CN116362828A - 基于相似性场景及粒子群算法的火电机组报价决策方法 - Google Patents
基于相似性场景及粒子群算法的火电机组报价决策方法 Download PDFInfo
- Publication number
- CN116362828A CN116362828A CN202310200554.5A CN202310200554A CN116362828A CN 116362828 A CN116362828 A CN 116362828A CN 202310200554 A CN202310200554 A CN 202310200554A CN 116362828 A CN116362828 A CN 116362828A
- Authority
- CN
- China
- Prior art keywords
- day
- data
- scene
- price
- curve
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002245 particle Substances 0.000 title claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 87
- 238000000418 atomic force spectrum Methods 0.000 claims abstract description 26
- 230000008901 benefit Effects 0.000 claims abstract description 21
- 239000003245 coal Substances 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 17
- YURDCJXYOLERLO-LCYFTJDESA-N (2E)-5-methyl-2-phenylhex-2-enal Chemical compound CC(C)C\C=C(\C=O)C1=CC=CC=C1 YURDCJXYOLERLO-LCYFTJDESA-N 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010977 unit operation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000002354 daily effect Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于相似性场景及粒子群算法的火电机组报价决策方法,通过相似性场景综合多种模糊因素得到相似场景下的日前电价,考虑到了相似场景下日前电价的多种可能性,考虑因素更全面,避免了因电价预测波动所带来的影响;其次基于密度聚类得到聚类簇,即相似场景,通过粒子群优化算法求解得到每种相似场景所对应的申报策略,并分别计算出每种申报策略所对应的中标出力曲线;然后构建目标函数,将每种中标出力曲线分别带入剩余场景中计算收益,通过目标函数计算得到每种策略所对应的收益加权值,最后选取最大的收益加权值所对应的申报策略作为最终的申报策略;本发明使不同相似场景的收益最大化,考虑因素周全,具有一定的鲁棒性。
Description
技术领域
本发明属于电力市场交易技术领域,具体涉及基于相似性场景及粒子群算法的火电机组报价决策方法。
背景技术
随着电力市场的逐步改革和发展,电力市场规则越来越复杂,涉及的因素越来越广泛。目前通常所用的交易方式为人工方式,过度依赖于人工经验和行业知识,考虑的因素不够全面,效率低下,已经远远不能满足市场交易的需求。
随着科学技术的发展,替代人工操作的信息化手段已经遍及各行各业,可以大大提高了工作效率,考虑因素更加全面,更加具有客观性。因此,基于信息化手段的电力市场交易辅助决策支持平台至关重要,在市场规则的前提下,采用数据融合、数据预测、人工智能优化等方式实现现货交易市场的智能化辅助决策,自动生成交易策略,可以保障交易效率,提高经济效益。
在现货市场场景下,其采用“发电侧保量报价、用户侧保量不报价”的模式进行申报,并按照交易规则需要提前一天进行日前申报,即在D-1日早晨申报D日的机组报价段和各报价段的出力。其是在基于模糊环境(日前电价未知)提前申报,并依据模糊环境、申报报价段和各报价段出力得到机组中标出力曲线,计算预估收益,最终在真实环境即日前出清数据已知时,重新计算机组中标出力曲线参与现货市场的结算收入。
现有技术中,针对火电的机组报价模型主要依赖于日前价格预测进行申报,但是价格预测受到多方面因素的影响使得已有方法的准确率不高,使火电机组申报策略具有一定的不稳定性和随机性,不能很好的适用于电力市场,因此研究一种考虑因素周全且具有一定的鲁棒性的电力交易辅助决策系统很有市场前景。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种基于相似性场景及粒子群算法的火电机组报价决策方法。
为了解决技术问题,本发明的技术方案是:基于相似性场景及粒子群算法的火电机组报价决策方法,包括以下步骤:
步骤1:对火电机组现货日前交易所需数据进行采集整理;
步骤2:以目标日D日为基准往前挑选N天的历史样本数据,并对历史样本数据进行预处理,其次基于相似性计算目标日D日的目标样本数据与所挑选的历史样本数据之间的欧氏距离,选取欧氏距离最小的N*天作为相似场景,以此得到相似场景下的日前电价;
步骤3:通过密度聚类方法对步骤2所得到的相似场景下的日前电价进行聚类得到聚类簇,即得到K种相似场景,计算得到每种相似场景中的核心日前电价曲线,每种相似场景得到一条,最终得到k条核心日前电价曲线,并计算其权重,即k条核心日前电价曲线在所有场景中所占的权重;
步骤4:基于相似场景得到申报策略以及申报策略所对应的中标出力曲线,将中标出力曲线带入k种相似场景中计算收益值,可得到k个收益值,接着建立目标函数,得到最优的火电机组日前申报策略。
优选的,所述步骤1具体为:对火电机组现货日前交易所需数据以天为长度以每15分钟为单位进行采集整理,得到每天T点的数据。
优选的,所述步骤2包括以下步骤:
步骤2-1:构建数据特征;将日前交易所需数据中同一天的T点负荷率数据、T点全网负荷和T点新能源负荷数据进行组合,形成3T维的数据特征,将每一天的数据作为一条数据样本,记样本数为M,记样本矩阵为XM×3T;
步骤2-2:对数据进行数据预处理;对数据进行清洗,检查数据一致性、处理无效值和缺失值,接着对清洗过后的数据特征进行归一化处理;
步骤2-3:目标日D日的目标样本数据记为X*,以目标日D日前一天为基准寻找N天的历史样本数据,并对历史样本数据进行步骤2-2所述的数据预处理,得到预处理后的历史样本数据X′N×3T,其中每一条历史样本数据记为X′d;
步骤2-4:计算目标样本数据X*与每一条历史样本数据X′d的欧式距离,并对其欧式距离进行排序,接着设置阈值,筛选出距离小于阈值的N*天样本数,即相似样本数;
步骤2-5:基于N*天的相似样本数,从步骤1采集到的数据中依据其日期索引中可得到所对应的N*天的日前出清电价,即得到相似场景下的日前电价。
优选的,所述步骤2-2中归一化处理的公式为:
式中:
X'd,t表示第d天第t时刻归一化之后的数据特征;
Xd,t表示第d天第t时刻的数据特征;
优选的,所述步骤2-4中欧式距离的计算公式为:
式中:
X′d,t表示历史样本数据中第d天的第t时刻归一化之后的数据。
优选的,所述步骤3包括以下步骤:
步骤3-1:对相似场景下的日前电价进行聚类;利用密度聚类方法对N*天的日前出清电价进行聚类,得到K类聚类簇,每一个聚类簇可以作为一种相似场景,即K种相似场景,每个相似场景中包含mk条电价曲线;
步骤3-2:计算得到每个相似场景的核心日前电价曲线;依次将同一场景中的日前出清电价曲线作为核心曲线,计算该场景中剩余mk-1条曲线到该核心曲线的距离,并计算mk-1个距离的均值,因此对于同一个场景而言,每条曲线都会得到一个均值,即mk个均值;然后找出mk个均值中最小值所对应的日前电价曲线,作为该场景的核心日前电价曲线;最后K种相似场景中都分别得到1条核心日前电价曲线,共k条曲线,即K种相似场景下的k条核心日前电价曲线;
优选的,所述步骤4包括以下步骤:
步骤4-1:基于相似场景得到申报策略以及申报策略所对应的中标出力曲线;
将k条核心日前电价曲线依次作为目标日D日的日前电价进行申报,以收益值最大化作为目标,通过粒子群算法求解可分别得到k条核心日前电价曲线所对应的k种申报策略,通过相似场景得到的k种申报策略,按照市场交易规则可知当机组报价段价格Pi低于日前电价则此报价段中标,高于日前电价则此报价段不中标,对应的机组日前分时中标出力等于中标出力段上限最大值,因此,每种申报策略都可得到一条中标出力曲线,则k种申报策略得到k种中标出力曲线;
步骤4-2:根据机组运行参数、成本参数以及每种负载率情况下的度电煤耗数据,利用数值分析方法计算总变动成本;
步骤4-3:建立目标函数得到最优申报策略;
基于申报策略所得到的k条中标出力曲线,分别将其带入k种相似场景中计算收益值,可得到k个收益值,接着建立目标函数,计算每条中标出力曲线的收益加权均值,选取最大收益加权均值所对应的中标出力曲线和申报策略,作为最终的申报策略和中标出力曲线。
优选的,所述步骤4-1中收益值的计算公式为:
Pi-1≤Pi≤Pmax
α(Qmax-Qmin)≤n(Qi-Qi-1)
式中:
J表示收益值;
Qi表示机组报价段出力;
Qmin表示机组最小出力;
Qmax表示机组最大出力;
α表示前后报价段出力约束系数;
Pi表示机组报价段价格;
Pmax表示申报价格上限;
Qzhong,t表示第t时刻的中长期合约电量;
Jzhong,t表示第t时刻的中长期合约费用;
优选的,所述步骤4-2中总变动成本的计算公式为:
总变动成本(含税)=[综合供电煤耗曲线(厂用电率计算过)*耗用标煤价格(不含税)+其他变动成本(不含税)]*(1+税率)*出力*(1-综合厂用电率曲线)
Rcost,t=(Qcocal,t×Pcocal,t+Rother)×(1+Rtax)×Qriqian,t×(1-ER)
式中:
Qcocal,t表示第t时刻的综合供电煤耗量;
Pcocal,t表示第t时刻的耗用标煤价格;
Rother表示其他变动成本;
Rtax表示税率;
ER表示综合厂用电率曲线。
优选的,所述步骤4-3中目标函数为:
其中,fi(·)是关于日前电价的收益函数,具体如下:
式中:
与现有技术相比,本发明的优点在于:
(1)本发明从电力市场交易的角度出发,提出一种基于相似性场景及粒子群算法的火电机组报价决策方法,该方法通过相似性场景综合多种模糊因素得到相似场景下的日前电价,考虑到了相似场景下日前电价的多种可能性,考虑因素更全面,避免了因电价预测波动所带来的影响;其次基于密度聚类得到聚类簇,即相似场景,通过粒子群优化算法求解得到每种相似场景所对应的申报策略,并分别计算出每种申报策略所对应的中标出力曲线;然后构建目标函数,将每种中标出力曲线分别带入剩余场景中计算收益,通过目标函数计算得到每种策略所对应的收益加权值;最后选取最大的收益加权值所对应的申报策略作为最终的申报策略;本发明所得到的最终申报策略可以使不同相似场景的收益最大化,考虑因素周全,具有一定的鲁棒性,并且智能化生成现货日前申报策略,充分保障经济效益;
(2)通过本发明火电机组报价决策方法得到的申报策略在保证经济效益的同时准确度更高,同时智能化程度高有效地减少了人力资源,节省成本,申报策略较为客观避免了人为因素的影响。
附图说明
图1为本发明一种基于相似性场景及粒子群算法的火电机组报价决策方法的整体流程图;
图2为本发明实施例6原始数据图;
图3为本发明实施例6归一化前后数据对比图;
图4为本发明实施例6相似场景下的日前电价图;
图5为本发明实施例6相似场景下日前电价的密度聚类结果图;
图6为本发明实施例6最终的中标出力曲线图。
具体实施方式
下面结合实施例描述本发明具体实施方式:
本发明公开了一种基于相似性场景及粒子群算法的火电机组报价决策方法,包括以下步骤:
步骤1:对火电机组现货日前交易所需数据进行采集整理;
步骤2:以目标日D日为基准往前挑选N天的历史样本数据,并对历史样本数据进行预处理,其次基于相似性计算目标日D日的目标样本数据与所挑选的历史样本数据之间的欧氏距离,选取欧氏距离最小的N*天作为相似场景,以此得到相似场景下的日前电价;
步骤3:通过密度聚类方法对步骤2所得到的相似场景下的日前电价进行聚类得到聚类簇,即得到K种相似场景,计算得到每种相似场景中的核心日前电价曲线,每种相似场景得到一条,最终得到k条核心日前电价曲线,并计算其权重,即k条核心日前电价曲线在所有场景中所占的权重;
步骤4:基于相似场景得到申报策略以及申报策略所对应的中标出力曲线,将中标出力曲线带入k种相似场景中计算收益值,可得到k个收益值,接着建立目标函数,得到最优的火电机组日前申报策略。
优选的,所述步骤1具体为:对火电机组现货日前交易所需数据以天为长度以每15分钟为单位进行采集整理,得到每天T点的数据。
优选的,所述步骤2包括以下步骤:
步骤2-1:构建数据特征;将日前交易所需数据中同一天的T点负荷率数据、T点全网负荷和T点新能源负荷数据进行组合,形成3T维的数据特征,将每一天的数据作为一条数据样本,记样本数为M,记样本矩阵为XM×3T;
步骤2-2:对数据进行数据预处理;对数据进行清洗,检查数据一致性、处理无效值和缺失值,接着对清洗过后的数据特征进行归一化处理;
步骤2-3:目标日D日的目标样本数据记为X*,以目标日D日前一天为基准寻找N天的历史样本数据,并对历史样本数据进行步骤2-2所述的数据预处理,得到预处理后的历史样本数据X′N×3T,其中每一条历史样本数据记为X′d;
步骤2-4:计算目标样本数据X*与每一条历史样本数据X′d的欧式距离,并对其欧式距离进行排序,接着设置阈值,筛选出距离小于阈值的N*天样本数,即相似样本数;
步骤2-5:基于N*天的相似样本数,从步骤1采集到的数据中依据其日期索引中可得到所对应的N*天的日前出清电价,即得到相似场景下的日前电价。
优选的,所述步骤2-2中归一化处理的公式为:
式中:
X'd,t表示第d天第t时刻归一化之后的数据特征;
Xd,t表示第d天第t时刻的数据特征;
优选的,所述步骤2-4中欧式距离的计算公式为:
式中:
X′d,t表示历史样本数据中第d天的第t时刻归一化之后的数据。
优选的,所述步骤3包括以下步骤:
步骤3-1:对相似场景下的日前电价进行聚类;利用密度聚类方法对N*天的日前出清电价进行聚类,得到K类聚类簇,每一个聚类簇可以作为一种相似场景,即K种相似场景,每个相似场景中包含mk条电价曲线;
步骤3-2:计算得到每个相似场景的核心日前电价曲线;依次将同一场景中的日前出清电价曲线作为核心曲线,计算该场景中剩余mk-1条曲线到该核心曲线的距离,并计算mk-1个距离的均值,因此对于同一个场景而言,每条曲线都会得到一个均值,即mk个均值;然后找出mk个均值中最小值所对应的日前电价曲线,作为该场景的核心日前电价曲线;最后K种相似场景中都分别得到1条核心日前电价曲线,共k条曲线,即K种相似场景下的k条核心日前电价曲线;
优选的,所述步骤4包括以下步骤:
步骤4-1:基于相似场景得到申报策略以及申报策略所对应的中标出力曲线;
将k条核心日前电价曲线依次作为目标日D日的日前电价进行申报,以收益值最大化作为目标,通过粒子群算法求解可分别得到k条核心日前电价曲线所对应的k种申报策略,通过相似场景得到的k种申报策略,按照市场交易规则可知当机组报价段价格Pi低于日前电价则此报价段中标,高于日前电价则此报价段不中标,对应的机组日前分时中标出力等于中标出力段上限最大值,因此,每种申报策略都可得到一条中标出力曲线,则k种申报策略得到k种中标出力曲线;
步骤4-2:根据机组运行参数、成本参数以及每种负载率情况下的度电煤耗数据,利用数值分析方法计算总变动成本;
步骤4-3:建立目标函数得到最优申报策略;
基于申报策略所得到的k条中标出力曲线,分别将其带入k种相似场景中计算收益值,可得到k个收益值,接着建立目标函数,计算每条中标出力曲线的收益加权均值,选取最大收益加权均值所对应的中标出力曲线和申报策略,作为最终的申报策略和中标出力曲线。
优选的,所述步骤4-1中收益值的计算公式为:
Pi-1≤Pi≤Pmax
α(Qmax-Qmin)≤n(Qi-Qi-1)
式中:
J表示收益值;
Qi表示机组报价段出力;
Qmin表示机组最小出力;
Qmax表示机组最大出力;
α表示前后报价段出力约束系数;
Pi表示机组报价段价格;
Pmax表示申报价格上限;
Qzhong,t表示第t时刻的中长期合约电量;
Jzhong,t表示第t时刻的中长期合约费用;
优选的,所述步骤4-2中总变动成本的计算公式为:
总变动成本(含税)=[综合供电煤耗曲线(厂用电率计算过)*耗用标煤价格(不含税)+其他变动成本(不含税)]*(1+税率)*出力*(1-综合厂用电率曲线)
Rcost,t=(Qcocal,t×Pcocal,t+Rother)×(1+Rtax)×Qriqian,t×(1-ER)
式中:
Qcocal,t表示第t时刻的综合供电煤耗量;
Pcocal,t表示第t时刻的耗用标煤价格;
Rother表示其他变动成本;
Rtax表示税率;
ER表示综合厂用电率曲线。
优选的,所述步骤4-3中目标函数为:
其中,fi(·)是关于日前电价的收益函数,具体如下:
式中:
实施例1
本发明所述步骤1:数据整理;对火电机组现货日前交易所需数据进行采集整理。
本发明所涉及到的数据主要包括市场披露数据(如全网负荷数据、新能源风光总加、负荷率等)、合约数据(如中长期合约数据等)以及出清数据。由于采集到的数据处于不同的数据量纲标准,并且有些数据是有“脏”数据存在的,所以需要对数据进行清洗,得到预处理之后的数据,本发明采用数据归一化对数据进行处理。其中,数据主要以天为长度以每15分钟为单位对数据进行采集。
实施例2
本发明所述步骤2:基于相似性得到相似场景下的日前电价;
(1)首先,构件数据特征;由于负荷率数据作为影响现货市场电价波动的关键因素,全网负荷和新能源负荷数据作为衡量电力交易的规模特征,因此将历史数据中同一天的T点负荷率数据、T点全网负荷和T点新能源负荷数据进行组合,形成3T维的数据特征,将每一天的数据作为一条数据样本,记样本数为M,记样本矩阵为XM×3T;
(2)其次,对数据进行数据预处理;通过数据清洗方法对数据特征进行处理,检查数据一致性、处理无效值和缺失值;接下来,对清洗过后的数据特征进行归一化处理,本发明采用min-max归一化方法对数据特征进行处理,具体如下:
式中:
X'd,t表示第d天第t时刻归一化之后的数据特征;
Xd,t表示第d天第t时刻的数据特征;
(3)然后,依据火电机组日前市场申报场景是在D-1日早晨申报D日的决策方案,故在D-1日早晨可得到预处理之后的目标日D日的样本数据X*;进一步,以D-1日为基准寻找N天的历史数据,并对历史数据进行数据预处理,得到历史数据样本X′N×3T;
(4)计算目标样本数X*与每一条历史样本数X′d的欧式距离,并对其距离进行排序,得到距离最小的N*天样本数,即相似样本数,其中欧式距离公式如下:
式中:
X′d,t表示历史样本数据中第d天的第t时刻归一化之后的数据;
(5)基于N*天的相似样本数,从采集到的数据中依据其日期索引中可得到所对应的N*天的日前出清电价,即得到相似场景下的日前电价。
实施例3
本发明步骤3:对基于相似场景下的日前电价进行密度聚类得到聚类簇。
(1)对相似场景下的日前电价进行聚类,利用密度聚类方法对N*天的日前出清电价进行聚类,得到K类聚类簇;每一个聚类簇可以作为一种相似场景,即K种相似场景,每个相似场景中包含mk条电价曲线;
(2)计算得到每个相似场景的“核心”日前电价曲线。首先,依次将同一场景中的日前出清电价曲线作为“核心”曲线,计算该场景中剩余mk-1条曲线到该核心曲线的距离,并计算mk-1个距离的均值,因此对于同一个场景而言,每条曲线都会得到一个均值,即mk个均值;然后,找出mk个均值中最小值所对应的日前电价曲线,作为该场景的“核心”日前出清电价曲线;最后,K种相似场景中都分别得到1条日前出清电价曲线,共k条曲线,即K种相似场景下的k条日前出清电价;
实施例4
本发明步骤4:建立目标函数得到最优申报方案
(1)基于相似场景得到申报方案以及申报方案所对应的中标出力曲线,具体如下:
由于相似场景是基于相似样本所对应的日前出清电价进行聚类所得到的,故筛选出类的k条日前出清电价曲线都与D日的目标日前出清电价相似。基于此,将这k条日前出清电价曲线依次作为D日的日前电价进行申报,以收益最大化作为目标,通过粒子群算法求解可分别得到k条日前出清电价曲线所对应的k种申报方案。通过相似场景得到的k种申报方案,按照市场交易规则可知当机组报价段价格Pi低于日前电价则此报价段中标,高于日前电价则此报价段不中标,对应的机组日前分时中标出力等于中标出力段上限最大值。因此,每种申报方案都可得到一条中标出力曲线,则k种申报方案得到k种中标出力曲线。
所述收益值计算公式如下:
Pi-1≤Pi≤Pmax
α(Qmax-Qmin)≤n(Qi-Qi-1)
其中,J表示收益值;
Qi表示机组报价段出力;
Qmin表示机组最小出力;
Qmax表示机组最大出力;
α表示前后报价段出力约束系数;
Pi表示机组报价段价格;
Pmax表示申报价格上限。
Qzhong,t表示第t时刻的中长期合约电量;
Jzhong,t表示第t时刻的中长期合约费用;
根据机组运行参数、成本参数以及每种负载率情况下的度电煤耗数据,利用数值分析方法计算总变动成本,具体如下:
总变动成本(含税)=[综合供电煤耗曲线(厂用电率计算过)*耗用标煤价格(不含税)+其他变动成本(不含税)]*(1+税率)*出力*(1-综合厂用电率曲线)
Rcost,t=(Qcocal,t×Pcocal,t+Rother)×(1+Rtax)×Qriqian,t×(1-ER)
其中,Qcocal,t表示第t时刻的综合供电煤耗量;
Pcocal,t表示第t时刻的耗用标煤价格;
Rother表示其他变动成本;
Rtax表示税率;
ER表示综合厂用电率曲线。
(2)建立目标函数得到最优申报方案
首先,基于申报策略所得到的k条中标出力曲线,分别将其带入k种相似场景中计算收益值,可得到k个收益值,为挑选出最优的申报策略,基于此建立目标函数,如下:
其中,fi(·)是关于日前电价的收益函数,具体如下:
其次,故对此计算每条中标出力曲线的收益加权均值,选取最大收益加权均值所对应的中标出力曲线和申报方案,作为最终的申报策略和中标出力曲线。
实施例5
如图1所示,本发明包括两个流程,分别为主流程和子流程。
主流程:
开始时,先进行数据整理;
接着,通过欧氏距离得到相似场景下的日前电价;
然后,对相似场景下的日前电价进行密度聚类得到聚类簇,即相似场景,并通过计算得到每种相似场景下的“核心”日前电价及权重,即k条日前电价;
接着,根据每种场景的“核心”日前电价,建立模型,通过粒子群优化算法求解得到每种场景所对应的申报策略和中标出力曲线;
最后,将中标出力曲线分别带入各相似场景中,得到不同的收益值,根据权重计算收益加权值,以此构建目标函数,得到最优申报策略。
子流程:(子流程是对原始数据构建数据特征,然后进行预处理)
对采集到的数据构建数据特征;
对数据特征预处理;
计算欧氏距离,得到相似场景下的日前电价。
实施例6
本实施例以山西某电厂为例,对本发明所提决策方法进行验证。
步骤1:首先,以天为长度以每15分钟为单位对数据进行采集,其具体格式见表1:
表1数据采集样式
以某一天原始数据为例,进行展示如图2。
然后,以目标日为基准往前采集M天的历史数据和披露数据,并对其进行数据清洗,剔除数据不全的整天数据,组成数据集。
步骤2:基于相似性得到相似场景下的日前电价:
(1)构建数据特征,以目标日为基准从数据集中往前选取N天(N≥60)的披露数据,包含全网负荷、新能源负荷数据以及负荷率数据,构建成数据特征。
(2)对数据特征进行归一化处理,采用min-max归一化方法对数据特征进行处理,以新能源负荷某时刻的数据为例,其处理前后的数据对比如图3所示。
(3)以目标日的归一化后的披露数据为基准,分别计算归一化之后的数据特征与其的欧氏距离,然后设置阈值,筛选出距离小于阈值的N*天样本数,即相似样本数。
(4)以相似样本的日期为索引,从数据集中筛选出对应日期的日前出清电价,即得到相似场景下的日前电价,如图4所示。
步骤3:对基于相似场景下的日前电价进行密度聚类得到聚类簇。
对相似场景下的日前出清电价进行归一化处理,然后利用高密度聚类对其进行聚类得到相似场景,得到如图5所示的K种相似场景(K=3)。
其中,虚线表示第一种相似场景数据,带*的实线表示第二种相似场景数据,带点的实线表示第三种相似场景数据,共分成了3种。
步骤4:建立目标函数并通过求解得到最优申报策略
基于步骤3所选取的日前电价,机组最大额定功率Qmax为600MW,最小额定功率Qmin为240MW,申报电价上限Pmax为1500元/MWh,根据已有数据和公式通过粒子群寻优得到3种申报策略以及中标出力曲线;然后,将这中标出力曲线分别带入所建立的目标函数,并通过求解得到最终的申报策略,如表2所示,以及最终的中标出力曲线,如图6所示。
表2某机组申报策略
本发明从电力市场交易的角度出发,提出一种基于相似性场景及粒子群算法的火电机组报价决策方法,该方法通过相似性场景综合多种模糊因素得到相似场景下的日前电价,考虑到了相似场景下日前电价的多种可能性,考虑因素更全面,避免了因电价预测波动所带来的影响;其次基于密度聚类得到聚类簇,即相似场景,通过粒子群优化算法求解得到每种相似场景所对应的申报策略,并分别计算出每种申报策略所对应的中标出力曲线;然后构建目标函数,将每种中标出力曲线分别带入剩余场景中计算收益,通过目标函数计算得到每种策略所对应的收益加权值;最后选取最大的收益加权值所对应的申报策略作为最终的申报策略;本发明所得到的最终申报策略可以使不同相似场景的收益最大化,考虑因素周全,具有一定的鲁棒性,并且智能化生成现货日前申报策略,充分保障经济效益。
通过本发明火电机组报价决策方法得到的申报策略时效快,较为客观,在保证经济效益的同时准确度更高,智能化程度高
上面对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (10)
1.基于相似性场景及粒子群算法的火电机组报价决策方法,其特征在于,包括以下步骤:
步骤1:对火电机组现货日前交易所需数据进行采集整理;
步骤2:以目标日D日为基准往前挑选N天的历史样本数据,并对历史样本数据进行预处理,其次基于相似性计算目标日D日的目标样本数据与所挑选的历史样本数据之间的欧氏距离,选取欧氏距离最小的N*天作为相似场景,以此得到相似场景下的日前电价;
步骤3:通过密度聚类方法对步骤2所得到的相似场景下的日前电价进行聚类得到聚类簇,即得到K种相似场景,计算得到每种相似场景中的核心日前电价曲线,每种相似场景得到一条,最终得到k条核心日前电价曲线,并计算其权重,即k条核心日前电价曲线在所有场景中所占的权重;
步骤4:基于相似场景得到申报策略以及申报策略所对应的中标出力曲线,将中标出力曲线带入k种相似场景中计算收益值,可得到k个收益值,接着建立目标函数,得到最优的火电机组日前申报策略。
2.根据权利要求1所述的基于相似性场景及粒子群算法的火电机组报价决策方法,其特征在于,所述步骤1具体为:对火电机组现货日前交易所需数据以天为长度以每15分钟为单位进行采集整理,得到每天T点的数据。
3.根据权利要求2所述的基于相似性场景及粒子群算法的火电机组报价决策方法,其特征在于,所述步骤2包括以下步骤:
步骤2-1:构建数据特征;将日前交易所需数据中同一天的T点负荷率数据、T点全网负荷和T点新能源负荷数据进行组合,形成3T维的数据特征,将每一天的数据作为一条数据样本,记样本数为M,记样本矩阵为XM×3T;
步骤2-2:对数据进行数据预处理;对数据进行清洗,检查数据一致性、处理无效值和缺失值,接着对清洗过后的数据特征进行归一化处理;
步骤2-3:目标日D日的目标样本数据记为X*,以目标日D日前一天为基准寻找N天的历史样本数据,并对历史样本数据进行步骤2-2所述的数据预处理,得到预处理后的历史样本数据X′N×3T,其中每一条历史样本数据记为Xd′;
步骤2-4:计算目标样本数据X*与每一条历史样本数据Xd′的欧式距离,并对其欧式距离进行排序,接着设置阈值,筛选出距离小于阈值的N*天样本数,即相似样本数;
步骤2-5:基于N*天的相似样本数,从步骤1采集到的数据中依据其日期索引中可得到所对应的N*天的日前出清电价,即得到相似场景下的日前电价。
6.根据权利要求3所述的基于相似性场景及粒子群算法的火电机组报价决策方法,其特征在于,所述步骤3包括以下步骤:
步骤3-1:对相似场景下的日前电价进行聚类;利用密度聚类方法对N*天的日前出清电价进行聚类,得到K类聚类簇,每一个聚类簇可以作为一种相似场景,即K种相似场景,每个相似场景中包含mk条电价曲线;
步骤3-2:计算得到每个相似场景的核心日前电价曲线;依次将同一场景中的日前出清电价曲线作为核心曲线,计算该场景中剩余mk-1条曲线到该核心曲线的距离,并计算mk-1个距离的均值,因此对于同一个场景而言,每条曲线都会得到一个均值,即mk个均值;然后找出mk个均值中最小值所对应的日前电价曲线,作为该场景的核心日前电价曲线;最后K种相似场景中都分别得到1条核心日前电价曲线,共k条曲线,即K种相似场景下的k条核心日前电价曲线;
7.根据权利要求6所述的基于相似性场景及粒子群算法的火电机组报价决策方法,其特征在于,所述步骤4包括以下步骤:
步骤4-1:基于相似场景得到申报策略以及申报策略所对应的中标出力曲线;
将k条核心日前电价曲线依次作为目标日D日的日前电价进行申报,以收益值最大化作为目标,通过粒子群算法求解可分别得到k条核心日前电价曲线所对应的k种申报策略,通过相似场景得到的k种申报策略,按照市场交易规则可知当机组报价段价格Pi低于日前电价则此报价段中标,高于日前电价则此报价段不中标,对应的机组日前分时中标出力等于中标出力段上限最大值,因此,每种申报策略都可得到一条中标出力曲线,则k种申报策略得到k种中标出力曲线;
步骤4-2:根据机组运行参数、成本参数以及每种负载率情况下的度电煤耗数据,利用数值分析方法计算总变动成本;
步骤4-3:建立目标函数得到最优申报策略;
基于申报策略所得到的k条中标出力曲线,分别将其带入k种相似场景中计算收益值,可得到k个收益值,接着建立目标函数,计算每条中标出力曲线的收益加权均值,选取最大收益加权均值所对应的中标出力曲线和申报策略,作为最终的申报策略和中标出力曲线。
8.根据权利要求7所述的基于相似性场景及粒子群算法的火电机组报价决策方法,其特征在于,所述步骤4-1中收益值的计算公式为:
Pi-1≤Pi≤Pmax
α(Qmax-Qmin)≤n(Qi-Qi-1)
式中:
J表示收益值;
Qi表示机组报价段出力;
Qmin表示机组最小出力;
Qmax表示机组最大出力;
α表示前后报价段出力约束系数;
Pi表示机组报价段价格;
Pmax表示申报价格上限;
Qzhong,t表示第t时刻的中长期合约电量;
Jzhong,t表示第t时刻的中长期合约费用;
9.根据权利要求7所述的基于相似性场景及粒子群算法的火电机组报价决策方法,其特征在于,所述步骤4-2中总变动成本的计算公式为:
总变动成本(含税)=[综合供电煤耗曲线(厂用电率计算过)*耗用标煤价格(不含税)+其他变动成本(不含税)]*(1+税率)*出力*(1-综合厂用电率曲线)
Rcost,t=(Qcocal,t×Pcocal,t+Rother)×(1+Rtax)×Qriqian,t×(1-ER)
式中:
Qcocal,t表示第t时刻的综合供电煤耗量;
Pcocal,t表示第t时刻的耗用标煤价格;
Rother表示其他变动成本;
Rtax表示税率;
ER表示综合厂用电率曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310200554.5A CN116362828B (zh) | 2023-03-06 | 2023-03-06 | 基于相似性场景及粒子群算法的火电机组报价决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310200554.5A CN116362828B (zh) | 2023-03-06 | 2023-03-06 | 基于相似性场景及粒子群算法的火电机组报价决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362828A true CN116362828A (zh) | 2023-06-30 |
CN116362828B CN116362828B (zh) | 2023-10-20 |
Family
ID=86917984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310200554.5A Active CN116362828B (zh) | 2023-03-06 | 2023-03-06 | 基于相似性场景及粒子群算法的火电机组报价决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362828B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106374536A (zh) * | 2016-10-26 | 2017-02-01 | 西安交通大学 | 新能源接入条件下电力容量市场的低碳电源投资决策方法 |
US20180189786A1 (en) * | 2016-12-29 | 2018-07-05 | Capital One Services, Llc | System and method for price matching through receipt capture |
CN112785435A (zh) * | 2021-01-29 | 2021-05-11 | 西安峰频能源科技有限公司 | 一种现货交易申报中辅助机组多段报价的模型 |
CN113822707A (zh) * | 2021-09-10 | 2021-12-21 | 国网冀北电力有限公司电力科学研究院 | 电力市场的出力决策方法、装置、计算机设备及存储介质 |
CN114926254A (zh) * | 2022-06-10 | 2022-08-19 | 哈尔滨工业大学 | 储能电站参与调频辅助服务市场的竞价方法 |
CN115204443A (zh) * | 2022-05-12 | 2022-10-18 | 电力规划总院有限公司 | 风光火储联合参与市场竞价最优策略模型 |
CN115423508A (zh) * | 2022-08-29 | 2022-12-02 | 大连川禾绿能科技有限公司 | 一种梯级水电在不确定性碳-电耦合市场中策略竞价方法 |
CN115511634A (zh) * | 2022-09-29 | 2022-12-23 | 华能新能源股份有限公司山西分公司 | 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 |
-
2023
- 2023-03-06 CN CN202310200554.5A patent/CN116362828B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106374536A (zh) * | 2016-10-26 | 2017-02-01 | 西安交通大学 | 新能源接入条件下电力容量市场的低碳电源投资决策方法 |
US20180189786A1 (en) * | 2016-12-29 | 2018-07-05 | Capital One Services, Llc | System and method for price matching through receipt capture |
CN112785435A (zh) * | 2021-01-29 | 2021-05-11 | 西安峰频能源科技有限公司 | 一种现货交易申报中辅助机组多段报价的模型 |
CN113822707A (zh) * | 2021-09-10 | 2021-12-21 | 国网冀北电力有限公司电力科学研究院 | 电力市场的出力决策方法、装置、计算机设备及存储介质 |
CN115204443A (zh) * | 2022-05-12 | 2022-10-18 | 电力规划总院有限公司 | 风光火储联合参与市场竞价最优策略模型 |
CN114926254A (zh) * | 2022-06-10 | 2022-08-19 | 哈尔滨工业大学 | 储能电站参与调频辅助服务市场的竞价方法 |
CN115423508A (zh) * | 2022-08-29 | 2022-12-02 | 大连川禾绿能科技有限公司 | 一种梯级水电在不确定性碳-电耦合市场中策略竞价方法 |
CN115511634A (zh) * | 2022-09-29 | 2022-12-23 | 华能新能源股份有限公司山西分公司 | 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 |
Non-Patent Citations (4)
Title |
---|
ARDAKANI, M. A.等: ""A particle swarm optimization algorithm for solving pricing and lead time quotation in a dual-channel supply chain with multiple customer classes"", 《ADVANCES IN OPERATIONS RESEARCH》, vol. 2020, no. 3, pages 1 - 21 * |
张华鲁: ""面向电力调峰的柔性负荷群调节能力表征及响应策略研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, pages 042 - 108 * |
李平均 等: ""电力现货市场下基于前景理论的发电商综合决策分析"", 《内蒙古电力技术》, no. 4, pages 21 - 27 * |
王颖杰: ""促进清洁能源消纳的电力零售商阶梯式激励定价及购售电策略"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, pages 042 - 29 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362828B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1372667A (zh) | 在有缺失输入的情形中的评价预测模型 | |
CN1370297A (zh) | 优化收益和现值的方法和系统 | |
CN111028004A (zh) | 一种基于大数据技术的市场评估分析方法 | |
CN116579590A (zh) | 一种虚拟电厂中的需求响应评估方法和系统 | |
CN111861089A (zh) | 一种电力现货市场的综合评价方法 | |
CN112884590A (zh) | 基于机器学习算法的电网企业融资决策方法 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN115313361A (zh) | 一种规模化可调资源的联合优化控制方法和装置 | |
CN114219225A (zh) | 基于多源数据的电网投资效益评估系统及评估方法 | |
CN112330089B (zh) | 装备制造类企业的综合能效监测方法及监测系统 | |
CN113327047A (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
CN116362828B (zh) | 基于相似性场景及粒子群算法的火电机组报价决策方法 | |
CN116777616A (zh) | 一种基于概率密度分布的现货市场新能源日前交易决策方法 | |
CN111275337A (zh) | 一种电力市场发展状态评价方法及系统 | |
CN115545469A (zh) | 基于电力零售市场的信用风险管理评估方法及系统 | |
CN112651544B (zh) | 一种增量配电多主体协调优化方法 | |
CN112001551B (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 | |
CN110414776B (zh) | 分行业用电特性快速响应分析系统 | |
CN114649820A (zh) | 一种风光储场站多环节容量分配方法及系统 | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
CN113887800A (zh) | 一种月或旬分时段交易辅助决策方法及系统 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
CN112016631A (zh) | 一种低电压治理相关的改进方案 | |
CN116596279B (zh) | 一种智慧园区能源消耗调度系统 |
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 |