CN116228299A - 一种虚拟电厂价格确定方法、装置和系统 - Google Patents

一种虚拟电厂价格确定方法、装置和系统 Download PDF

Info

Publication number
CN116228299A
CN116228299A CN202310505185.0A CN202310505185A CN116228299A CN 116228299 A CN116228299 A CN 116228299A CN 202310505185 A CN202310505185 A CN 202310505185A CN 116228299 A CN116228299 A CN 116228299A
Authority
CN
China
Prior art keywords
power plant
virtual power
price
charging
parameter
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
CN202310505185.0A
Other languages
English (en)
Inventor
李健
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.)
Beijing Fengyu Technology Co ltd
Original Assignee
Beijing Fengyu Technology 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 Beijing Fengyu Technology Co ltd filed Critical Beijing Fengyu Technology Co ltd
Publication of CN116228299A publication Critical patent/CN116228299A/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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种虚拟电厂价格确定方法、装置和系统，属于虚拟电厂领域；首先确定充电积极性关系和放电积极性关系，然后根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率，之后建立收益函数；最后根据实时的供电价格和购电价格以及约束条件得到虚拟电厂在时段T内的收益最高时的售电价和回购电价。这样随着供电价格和购电价格的变动，本发明提供的方案给出的售电价和回购电价实时变动，且均能保证虚拟电厂收益最高。同时引入充电积极性关系和放电积极性关系，能够同时提高电动汽车的参与度，充分发挥电动汽车储能优势，提高虚拟电厂盈利能力，最大化的发挥虚拟电厂削峰填谷的效能。

Description

一种虚拟电厂价格确定方法、装置和系统
技术领域
本发明涉及虚拟电厂领域，特别地，涉及一种虚拟电厂价格确定方法、装置和系统。
背景技术
随着世界能源紧缺、环境污染等问题的日益突出，分布式电源( distributedgenerator, DG)以其可靠、经济、灵活、环保的特点而被越来越多的国家所采用。然而，尽管DG优点突出，但仍存在诸多问题。首先，DG容量小、数量大、分布不均，使得单机接入成本高，对系统操作员常不可见乃至管理困难;其次，DG的接入给电网的稳定运行带来了许多技术难题，如潮流改变、线路阻塞、电压闪变、谐波影响等;再次，目前“安装即忘记(fit and-forget)”的DG操作方式以及电力市场容量的限制亦更加阻碍了DG的大规模并网。
当今，全世界的电力行业正在迅速转型，电力系统应该基于市场运营，但是，由于DG的特点，如容量小或其具有的间断性和随机性，仅靠它们本身加入电力市场运营并不可行。然而，将DG聚合成一个集成的实体(integrated entity)为这一问题提供了解决途径。
中国大多采用微网的概念作为DG的并网形式，它能够很好地协调大电网与DG的技术矛盾，并具备一定的能量管理功能，但微网以DG与用户就地应用为主要控制目标，且受到地理区域的限制，对多区域、大规模DG的有效利用及在电力市场中的规模化效益具有一定的局限性。主动配电网是实现大规模DG并网运行的另一种有效解决方案，它的概念将DG的接入半径进行了一定的扩展，能够对配电网实施主动管理，但对DG能够呈现给大电网及电力市场的效益考虑不足。虚拟电厂(virtual power plant, VPP)的提出则为解决这些问题提供了新的思路。
简单来说，虚拟电厂聚合DG、储能系统、可控负荷、电动汽车等DER形成一个特殊电厂，公共电网能够对虚拟电厂进行购电和供电，而虚拟电厂也能够对电动汽车等设备进行售电和回购电力，实现削峰填谷。
但是实际中，若虚拟电厂对用户的回购电价过低以及售电价过高，会影响用户从虚拟电厂购电以及向虚拟电网售电的积极性，这样电动车主参与度较差，无法最大化的发挥虚拟电厂削峰填谷的效能，而若虚拟电厂对用户的回购电价过高以及售电价过低，又影响虚拟电厂的收益。而现有虚拟电厂的回购电价和售电价都是固定的，其综合了整体情况给出了一个合适的价格，以使大部分时间段内满足需求。但是由于公共电网的电价随时变动，在某些时间段，电动汽车参与度极差，不能充分发挥电动汽车储能优势，提高虚拟电厂盈利能力，最大化的发挥虚拟电厂削峰填谷的效能。
发明内容
为了克服现有技术的不足，本发明提供一种虚拟电厂价格确定方法、装置和系统，以解决现有虚拟电厂的回购电价和售电价都是固定的，但由于公共电网的电价随时变动，在某些时间段，电动汽车参与度极差，不能充分发挥电动汽车储能优势，提高虚拟电厂盈利能力，最大化的发挥虚拟电厂削峰填谷的效能的问题。
本发明解决其技术问题所采用的技术方案是：
第一方面，提供一种虚拟电厂价格确定方法，包括以下步骤：
建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，所述充电积极性关系用于表示虚拟电厂售电价与公共电网对虚拟电厂的供电价格对用户选择在虚拟电厂充电的影响；所述放电积极性关系用于表示虚拟电厂回购电价与公共电网对虚拟电厂的购电价格对用户选择在虚拟电厂放电的影响；
根据所述充电积极性关系和所述放电积极性关系计算所述虚拟电厂区域内所有电动汽车的充电功率和放电功率；
建立所述虚拟电厂的任意时间段的收益函数，所述收益函数如下：
Figure SMS_1
其中，
Figure SMS_4
表示t时段虚拟电厂对用户的售电价；/>
Figure SMS_6
表示t时段虚拟的回购电价；/>
Figure SMS_8
表示t时段公共电网对虚拟电厂的供电价格；/>
Figure SMS_3
表示t时段公共电网对虚拟电厂的购电价格,/>
Figure SMS_5
为t时段所述虚拟电厂区域内所有电动汽车的充电功率，
Figure SMS_7
为t时段所述虚拟电厂区域内所有电动汽车的放电功率，/>
Figure SMS_9
为充电时段持续的时间，T为总时段数，/>
Figure SMS_2
为时间段T内虚拟电厂的运维费用值，f为虚拟电厂在时段T内的收益；
将对应时段的公共电网对虚拟电厂的供电价格和购电价格输入到所述收益函数中，并根据约束条件得到虚拟电厂在任意时段内的收益最高时的售电价和回购电价，并将得到的售电价和回购电价作为所述时段的售电价和回购电价。
进一步地，所述建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，包括：
获取虚拟电厂售电价与公共电网对虚拟电厂的供电价格的差值与用户选择在虚拟电厂放电的第一数据；对所述第一数据进行拟合得到在虚拟电厂充电的第一曲线函数，将所述第一曲线函数作为充电积极性关系；
获取电动汽车在非充电状态下，虚拟电厂回购电价与公共电网对虚拟电厂的购电价格的差值与用户选择在虚拟电厂充电的第二数据；对所述第二数据进行拟合得到在虚拟电厂放电的第二曲线函数，根据所述第二曲线函数得到放电积极性关系。
进一步地，所述根据所述第二曲线函数得到放电积极性关系，采用以下计算公式：
放电积极性关系=第二曲线函数*（1-第一曲线函数）。
进一步地，所述根据所述充电积极性关系和所述放电积极性关系计算所述虚拟电厂区域内所有电动汽车的充电功率和放电功率，包括：
Figure SMS_10
，/>
Figure SMS_11
/>
其中，V为虚拟电厂区域内可参与的所有用户的电动汽车总量，
Figure SMS_12
为t时段第v辆电动汽车的平均充电功率，/>
Figure SMS_13
为t时段第v辆电动汽车的平均放电功率，/>
Figure SMS_14
为充电积极性，/>
Figure SMS_15
为放电积极性。
进一步地，所述约束条件为：
售电价大于公共电网对虚拟电厂的供电价格且小于预设的最高售电价格；
回购电价大于公共电网对虚拟电厂的购电价格且小于预设的最低回购电价；
每辆电动汽车的平均充电功率大于0且小于预设的平均充电功率上限；
每辆电动汽车的平均放电功率大于0且小于预设的平均放电功率上限；
虚拟电厂区域内所有电动汽车的充电功率小于或等于虚拟电厂区域内所有电动汽车的平均充电功率之和；
虚拟电厂区域内所有电动汽车的放电功率小于或等于虚拟电厂区域内所有电动汽车的平均放电功率之和。
进一步地，所述得到虚拟电厂在时段T内的收益最高时的售电价和回购电价，包括：
获取M个目标参数组，每个目标参数组中包括至少一个参数
Figure SMS_16
，/>
Figure SMS_17
表示第i个目标参数组的第j个参数的位置，每个参数为一组售电价或回购电价，M为大于1的正整数；
分别从每个目标参数组中，确定出参数位置最优的一个最优参数，以确定M个最优参数，所述最优参数得到的收益不小于目标参数组内其余参数得到的收益；
基于所述M个最优参数中的目标最优参数，确定目标参数。
进一步地，所述基于所述M个最优参数中的目标最优参数，确定目标参数，包括：
设置迭代次数n=1，从所述M个最优参数中，确定参数位置最优的所述目标最优参数；
当n＜N时，其中N为预设最大迭代次数，重复以下步骤，直至n=N：
控制M-1个目标参数组，向所述目标最优参数的参数位置进行搜索计算，以更新所述M-1个目标参数组的参数位置，所述M-1个目标参数组为M-1个最优参数一一对应的参数组，所述M-1个最优参数为所述M个最优参数中除所述目标最优参数外的最优参数；分别从更新参数位置后的所述M-1个目标参数组中的每个目标参数组中，确定出参数位置最优的一个第一最优参数，以确定M-1个第一最优参数；从所述M-1个第一最优参数和所述目标最优参数中，确定参数位置最优的所述目标参数，并且迭代次数加1。
进一步地，所述控制M-1个目标参数组，向所述目标最优参数的参数位置进行搜索计算，包括：
控制第一参数组中的最优参数，向所述目标最优参数的参数位置进行调整；公式如下：
Figure SMS_18
/>
其中，
Figure SMS_19
为M-1个目标参数组中任一组的最优参数；/>
Figure SMS_20
为目标最优参数，/>
Figure SMS_21
为[0,1]内的随机向量，/>
Figure SMS_22
、/>
Figure SMS_23
为[-1,1]内的随机数；
当第一参数组中其他参数得到的收益不大于第一参数组的最优参数时，控制所述第一参数组中的其他参数，向调整后的所述第一参数组中的最优参数的参数位置进行调制；公式如下：
Figure SMS_24
其中，
Figure SMS_25
为[0,1]内的随机向量，/>
Figure SMS_26
为[-1,1]内的随机数；
其中，所述第一参数组为所述M-1个目标参数组中的任意一个；所述其他参数为所述第一参数组中除所述第一参数组中的最优参数外的参数；
当第一参数组中其他参数得到的收益大于第一参数组的最优参数时，调整第一参数组中其他参数的位置，公式如下：
Figure SMS_27
式中，
Figure SMS_28
为[0,1]内的随机向量。
第二方面，提供种虚拟电厂价格确定装置，包括：
关系建立模块，用于建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，所述充电积极性关系用于表示虚拟电厂售电价与公共电网对虚拟电厂的供电价格对用户选择在虚拟电厂充电的影响；所述放电积极性关系用于表示虚拟电厂回购电价与公共电网对虚拟电厂的购电价格对用户选择在虚拟电厂放电的影响；
功率计算模块，用于根据所述充电积极性关系和所述放电积极性关系计算所述虚拟电厂区域内所有电动汽车的充电功率和放电功率；
函数建立模块，用于建立所述虚拟电厂的任意时间段的收益函数，所述收益函数如下：
Figure SMS_29
其中，
Figure SMS_31
表示t时段虚拟电厂对用户的售电价；/>
Figure SMS_33
表示t时段虚拟的回购电价；/>
Figure SMS_35
表示t时段公共电网对虚拟电厂的供电价格；/>
Figure SMS_32
表示t时段公共电网对虚拟电厂的购电价格,/>
Figure SMS_34
为t时段所述虚拟电厂区域内所有电动汽车的充电功率，
Figure SMS_36
为t时段所述虚拟电厂区域内所有电动汽车的放电功率，/>
Figure SMS_37
为充电时段持续的时间，T为总时段数，/>
Figure SMS_30
为时间段T内虚拟电厂的运维费用值，f为虚拟电厂在时段T内的收益；
价格确定模块，用于将对应时段的公共电网对虚拟电厂的供电价格和购电价格输入到所述收益函数中，并根据约束条件得到虚拟电厂在任意时段内的收益最高时的售电价和回购电价，并将得到的售电价和回购电价作为所述时段的售电价和回购电价。
第三方面，提供一种虚拟电厂价格确定系统，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面技术方案中任一项所述的虚拟电厂价格确定方法的步骤。
有益效果：
本申请技术方案提供一种虚拟电厂价格确定方法、装置和系统，首先确定充电积极性关系和放电积极性关系，然后根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率，之后建立收益函数；最后根据实时的供电价格和购电价格以及约束条件得到虚拟电厂在时段T内的收益最高时的售电价和回购电价。这样随着供电价格和购电价格的变动，本发明提供的方案给出的售电价和回购电价实时变动，且均能保证虚拟电厂收益最高。同时引入充电积极性关系和放电积极性关系，能够同时提高电动汽车的参与度，充分发挥电动汽车储能优势，提高虚拟电厂盈利能力，最大化的发挥虚拟电厂削峰填谷的效能。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种虚拟电厂价格确定方法流程图；
图2是本发明实施例提供的一种虚拟电厂价格确定装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明的技术方案进行详细的描述说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
第一实施例，参照图1，本发明实施例提供了一种虚拟电厂价格确定方法，包括以下步骤：
S11：建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，充电积极性关系用于表示虚拟电厂售电价与公共电网对虚拟电厂的供电价格对用户选择在虚拟电厂充电的影响；放电积极性关系用于表示虚拟电厂回购电价与公共电网对虚拟电厂的购电价格对用户选择在虚拟电厂放电的影响；
S12：根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率；
S13：建立虚拟电厂的任意时间段的收益函数，收益函数如下：
Figure SMS_38
其中，
Figure SMS_40
表示t时段虚拟电厂对用户的售电价；/>
Figure SMS_42
表示t时段虚拟的回购电价；/>
Figure SMS_44
表示t时段公共电网对虚拟电厂的供电价格；/>
Figure SMS_41
表示t时段公共电网对虚拟电厂的购电价格,/>
Figure SMS_43
为t时段虚拟电厂区域内所有电动汽车的充电功率，/>
Figure SMS_45
为t时段虚拟电厂区域内所有电动汽车的放电功率，/>
Figure SMS_46
为充电时段持续的时间，T为总时段数，/>
Figure SMS_39
为时间段T内虚拟电厂的运维费用值，f为虚拟电厂在时段T内的收益；
S14：将对应时段的公共电网对虚拟电厂的供电价格和购电价格输入到收益函数中，并根据约束条件得到虚拟电厂在任意时段内的收益最高时的售电价和回购电价，并将得到的售电价和回购电价作为所述时段的售电价和回购电价。
本发明实施例提供的虚拟电厂价格确定方法，首先确定充电积极性关系和放电积极性关系，然后根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率，之后建立收益函数；最后根据实时的供电价格和购电价格以及约束条件得到虚拟电厂在时段T内的收益最高时的售电价和回购电价。这样随着供电价格和购电价格的变动，本发明提供的方案给出的售电价和回购电价实时变动，且均能保证虚拟电厂收益最高。同时引入充电积极性关系和放电积极性关系，能够同时提高电动汽车的参与度，充分发挥电动汽车储能优势，提高虚拟电厂盈利能力，最大化的发挥虚拟电厂削峰填谷的效能。
第二实施例，作为对第一实施例的补充说明，本发明提供一种具体的虚拟电厂价格确定方法，包括以下步骤：
建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，充电积极性关系用于表示虚拟电厂售电价与公共电网对虚拟电厂的供电价格对用户选择在虚拟电厂充电的影响；放电积极性关系用于表示虚拟电厂回购电价与公共电网对虚拟电厂的购电价格对用户选择在虚拟电厂放电的影响；
具体地，获取虚拟电厂售电价与公共电网对虚拟电厂的供电价格的差值与用户选择在虚拟电厂放电的第一数据；对第一数据进行拟合得到在虚拟电厂充电的第一曲线函数，将第一曲线函数作为充电积极性关系；
获取电动汽车在非充电状态下，虚拟电厂回购电价与公共电网对虚拟电厂的购电价格的差值与用户选择在虚拟电厂充电的第二数据；对第二数据进行拟合得到在虚拟电厂放电的第二曲线函数，根据第二曲线函数得到放电积极性关系。其中，放电积极性关系=第二曲线函数*（1-第一曲线函数）。具体的数据可以采用问卷调查或者根据历史数据获取。
示例性的，由于电动汽车以耗费电能行驶为主，电动汽车在虚拟电厂的购电需求更多，所以优先选择计算其购电积极性即充电积极性关系。
根据采样问卷调查结果拟合，本发明得到的第一曲线函数为双曲正切曲线，充电积极性关系如下：
Figure SMS_47
其中，
Figure SMS_48
为t时段的充电积极性关系，/>
Figure SMS_49
表示t时段虚拟电厂对用户的售电价；/>
Figure SMS_50
表示t时段公共电网对虚拟电厂的供电价格。
只有在非充电状态下的电动汽车才能进行放电操作，故电动汽车向虚拟电厂售电的放电积极性关系表示为：
Figure SMS_51
其中，
Figure SMS_52
为t时段的放电积极性关系，/>
Figure SMS_53
表示t时段虚拟的回购电价；
Figure SMS_54
表示t时段公共电网对虚拟电厂的购电价格。
根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率；具体如下：
Figure SMS_55
，/>
Figure SMS_56
其中，
Figure SMS_57
为t时段虚拟电厂区域内所有电动汽车的放电功率，V为虚拟电厂区域内可参与的所有用户的电动汽车总量，/>
Figure SMS_58
为t时段第v辆电动汽车的平均充电功率，/>
Figure SMS_59
为t时段第v辆电动汽车的平均放电功率，/>
Figure SMS_60
为充电积极性，/>
Figure SMS_61
为放电积极性。
建立虚拟电厂的任意时间段的收益函数，收益函数如下：
Figure SMS_62
其中，
Figure SMS_63
为充电时段持续的时间，T为总时段数，/>
Figure SMS_64
为时间段T内虚拟电厂的运维费用值，f为虚拟电厂在时段T内的收益；
将对应时段的公共电网对虚拟电厂的供电价格和购电价格输入到收益函数中，并根据约束条件得到虚拟电厂在任意时段内的收益最高时的售电价和回购电价，并将得到的售电价和回购电价作为所述时段的售电价和回购电价。将得到的售电价和回购电价确定为在该时段内的售电价和回购电价。
其中，约束条件如下：
（1）基于参与方不亏损经营的实际定价策略，对于任意时刻t，价格皆应该满足以下条件：
Figure SMS_65
式中
Figure SMS_66
为国家价格指导部门约定的虚拟电厂的最高售电价格，/>
Figure SMS_67
为电动车充放电能量损耗的成本价；
（2）电动汽车电量约束
Figure SMS_68
式中：
Figure SMS_69
为t时段第v辆电动汽车的蓄电量，/>
Figure SMS_70
、/>
Figure SMS_71
分别为第v辆电动车蓄电量上、下限。
Figure SMS_72
V为虚拟电厂区域中最大车辆数，
Figure SMS_73
为虚拟电厂区域中最大蓄电量。
（3）电动汽车充、放电功率约束
Figure SMS_74
式中：
Figure SMS_75
、/>
Figure SMS_76
第v辆电动汽车的充、放电额定功率上限；
还包括：
Figure SMS_77
Figure SMS_78
具体地，得到虚拟电厂在时段T内的收益最高时的售电价和回购电价，包括：获取M个目标参数组，每个目标参数组中包括至少一个参数
Figure SMS_79
，/>
Figure SMS_80
表示第i个目标参数组的第j个参数的位置，每个参数为一组售电价或回购电价，M为大于1的正整数；分别从每个目标参数组中，确定出参数位置最优的一个最优参数，以确定M个最优参数，所述最优参数得到的收益不小于目标参数组内其余参数得到的收益；基于所述M个最优参数中的目标最优参数，确定目标参数。
基于所述M个最优参数中的目标最优参数，确定目标参数，包括：
从所述M个最优参数中，确定参数位置最优的所述目标最优参数
Figure SMS_81
；控制M-1个目标参数组，向所述目标最优参数的参数位置进行搜索计算，以更新所述M-1个目标参数组的参数位置，所述M-1个目标参数组为M-1个最优参数一一对应的参数组，所述M-1个最优参数为所述M个最优参数中除所述目标最优参数外的最优参数；分别从更新参数位置后的所述M-1个目标参数组中的每个目标参数组中，确定出参数位置最优的一个第一最优参数，以确定M-1个第一最优参数；从所述M-1个第一最优参数和所述目标最优参数中，确定参数位置最优的所述目标参数。
其中，控制M-1个目标参数组，向目标最优参数的参数位置进行搜索计算，包括：控制第一参数组中的最优参数，向所述目标最优参数的参数位置进行调整；公式如下：
Figure SMS_82
其中，
Figure SMS_83
为M-1个目标参数组中任一组的最优参数；/>
Figure SMS_84
为目标最优参数，/>
Figure SMS_85
为[0,1]内的随机向量，/>
Figure SMS_86
、/>
Figure SMS_87
为[-1,1]内的随机数；
当第一参数组中其他参数得到的收益不大于第一参数组的最优参数时，控制所述第一参数组中的其他参数，向调整后的所述第一参数组中的最优参数的参数位置进行调制；公式如下：
Figure SMS_88
其中，
Figure SMS_89
为[0,1]内的随机向量，/>
Figure SMS_90
为[-1,1]内的随机数；
其中，所述第一参数组为所述M-1个目标参数组中的任意一个；所述其他参数为所述第一参数组中除所述第一参数组中的最优参数外的参数；
当第一参数组中其他参数得到的收益大于第一参数组的最优参数时，调整第一参数组中其他参数的位置，公式如下：
Figure SMS_91
式中，
Figure SMS_92
为[0,1]内的随机向量。
本发明实施例采用的求解方式为空降兵优化算法，其具体的实现方式如下：
1、将所有空降兵，分为M个分队，在目标区域进行空投，每个士兵落点随机分布。
Figure SMS_93
表示第i个分队的第j个空降兵的位置。当前迭代次数n赋初值1，N表示总得迭代次数。
2、将每个分队内部空降兵位置进行比较，位置最优的当选该分队指挥官。
Figure SMS_94
表示第i个分队的指挥官位置。
3、比较所有指挥官位置，选出最佳位置
Figure SMS_95
。
4、判断迭代次数n<N,则进入第5步，否则，跳转入第9步。
5、指挥官们向目标搜索前进。
指挥官们要不断地向目标靠近。有时，指挥官必须离开当前的最佳位置，才能找到更好的位置，这样有效的提升了算法跳出局部最优值的能力：
Figure SMS_96
式中
Figure SMS_97
为最优位置；/>
Figure SMS_98
为[0,1]内的随机向量，/>
Figure SMS_99
、/>
Figure SMS_100
为[-1,1]内的随机数。
6、士兵向各自分队的指挥官靠拢
士兵根据各自指挥官的位置进行调整，并向他们移动。
Figure SMS_101
Figure SMS_102
为[0,1]内的随机向量，/>
Figure SMS_103
为[-1,1]内的随机数。
7、士兵随机搜索
当士兵不担任所在分队的指挥官时，士兵进行进一步的深度随机搜索。士兵个体的新位置更新方式为：
Figure SMS_104
式中，
Figure SMS_105
为[0,1]内的随机向量。
士兵随机搜索运动使得算法能够对搜索空间进行充分的探索，因此如果算法陷入局部最优，这种行为将帮助算法及时跳出。
8、迭代次数n=n+1，则进入第2步。
9、输出最佳位置
Figure SMS_106
，即目标参数。
本发明实施例提供的具体的虚拟电厂价格确定方法，首先确定充电积极性关系和放电积极性关系，然后根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率，之后建立收益函数；最后根据实时的供电价格和购电价格以及约束条件得到虚拟电厂在时段T内的收益最高时的售电价和回购电价。这样随着供电价格和购电价格的变动，本发明提供的方案给出的售电价和回购电价实时变动，且均能保证虚拟电厂收益最高。同时引入充电积极性关系和放电积极性关系，能够同时提高电动汽车的参与度，充分发挥电动汽车储能优势，提高虚拟电厂盈利能力，最大化的发挥虚拟电厂削峰填谷的效能。
第三实施例，本发明提供一种虚拟电厂价格确定装置，如图2所示，包括：
关系建立模块21，用于建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，充电积极性关系用于表示虚拟电厂售电价与公共电网对虚拟电厂的供电价格对用户选择在虚拟电厂充电的影响；放电积极性关系用于表示虚拟电厂回购电价与公共电网对虚拟电厂的购电价格对用户选择在虚拟电厂放电的影响；具体地，关系建立模块21获取虚拟电厂售电价与公共电网对虚拟电厂的供电价格的差值与用户选择在虚拟电厂放电的第一数据；对第一数据进行拟合得到在虚拟电厂充电的第一曲线函数，将第一曲线函数作为充电积极性关系；获取电动汽车在非充电状态下，虚拟电厂回购电价与公共电网对虚拟电厂的购电价格的差值与用户选择在虚拟电厂充电的第二数据；对第二数据进行拟合得到在虚拟电厂放电的第二曲线函数，根据第二曲线函数得到放电积极性关系。其中，根据第二曲线函数得到放电积极性关系，采用以下计算公式：
放电积极性关系=第二曲线函数*（1-第一曲线函数）。
功率计算模块22，用于根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率；具体地，计算公式如下：
Figure SMS_107
，/>
Figure SMS_108
其中，V为虚拟电厂区域内可参与的所有用户的电动汽车总量，
Figure SMS_109
为t时段第v辆电动汽车的平均充电功率，/>
Figure SMS_110
为t时段第v辆电动汽车的平均放电功率，/>
Figure SMS_111
为充电积极性，/>
Figure SMS_112
为放电积极性。
函数建立模块23，用于建立虚拟电厂的任意时间段的收益函数，收益函数如下：
Figure SMS_113
其中，
Figure SMS_115
表示t时段虚拟电厂对用户的售电价；/>
Figure SMS_117
表示t时段虚拟的回购电价；/>
Figure SMS_119
表示t时段公共电网对虚拟电厂的供电价格；/>
Figure SMS_116
表示t时段公共电网对虚拟电厂的购电价格,/>
Figure SMS_118
为t时段虚拟电厂区域内所有电动汽车的充电功率，/>
Figure SMS_120
为t时段虚拟电厂区域内所有电动汽车的放电功率，/>
Figure SMS_121
为充电时段持续的时间，T为总时段数，/>
Figure SMS_114
为时间段T内虚拟电厂的运维费用值，f为虚拟电厂在时段T内的收益；
价格确定模块24，用于将对应时段的公共电网对虚拟电厂的供电价格和购电价格输入到收益函数中，并根据约束条件得到虚拟电厂在任意时段内的收益最高时的售电价和回购电价，并将得到的售电价和回购电价作为所述时段的售电价和回购电价。其中，约束条件为：售电价大于公共电网对虚拟电厂的供电价格且小于预设的最高售电价格；回购电价大于公共电网对虚拟电厂的购电价格且小于预设的最低回购电价；每辆电动汽车的平均充电功率大于0且小于预设的平均充电功率上限；每辆电动汽车的平均放电功率大于0且小于预设的平均放电功率上限；虚拟电厂区域内所有电动汽车的充电功率小于或等于虚拟电厂区域内所有电动汽车的平均充电功率之和；虚拟电厂区域内所有电动汽车的放电功率小于或等于虚拟电厂区域内所有电动汽车的平均放电功率之和。
其中，价格确定模块24获取M个目标参数组，每个目标参数组中包括至少一个参数
Figure SMS_122
，/>
Figure SMS_123
表示第i个目标参数组的第j个参数的位置，每个参数为一组售电价或回购电价，M为大于1的正整数；
分别从每个目标参数组中，确定出参数位置最优的一个最优参数，以确定M个最优参数，所述最优参数得到的收益不小于目标参数组内其余参数得到的收益；
基于所述M个最优参数中的目标最优参数，确定目标参数。
进一步地，基于所述M个最优参数中的目标最优参数，确定目标参数，包括：
设置迭代次数n=1，从所述M个最优参数中，确定参数位置最优的所述目标最优参数
Figure SMS_124
；
当n＜N时，其中N为预设最大迭代次数，重复以下步骤，直至n=N：
控制M-1个目标参数组，向所述目标最优参数的参数位置进行搜索计算，以更新所述M-1个目标参数组的参数位置，所述M-1个目标参数组为M-1个最优参数一一对应的参数组，所述M-1个最优参数为所述M个最优参数中除所述目标最优参数外的最优参数；分别从更新参数位置后的所述M-1个目标参数组中的每个目标参数组中，确定出参数位置最优的一个第一最优参数，以确定M-1个第一最优参数；从所述M-1个第一最优参数和所述目标最优参数中，确定参数位置最优的所述目标参数，并且迭代次数加1。
进一步地，所述控制M-1个目标参数组，向所述目标最优参数的参数位置进行搜索计算，包括：
控制第一参数组中的最优参数，向所述目标最优参数的参数位置进行调整；公式如下：
Figure SMS_125
其中，
Figure SMS_126
为M-1个目标参数组中任一组的最优参数；/>
Figure SMS_127
为目标最优参数，/>
Figure SMS_128
为[0,1]内的随机向量，/>
Figure SMS_129
、/>
Figure SMS_130
为[-1,1]内的随机数；
当第一参数组中其他参数得到的收益不大于第一参数组的最优参数时，控制所述第一参数组中的其他参数，向调整后的所述第一参数组中的最优参数的参数位置进行调制；公式如下：
Figure SMS_131
其中，
Figure SMS_132
为[0,1]内的随机向量，/>
Figure SMS_133
为[-1,1]内的随机数；
其中，所述第一参数组为所述M-1个目标参数组中的任意一个；所述其他参数为所述第一参数组中除所述第一参数组中的最优参数外的参数；
当第一参数组中其他参数得到的收益大于第一参数组的最优参数时，调整第一参数组中其他参数的位置，公式如下：
Figure SMS_134
式中，
Figure SMS_135
为[0,1]内的随机向量。/>
本发明实施例提供的虚拟电厂价格确定装置，首先确定充电积极性关系和放电积极性关系，然后根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率，之后建立收益函数；最后根据实时的供电价格和购电价格以及约束条件得到虚拟电厂在时段T内的收益最高时的售电价和回购电价。这样随着供电价格和购电价格的变动，本发明提供的方案给出的售电价和回购电价实时变动，且均能保证虚拟电厂收益最高。同时引入充电积极性关系和放电积极性关系，能够同时提高电动汽车的参与度，充分发挥电动汽车储能优势，提高虚拟电厂盈利能力，最大化的发挥虚拟电厂削峰填谷的效能。
第四实施例，本发明提供一种虚拟电厂价格确定系统，包括处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一实施例或第二实施例提供的虚拟电厂价格确定方法的步骤。
本发明实施例提供的虚拟电厂价格确定系统，首先确定充电积极性关系和放电积极性关系，然后根据充电积极性关系和放电积极性关系计算虚拟电厂区域内所有电动汽车的充电功率和放电功率，之后建立收益函数；最后根据实时的供电价格和购电价格以及约束条件得到虚拟电厂在时段T内的收益最高时的售电价和回购电价。这样随着供电价格和购电价格的变动，本发明提供的方案给出的售电价和回购电价实时变动，且均能保证虚拟电厂收益最高。同时引入充电积极性关系和放电积极性关系，能够同时提高电动汽车的参与度，充分发挥电动汽车储能优势，提高虚拟电厂盈利能力，最大化的发挥虚拟电厂削峰填谷的效能。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
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特定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。
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。例如，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。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
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)

1.一种虚拟电厂价格确定方法，其特征在于，包括以下步骤：
建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，所述充电积极性关系用于表示虚拟电厂售电价与公共电网对虚拟电厂的供电价格对用户选择在虚拟电厂充电的影响；所述放电积极性关系用于表示虚拟电厂回购电价与公共电网对虚拟电厂的购电价格对用户选择在虚拟电厂放电的影响；
根据所述充电积极性关系和所述放电积极性关系计算所述虚拟电厂区域内所有电动汽车的充电功率和放电功率；
建立所述虚拟电厂的任意时间段的收益函数，所述收益函数如下：
Figure QLYQS_1
其中，
Figure QLYQS_3
表示t时段虚拟电厂对用户的售电价；/>
Figure QLYQS_6
表示t时段虚拟的回购电价；
Figure QLYQS_8
表示t时段公共电网对虚拟电厂的供电价格；/>
Figure QLYQS_4
表示t时段公共电网对虚拟电厂的购电价格,/>
Figure QLYQS_5
为t时段所述虚拟电厂区域内所有电动汽车的充电功率，/>
Figure QLYQS_7
为t时段所述虚拟电厂区域内所有电动汽车的放电功率，/>
Figure QLYQS_9
为充电时段持续的时间，T为总时段数，/>
Figure QLYQS_2
为时间段T内虚拟电厂的运维费用值，f为虚拟电厂在时段T内的收益；
将对应时段的公共电网对虚拟电厂的供电价格和购电价格输入到所述收益函数中，并根据约束条件得到虚拟电厂在任意时段内的收益最高时的售电价和回购电价，并将得到的售电价和回购电价作为所述时段的售电价和回购电价。
2.根据权利要求1所述的方法，其特征在于：所述建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，包括：
获取虚拟电厂售电价与公共电网对虚拟电厂的供电价格的差值与用户选择在虚拟电厂放电的第一数据；对所述第一数据进行拟合得到在虚拟电厂充电的第一曲线函数，将所述第一曲线函数作为充电积极性关系；
获取电动汽车在非充电状态下，虚拟电厂回购电价与公共电网对虚拟电厂的购电价格的差值与用户选择在虚拟电厂充电的第二数据；对所述第二数据进行拟合得到在虚拟电厂放电的第二曲线函数，根据所述第二曲线函数得到放电积极性关系。
3.根据权利要求2所述的方法，其特征在于：所述根据所述第二曲线函数得到放电积极性关系，采用以下计算公式：
放电积极性关系=第二曲线函数*（1-第一曲线函数）。
4.根据权利要求1所述的方法，其特征在于：所述根据所述充电积极性关系和所述放电积极性关系计算所述虚拟电厂区域内所有电动汽车的充电功率和放电功率，包括：
Figure QLYQS_10
，/>
Figure QLYQS_11
其中，V为虚拟电厂区域内可参与的所有用户的电动汽车总量，
Figure QLYQS_12
为t时段第v辆电动汽车的平均充电功率，/>
Figure QLYQS_13
为t时段第v辆电动汽车的平均放电功率，/>
Figure QLYQS_14
为充电积极性，
Figure QLYQS_15
为放电积极性。
5.根据权利要求1所述的方法，其特征在于：所述约束条件为：
售电价大于公共电网对虚拟电厂的供电价格且小于预设的最高售电价格；
回购电价大于公共电网对虚拟电厂的购电价格且小于预设的最低回购电价；
每辆电动汽车的平均充电功率大于0且小于预设的平均充电功率上限；
每辆电动汽车的平均放电功率大于0且小于预设的平均放电功率上限；
虚拟电厂区域内所有电动汽车的充电功率小于或等于虚拟电厂区域内所有电动汽车的平均充电功率之和；
虚拟电厂区域内所有电动汽车的放电功率小于或等于虚拟电厂区域内所有电动汽车的平均放电功率之和。
6.根据权利要求1所述的方法，其特征在于：所述得到虚拟电厂在时段T内的收益最高时的售电价和回购电价，包括：
获取M个目标参数组，每个目标参数组中包括至少一个参数
Figure QLYQS_16
，/>
Figure QLYQS_17
表示第i个目标参数组的第j个参数的位置，每个参数为一组售电价或回购电价，M为大于1的正整数；
分别从每个目标参数组中，确定出参数位置最优的一个最优参数，以确定M个最优参数，所述最优参数得到的收益不小于目标参数组内其余参数得到的收益；
基于所述M个最优参数中的目标最优参数，确定目标参数。
7.根据权利要求6所述的方法，其特征在于：所述基于所述M个最优参数中的目标最优参数，确定目标参数，包括：
设置迭代次数n=1，从所述M个最优参数中，确定参数位置最优的所述目标最优参数
Figure QLYQS_18
；
当n＜N时，其中N为预设最大迭代次数，重复以下步骤，直至n=N：
控制M-1个目标参数组，向所述目标最优参数的参数位置进行搜索计算，以更新所述M-1个目标参数组的参数位置，所述M-1个目标参数组为M-1个最优参数一一对应的参数组，所述M-1个最优参数为所述M个最优参数中除所述目标最优参数外的最优参数；分别从更新参数位置后的所述M-1个目标参数组中的每个目标参数组中，确定出参数位置最优的一个第一最优参数，以确定M-1个第一最优参数；从所述M-1个第一最优参数和所述目标最优参数中，确定参数位置最优的所述目标参数，并且迭代次数加1。
8.根据权利要求7所述的方法，其特征在于：所述控制M-1个目标参数组，向所述目标最优参数的参数位置进行搜索计算，包括：
控制第一参数组中的最优参数，向所述目标最优参数的参数位置进行调整；公式如下：
Figure QLYQS_19
其中，
Figure QLYQS_20
为M-1个目标参数组中任一组的最优参数；/>
Figure QLYQS_21
为目标最优参数，/>
Figure QLYQS_22
为[0,1]内的随机向量，/>
Figure QLYQS_23
、/>
Figure QLYQS_24
为[-1,1]内的随机数；
当第一参数组中其他参数得到的收益不大于第一参数组的最优参数时，控制所述第一参数组中的其他参数，向调整后的所述第一参数组中的最优参数的参数位置进行调制；公式如下：
Figure QLYQS_25
其中，
Figure QLYQS_26
为[0,1]内的随机向量，/>
Figure QLYQS_27
为[-1,1]内的随机数；
其中，所述第一参数组为所述M-1个目标参数组中的任意一个；所述其他参数为所述第一参数组中除所述第一参数组中的最优参数外的参数；
当第一参数组中其他参数得到的收益大于第一参数组的最优参数时，调整第一参数组中其他参数的位置，公式如下：
Figure QLYQS_28
式中，
Figure QLYQS_29
为[0,1]内的随机向量。
9.一种虚拟电厂价格确定装置，其特征在于，包括：
关系建立模块，用于建立用户选择在虚拟电厂充电的充电积极性关系以及用户在虚拟电厂放电的放电积极性关系，所述充电积极性关系用于表示虚拟电厂售电价与公共电网对虚拟电厂的供电价格对用户选择在虚拟电厂充电的影响；所述放电积极性关系用于表示虚拟电厂回购电价与公共电网对虚拟电厂的购电价格对用户选择在虚拟电厂放电的影响；
功率计算模块，用于根据所述充电积极性关系和所述放电积极性关系计算所述虚拟电厂区域内所有电动汽车的充电功率和放电功率；
函数建立模块，用于建立所述虚拟电厂的任意时间段的收益函数，所述收益函数如下：
Figure QLYQS_30
其中，
Figure QLYQS_32
表示t时段虚拟电厂对用户的售电价；/>
Figure QLYQS_34
表示t时段虚拟的回购电价；
Figure QLYQS_36
表示t时段公共电网对虚拟电厂的供电价格；/>
Figure QLYQS_31
表示t时段公共电网对虚拟电厂的购电价格,/>
Figure QLYQS_35
为t时段所述虚拟电厂区域内所有电动汽车的充电功率，/>
Figure QLYQS_37
为t时段所述虚拟电厂区域内所有电动汽车的放电功率，/>
Figure QLYQS_38
为充电时段持续的时间，T为总时段数，/>
Figure QLYQS_33
为时间段T内虚拟电厂的运维费用值，f为虚拟电厂在时段T内的收益；
价格确定模块，用于将对应时段的公共电网对虚拟电厂的供电价格和购电价格输入到所述收益函数中，并根据约束条件得到虚拟电厂在任意时段内的收益最高时的售电价和回购电价，并将得到的售电价和回购电价作为所述时段的售电价和回购电价。
10.一种虚拟电厂价格确定系统，其特征在于：包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至8中任一项所述的虚拟电厂价格确定方法的步骤。
CN202310505185.0A 2022-11-29 2023-05-08 一种虚拟电厂价格确定方法、装置和系统 Pending CN116228299A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211503441.4A CN115545806A (zh) 2022-11-29 2022-11-29 收益确定方法、装置及相关产品
CN2022115034414 2022-11-29

Publications (1)

Publication Number Publication Date
CN116228299A true CN116228299A (zh) 2023-06-06

Family

ID=84722743

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211503441.4A Pending CN115545806A (zh) 2022-11-29 2022-11-29 收益确定方法、装置及相关产品
CN202310505185.0A Pending CN116228299A (zh) 2022-11-29 2023-05-08 一种虚拟电厂价格确定方法、装置和系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211503441.4A Pending CN115545806A (zh) 2022-11-29 2022-11-29 收益确定方法、装置及相关产品

Country Status (1)

Country Link
CN (2) CN115545806A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545806A (zh) * 2022-11-29 2022-12-30 北京峰玉科技有限公司 收益确定方法、装置及相关产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200081119A (ko) * 2018-12-27 2020-07-07 한국남동발전 주식회사 다중 목적함수에 기반한 가상발전소 운영 시스템 및 그 운영 방법
CN114862460A (zh) * 2022-04-28 2022-08-05 国网江苏省电力有限公司电力科学研究院 一种基于主从博弈的电动汽车虚拟电厂运营商的定价方法
CN115545806A (zh) * 2022-11-29 2022-12-30 北京峰玉科技有限公司 收益确定方法、装置及相关产品

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200081119A (ko) * 2018-12-27 2020-07-07 한국남동발전 주식회사 다중 목적함수에 기반한 가상발전소 운영 시스템 및 그 운영 방법
CN114862460A (zh) * 2022-04-28 2022-08-05 国网江苏省电力有限公司电力科学研究院 一种基于主从博弈的电动汽车虚拟电厂运营商的定价方法
CN115545806A (zh) * 2022-11-29 2022-12-30 北京峰玉科技有限公司 收益确定方法、装置及相关产品

Also Published As

Publication number Publication date
CN115545806A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
US11014466B2 (en) Building energy optimization system with battery powered vehicle cost optimization
Cui et al. Operation optimization approaches of electric vehicle battery swapping and charging station: A literature review
Zhong et al. Topology-aware vehicle-to-grid energy trading for active distribution systems
Yang et al. Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review
Daryabari et al. Stochastic energy management of responsive plug-in electric vehicles characterizing parking lot aggregators
CN111079971A (zh) 一种考虑车、站、网三方的充电站定价方法
CN110503309B (zh) 基于主动需求响应的电动汽车充电调度方法
Tostado-Véliz et al. A two-stage IGDT-stochastic model for optimal scheduling of energy communities with intelligent parking lots
Alfaverh et al. Optimal vehicle-to-grid control for supplementary frequency regulation using deep reinforcement learning
CN116228299A (zh) 一种虚拟电厂价格确定方法、装置和系统
Lai et al. Profit maximization for large-scale energy storage systems to enable fast EV charging infrastructure in distribution networks
Chang et al. Two-stage coordinated operation framework for virtual power plant with aggregated multi-stakeholder microgrids in a deregulated electricity market
Silva et al. Clustering distributed Energy Storage units for the aggregation of optimized local solar energy
Ghahramani et al. Short-term scheduling of future distribution network in high penetration of electric vehicles in deregulated energy market
Lemeski et al. Optimal decentralized coordinated operation of electric vehicle aggregators enabling vehicle to grid option using distributed algorithm
CN114037192A (zh) 基于大数据的虚拟电厂交易管理方法、装置、设备及介质
Thomas et al. A review on mathematical models of electric vehicle for energy management and grid integration studies
Kang et al. A bi-level reinforcement learning model for optimal scheduling and planning of battery energy storage considering uncertainty in the energy-sharing community
Singh et al. Multi-objective planning of electric vehicles charging in distribution system considering priority-based vehicle-to-grid scheduling
Cao et al. Risk-involved stochastic performance of hydrogen storage based intelligent parking lots of electric vehicles using downside risk constraints method
Liu et al. Supporting virtual power plants decision-making in complex urban environments using reinforcement learning
Lohat et al. AROA: Adam Remora Optimization Algorithm and Deep Q network for energy harvesting in Fog-IoV network
CN110998643B (zh) 用于基于模式的能量存储管理的系统、设备和方法
Yan et al. Optimal scheduling strategy and benefit allocation of multiple virtual power plants based on general nash bargaining theory
Liu et al. Energy management of green charging station integrated with photovoltaics and energy storage system based on electric vehicles classification

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230606

RJ01 Rejection of invention patent application after publication