) * | 2014-11-24 | 2016-08-24 | 国家电网公司 | 一种省级电网套期购电优化方法 |
CN111146796A (zh) * | 2020-02-20 | 2020-05-12 | 上海积成能源科技有限公司 | 一种基于多变量控制的光伏发电综合用能分析管理的系统和方法 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
KR20210061823A (ko) * | 2019-11-20 | 2021-05-28 | 한국전력공사 | 에너지 관리 시스템 및 이를 이용한 전력 구매 비용 결정 방법 |
CN113131523A (zh) * | 2019-12-31 | 2021-07-16 | 国网能源研究院有限公司 | 一种分品种电力供应预测方法及系统 |
CN113765105A (zh) * | 2021-09-24 | 2021-12-07 | 国网黑龙江省电力有限公司电力科学研究院 | 基于动态随机模型的微电网群能量管理方法 |
CN114329985A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种光伏发电预测方法、装置、设备及存储介质 |
CN114925892A (zh) * | 2022-05-07 | 2022-08-19 | 三峡大学 | 水电与电转气结合的中长期风水火发电量双层规划方法 |
-
2022
- 2022-10-28 CN CN202211335125.0A patent/CN115776110B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105896611A (zh) * | 2014-11-24 | 2016-08-24 | 国家电网公司 | 一种省级电网套期购电优化方法 |
KR20210061823A (ko) * | 2019-11-20 | 2021-05-28 | 한국전력공사 | 에너지 관리 시스템 및 이를 이용한 전력 구매 비용 결정 방법 |
CN113131523A (zh) * | 2019-12-31 | 2021-07-16 | 国网能源研究院有限公司 | 一种分品种电力供应预测方法及系统 |
CN111146796A (zh) * | 2020-02-20 | 2020-05-12 | 上海积成能源科技有限公司 | 一种基于多变量控制的光伏发电综合用能分析管理的系统和方法 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
CN113765105A (zh) * | 2021-09-24 | 2021-12-07 | 国网黑龙江省电力有限公司电力科学研究院 | 基于动态随机模型的微电网群能量管理方法 |
CN114329985A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种光伏发电预测方法、装置、设备及存储介质 |
CN114925892A (zh) * | 2022-05-07 | 2022-08-19 | 三峡大学 | 水电与电转气结合的中长期风水火发电量双层规划方法 |
Non-Patent Citations (2)
Title |
---|
李正文 ; 刘刚 ; 许静 ; 高凯 ; 韩子娇 ; .一种适用于多种电源结构的电力调峰辅助服务市场.东北电力技术.2017,(第08期),5-9. * |
董文略 ; 王群 ; 杨莉 ; .含风光水的虚拟电厂与配电公司协调调度模型.电力系统自动化.2015,(第09期),75-82. * |
Also Published As
Publication number | Publication date |
---|---|
CN115776110A (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Optimal energy management for industrial microgrids with high-penetration renewables | |
Jiang et al. | A two-stage optimization approach on the decisions for prosumers and consumers within a community in the Peer-to-peer energy sharing trading | |
Luo et al. | Distributed peer-to-peer energy trading based on game theory in a community microgrid considering ownership complexity of distributed energy resources | |
Zima-Bočkarjova et al. | Sharing of profit from coordinated operation planning and bidding of hydro and wind power | |
CN109741103B (zh) | 一种短期多目标双层优化调度方法 | |
Cheng et al. | Stochastic short-term scheduling of a wind-solar-hydro complementary system considering both the day-ahead market bidding and bilateral contracts decomposition | |
CN114243694B (zh) | 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法 | |
Kazhamiaka et al. | Practical strategies for storage operation in energy systems: design and evaluation | |
CN110689286B (zh) | 中长期电力市场下风火打捆电厂的最优合同电量决策方法 | |
Li et al. | Two-stage community energy trading under end-edge-cloud orchestration | |
CN111311012A (zh) | 基于多智能体的微电网电力市场双层竞价优化方法 | |
Negri et al. | Combined model predictive control and ANN-based forecasters for jointly acting renewable self-consumers: An environmental and economical evaluation | |
CN109978331B (zh) | 一种高比例水电现货市场下日电量分解方法 | |
Meinke et al. | Optimising demand and bid matching in a peer-to-peer energy trading model | |
Burgio et al. | Economic evaluation in using storage to reduce imbalance costs of renewable sources power plants | |
Wijaya et al. | An economic analysis of pervasive, incentive-based demand response | |
CN115776110B (zh) | 发电量预测模型、购电优化模型、购电优化模型系统 | |
Tang et al. | Unit maintenance strategy considering the uncertainty of energy intensive load and wind power under the carbon peak and carbon neutral target | |
Fridgen et al. | The value of IS-enabled flexibility in electricity demand-a real options approach | |
CN102609824B (zh) | 多元发电结构下关口电能交易能力指标的获取方法 | |
Nunna et al. | Comparative analysis of peer-to-peer transactive energy market clearing algorithms | |
Aasgård et al. | Comparing bidding methods for hydropower | |
Son et al. | A study on optimal ESS charging scheduling considering power generation prediction in photovoltaic power plant | |
CN113989072A (zh) | 面向调峰辅助服务市场交易主体的分摊上限动态调整策略 | |
Hosseinalipour et al. | Optimal risk-constrained peer-to-peer energy trading strategy for a smart microgrid |
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 |