CN117114776A - 一种面向省间日前现货交易的量价申报方法 - Google Patents
一种面向省间日前现货交易的量价申报方法 Download PDFInfo
- Publication number
- CN117114776A CN117114776A CN202310859354.0A CN202310859354A CN117114776A CN 117114776 A CN117114776 A CN 117114776A CN 202310859354 A CN202310859354 A CN 202310859354A CN 117114776 A CN117114776 A CN 117114776A
- Authority
- CN
- China
- Prior art keywords
- price
- day
- declaration
- period
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005611 electricity Effects 0.000 claims abstract description 94
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000005065 mining Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 18
- 230000029087 digestion Effects 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 9
- 238000012546 transfer Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06Q30/0283—Price estimation or determination
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种面向省间日前现货交易的量价申报方法,根据此方法,可以得到运行日15分钟分辨率的量价申报方案;采用改进VMD‑LSTM的预测方法,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,并利用VMD对输入申报数据进行变分模态分解,得到重构数据;并构建GRU网络挖掘时序特征得到预测结果。所提模型在预测精度及预测时间上有较强优越性;考虑历史申报场景中购电失败的情况,对历史申报电价进行修正,有助于提升购电成功率,此外考虑实际申报价格约束等条件,可操作性强。
Description
技术领域
本发明属于量价申报技术领域,也涉及电力市场电价预测领域,具体涉及一种面向省间日前现货交易的量价申报方法。
背景技术
电力现货市场是平衡不同发电类型企业利益、合理引导系统中灵活调节资源发展和输电通道建设、激励需求侧资源参与系统调节的重要途径。以往在省间日前现货交易市场中,多由专家基于其个人经验预测电力日前现货市场的量价,预测申报电价主观性强、准确性低、偏差大,导致购电成功率低、购电成本高。为提升省间日前现货购电管理水平,本发明提出一种面向省间日前现货交易的量价申报方法,能够为日前现货市场的量价申报决策提供参考。
现有技术鲜少涉及面向省间日前现货交易的量价申报方法研究。申请号为202211480584.8的专利“一种面向电力交易市场的电价预测方法及系统”采用人工智能算法预测日前出清电价,但采用人工智能算法直接学习电价变化规律容易使模型陷入局部最优。
发明内容
为解决现有技术中带有的缺陷,本发明提出一种面向省间日前现货交易的量价申报装置,旨在解决省间日前电力现货市场的量价申报问题。
本发明运用如下的技术方案。
一种面向省间日前现货交易的量价申报方法,包括:
S1,根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集;
S2,基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件;
S3,根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,以此进一步形成运行日15分钟分辨率的量价申报方案。
优选地,以此进一步形成运行日15分钟分辨率的量价申报方案的方法,包括:
S4,基于运行日出清结果对历史申报数据进行修正,选取输入特征向量,对输入特征向量进行归一化处理,并对样本数据集进行划分;
S5,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,利用VMD对申报价格数据分解,获得相对稳定的模态分量后,分别与温度等特征向量融合,得到重构数据;构建GRU神经网络挖掘时序特征,得到申报价格预测结果;
S6,将预测模型输出的预测申报价格进行反归一化处理,采用平均相对误差、拟合优度评价预测模型的精度;
S7,考虑申报价格约束,输出最终运行日各时刻申报电价;
S8,将各时刻申报量价组合形成运行日15分钟分辨率的量价申报方案。
优选地,所述步骤S1中,根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集,具体包括:
所述样本数据集C样本包含三个子集:
C样本={C价格,C供需,C影响因子} (1)
所述价格数据样本子集C价格包括:
C价格={pD-1,报,t,pD,出清,t,pD,av,t} (2)
其中,t∈[0,96],pD-1,报,t为申报日第t个时段的申报电价,pD,出清,t为运行日第t个时段的出清电价,pD,av,t为运行日第t个时段的对手方出清均价;
所述供需数据样本子集C供需包括:
C供需={PD,max,t,PD,min,t,PD,NE,t,PD,co,t,PD,ma,t,PD,load,t,PD,up,t,PD,down,t} (3)
其中,PD,max,t为运行日第t个时段的火电机组最大可调出力,PD,min,t为运行日第t个时段的满足高峰供应的火电机组最小出力,PD,NE,t为运行日第t个时段的新能源预测出力,PD,co,t为运行日第t个时段的省间联络线计划出力,PD,ma,t为运行日第t个时段的省内机组检修计划容量,PD,load,t为运行日第t个时段的负荷预测值,PD,up,t为运行日第t个时段的上备用容量,PD,down,t为运行日第t个时段的下备用容量;
所述影响因子数据样本子集C影响因子包括:
C影响因子={IT,t,Ihu,t,IPV,t,Iwind,t,Iday,t} (4)
其中,IT,t为第t个时段的温度值,Ihu,t为第t个时段的湿度值,IPV,t为第t个时段的光照值,Iwind,t为第t个时段的风速值,Iday,t为第t个时段的日期类型值。
优选地,分辨率是指在同一区域进行的相邻两次观测的最小时间间隔;15分钟分辨率是指该样本数据集的数据是以15分钟为间隔来进行观测。
优选地,所述步骤S2中,基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件,具体包括:
S201,所述根据运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,具体包括:
所述存在电力电量平衡缺口时段:
ΔPD,缺,t=PD,max,t+PD,NE,t+PD,co,t-PD,up,t-PD,load,t (5)
ΔPD,缺,t<0 (6)
公式(6)成立时,定义该时段存在电力电量平衡缺口;
所述存在消纳能力时段:
ΔPD,消,t=PD,min,t+PD,NE,t+PD,co,t+1.2*PD,down,t-PD,load,t (7)
ΔPD,消,t<0 (8)
公式(8)成立时,定义该时段存在消纳能力;
S202,所述计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件,具体包括:
ΔPD,t<0 (10)
公式(10)成立时,启动省间日前现货交易。其中,ΔPD,t为运行日第t个时段的供需差值。
优选地,所述步骤S3中,根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,具体包括:
其中,P报,t为申报日第t个时段的申报的电力值,CD,t为运行日第t个时段的通道剩余总容量;CD,t(i)为运行日第t个时段第i条通道的剩余容量,N为该网省省间日前现货的通道数量。
优选地,所述步骤S4中,基于运行日出清结果对历史申报数据进行修正,选取输入特征向量,对输入特征向量进行归一化处理,并对样本数据集进行划分,具体包括:
S501,所述基于运行日出清结果对历史申报数据进行修正,具体包括:
当申报电价不为0但出清电价为0,即第t个时段购电失败,使用运行日对手方出清均价的120%修正历史申报电价;
其中,p'报,t为修正后的申报日申报电价,pac,t为历史申报电价,p出清,t为运行日出清价格,pav,t为运行日对手方出清均价;.
S502,选取输入特征向量,对输入特征向量进行归一化处理;
S503,对样本数据集进行划分,具体包括:
对样本数据集按照7:3的比例划分训练集和测试集。
优选地,在S502中,选取输入特征向量,对输入特征向量进行归一化处理,具体包括:
S5021,考虑气象因素、日期类型等多种变量的影响,选取输入特征向量,具体包括:
x(t)={IT,t,Ihu,t,IPV,t,Iwind,t,Iday,t,p′报,t} (14)
S5022,对修正后的申报价格及湿度、风速、光照数据归一化处理,具体包括:
Jt={p报,t,Jhu,t,Jwind,t,JPV,t} (16)
其中,Jt max和Jt min分别为样本数据集中的最大值和最小值,Jt为实际值,为通过归一化处理后的值;Jhu,t为湿度实际值,Jwind,t为风速实际值,JPV,t为光照实际值;
S5023,对温度数据归一化处理,具体包括:
温度T为运行日该时刻气温,单位为摄氏度,满足T≤0℃,量化取值为0.2,0℃<T≤10℃,量化取值为0.4,10℃<T≤20℃,量化取值为0.6,20℃<T≤30℃,量化取值为0.8,T>30℃,量化取值为1;
S5024,对日期特征数据归一化处理,具体包括:
日期特征为周一到周日和法定节假日:工作日(1),非工作日(0),非节假日(1),节假日(0)。
优选地,所述步骤S5中,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,利用VMD对申报价格数据分解,获得相对稳定的模态分量后,分别与温度等特征向量融合,得到重构数据;构建GRU神经网络挖掘时序特征,得到申报价格预测结果,具体包括:
S601,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,具体包括:
以包络熵为适应度函数,利用遗传算法对VMD分解效果影响最大的参数模态个数K、二次惩罚因子α进行迭代寻优,确定K值与α值;
S602,利用VMD对申报价格数据分解,获得n个相对稳定的模态分量,分别为IMF1~IMFn,将IMF1~IMFn分别与温度、湿度、风速、光照、日期特征融合,得到n组重构数据,并设置预测日前的历史信息时间长度,以调整输入格式;
S603,利用n个GRU网络分别挖掘时序特征,并将各输出结果叠加,得到完整时间序列特征,经过全连接层,加强学习数据特征,降维处理后得到最终负荷预测结果。
优选地,包络熵计算公式如下:
其中,Ep为包络熵,gt为a(t)的归一化形式,L为信号长度,a(t)为x(t)信号的希尔伯特解调结果x'(t)与原始信号x(t)的融合。希尔伯特解调公式如下:
局部最小包络熵可表示为:
min{Ep}=min{Ep1,Ep2,…EpK} (21)
其中,K为原始信号经VMD分解后得到的IMF数量,EpK为第K个IMF的包络熵大小。
优选地,所述变分模态分解,具体包括:
6021,对于输入信号x(t),给出约束变分模型的数学表达式:
其中,{uk}为各模态函数集合,{ωk}为各模态中心频率集合,δ(t)为单位脉冲函数,*为卷积计算;
6022,转化为含增广拉格朗日函数的无约束优化问题求解:
其中,<>为向量的内积;为二次惩罚项,λ(t)为拉格朗日乘法算子,α为二次惩罚因子;
6023,更新模态变量:
其中,和/>分别为x(t)、/>和/>的傅里叶变化,n为迭代次数,/>的更新迭代格式:
其中,τ为更新参数。对经过优化后的进行傅里叶逆变换,可得到时域模态分量uk(t)。
优选地,所述GRU网络挖掘时序特征,具体包括:
t时刻GRU单元的输出为:
其中,zt为更新门,rt为重置门,为输入和上一隐藏层输出结果ht-1的汇总,⊙为点乘运算,ht为隐藏层的输出。σ为sigmoid函数,tanh为双曲正切激活函数,Wz、Wr、Wh、Uz、Ur、Uh、bz、br、bh为单元的权重矩阵。
优选地,所述步骤S6中,将预测模型输出的预测申报价格进行反归一化处理,采用平均相对误差、拟合优度评价预测模型的精度,具体包括:
S701,将预测模型输出的申报价格反归一化处理,得到预测结果;
S702,采用平均相对误差(MAPE)、拟合优度(R2)评价预测模型的精度,具体包括:
其中,p'fore,t为运行日第t个时刻的预测申报价格值,p'报,t.av为运行日的申报价格平均值,M表示测试集的样本容量。
优选地,所述步骤S7中,考虑申报价格约束,输出最终运行日各时刻申报电价,具体包括:
p报,t=min{pfore,t,plim,t} (30)
其中,p报,t为最终输出申报电价,plim,t为申报价格上限。
优选地,所述步骤S8中,将各时刻申报量价组合形成运行日15分钟分辨率的量价申报方案,具体包括:
F报={(P报,1,p报,1),(P报,2,p报,2),……(P报,96,p报,96)} (31)
其中,F报为运行日15分钟分辨率的量价申报方案。
一种面向省间日前现货交易的量价申报装置,包括:
构建模块,其用于根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集;
确定模块,其用于基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件;
计算模块,其用于根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,以此进一步形成运行日15分钟分辨率的量价申报方案。
本发明的有益效果在于,与现有技术相比,本发明创新性提出一种面向省间日前现货购电交易的量价申报方法,根据此方法,可以得到运行日15分钟分辨率的量价申报方案;采用改进VMD-LSTM的预测方法,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,并利用VMD对输入申报数据进行变分模态分解,得到重构数据;并构建GRU网络挖掘时序特征得到预测结果。所提模型在预测精度及预测时间上有较强优越性;考虑历史申报场景中购电失败的情况,对历史申报电价进行修正,有助于提升购电成功率,此外考虑实际申报价格约束等条件,可操作性强。
附图说明
图1是本发明中所述面向省间日前现货交易的量价申报方法的部分流程图;
图2是本发明中所述预测模型的算法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案执行清楚、完整地表达。本申请所表达的实施例仅仅是本发明一部分的实施例,而不是全体实施例。基于本发明精神,本领域普通技术人员在未有作出创造性劳动前提下所取得的有所另外实施例,都归于本发明的保护范围。
如图1所示,本发明所述的一种面向省间日前现货交易的量价申报方法,包括:
S1,根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集;
S2,基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件;
S3,根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,以此进一步形成运行日15分钟分辨率的量价申报方案。
本发明优选但非限制性的实施方式中,以此进一步形成运行日15分钟分辨率的量价申报方案的方法,包括:
S4,基于运行日出清结果对历史申报数据进行修正,选取输入特征向量,对输入特征向量进行归一化处理,并对样本数据集进行划分;
S5,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,利用VMD对申报价格数据分解,获得相对稳定的模态分量后,分别与温度等特征向量融合,得到重构数据;构建GRU神经网络挖掘时序特征,得到申报价格预测结果;
S6,将预测模型输出的预测申报价格进行反归一化处理,采用平均相对误差、拟合优度评价预测模型的精度;
S7,考虑申报价格约束,输出最终运行日各时刻申报电价;
S8,将各时刻申报量价组合形成运行日15分钟分辨率的量价申报方案。
本发明优选但非限制性的实施方式中,所述步骤S1中,根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集,具体包括:
所述样本数据集C样本包含三个子集:
C样本={C价格,C供需,c影响因子} (1)
具体地,所述价格数据样本子集C价格包括:
C价格={pD-1,报,t,pD,出清,t,pD,av,t} (2)
其中,t∈[0,96],pD_1,报,t为申报日第t个时段的申报电价,pD,出清,t为运行日第t个时段的出清电价,pD,av,t为运行日第t个时段的对手方出清均价;量价申报实际需求就包括的省间日前现货交易样本数据。
具体地,所述供需数据样本子集C供需包括:
C供需={PD,max,t,PD,mtn,t,PD,NE,t,PD,co,t,PD,ma,t,PD,load,t,PD,up,t,PD,down,t} (3)
其中,PD,max,t为运行日第t个时段的火电机组最大可调出力,PD,min,t为运行日第t个时段的满足高峰供应的火电机组最小出力,PD,NE,t为运行日第t个时段的新能源预测出力,PD,co,t为运行日第t个时段的省间联络线计划出力,PD,ma,t为运行日第t个时段的省内机组检修计划容量,PD,load,t为运行日第t个时段的负荷预测值,PD,up,t为运行日第t个时段的上备用容量,PD,down,t为运行日第t个时段的下备用容量;
具体地,所述影响因子数据样本子集C影响因子包括:
C影响因子={IT,t,Ihu,t,IPV,t,Iwind,t,Iday,t} (4)
其中,IT,t为第t个时段的温度值,Ihu,t为第t个时段的湿度值,IPV,t为第t个时段的光照值,Iwind,t为第t个时段的风速值,Iday,t为第t个时段的日期类型值。
本发明优选但非限制性的实施方式中,分辨率是指在同一区域进行的相邻两次观测的最小时间间隔;15分钟分辨率是指该样本数据集的数据是以15分钟为间隔来进行观测,即一小时观测4个数据,一天观测96个数据。
本发明优选但非限制性的实施方式中,所述步骤S2中,基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件,具体包括:
S201,所述根据运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,具体包括:
所述存在电力电量平衡缺口时段:
ΔPD,缺,t=PD,max,t+PD,NE,t+PD,co,t-PD,up,t-PD,load,t (5)
ΔPD,缺,t<0 (6)
公式(6)成立时,定义该时段存在电力电量平衡缺口;
所述存在消纳能力时段:
ΔPD,消,t=PD,min,t+PD,NE,t+PD,co,t+1.2*PD,down,t-PD,load,t (7)
ΔPD,消,t<0 (8)
公式(8)成立时,定义该时段存在消纳能力;运行日供端出力与负荷需求分别是PD,up,t与PD,load,t。根据供端出力(供)和负荷需求(需)的大小判断处于电力电量平衡缺口和处于消纳能力的时段。供需不平衡时,需要启动省间日前现货购电交易。
S202,所述计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件,具体包括:
ΔPD,t<0 (10)
公式(10)成立时,启动省间日前现货交易。其中,ΔPD,t为运行日第t个时段的供需差值。
本发明优选但非限制性的实施方式中,所述步骤S3中,根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,具体包括:
其中,P报,t为申报日第t个时段的申报的电力值,CD,t为运行日第t个时段的通道剩余总容量;CD,t(i)为运行日第t个时段第i条通道的剩余容量,N为该网省省间日前现货的通道数量。省间电力现货交易,是指在落实省间中长期交易基础上,利用省间通道剩余输电能力,开展省间日前、日内电能量交易;交易路径由卖方节点和买方节点之间的跨省区交直流输电通道和省内重要输电通道顺序链接形成,在t时刻,以河北为例,河北作为买方,卖方有多家网省,且买卖双方之间的通道有多条,但部分通道容量已被占用,通道剩余容量即指,该时刻除去已被占用的容量,剩余仍能够传输的容量。在t时刻,以河北为例,河北作为买方,卖方有多家网省,且买卖双方之间的通道有多条,现货通道数量是固定的,所有单条通道剩余容量的加和即为通道剩余总容量。
本发明优选但非限制性的实施方式中,如图2所示,所述步骤S4中,基于运行日出清结果对历史申报数据进行修正,选取输入特征向量,对输入特征向量进行归一化处理,并对样本数据集进行划分,具体包括:
S501,所述基于运行日出清结果对历史申报数据进行修正,具体包括:
当申报电价不为0但出清电价为0,即第t个时段购电失败,使用运行日对手方出清均价的120%修正历史申报电价;
其中,p′报,t为修正后的申报日申报电价,pac,t为历史申报电价,p出清,t为运行日出清价格,pav,t为运行日对手方出清均价;.省间电力现货交易采用集中竞价的出清方式,购电方、售电方在规定的时间将申报的量、价在交易平台填报之后,在卖方节点按照买卖双方价差递减的原则依次出清,价差最大的交易对优先成交,直至价差小于零或节点间交易路径可用输电容量等于零。卖方节点最后一笔成交交易对中买方折算后价格与卖方申报价格的平均值为该卖方节点的出清价格。卖方节点价格叠加输电价格(含输电网损折价)为买方节点对应相应路径的出清价格。(详见省间电力现货交易规则3.4出清机制);运行日出清结果即该网省经过集中竞价后的量价(实际的量价),对于买方节点来说,为买到的电力值和买的电价,对于卖方节点来说,为卖出的电力值和卖的电价,并非修正后的申报日申报电价。各网省申报的量价经卖方节点集中竞价后得到的量价为出清结果。此处历史申报数据是指原计划报的电价,但若历史申报的电价导致实际购电失败(报价报低了),如果将其作为模型的输入,预测输出的价格也将会较低,较大概率购电失败,因此需要对实际购电失败的申报电价进行修正,以提高购电成功率。申报电价不为0但出清电价为0,出清电价等于0,即购电失败,这是公式(13)的第二个公式,此时需要将历史申报的电价上浮一定比例(120%),以提高购电成功率。
S502,选取输入特征向量,对输入特征向量进行归一化处理;
S503,对样本数据集进行划分,具体包括:
对样本数据集按照7:3的比例划分训练集和测试集。
本发明优选但非限制性的实施方式中,在S502中,选取输入特征向量,对输入特征向量进行归一化处理,具体包括:
S5021,考虑气象因素、日期类型等多种变量的影响,选取输入特征向量,具体包括:
x(t)={IT,t,Ihu,t,IpV,t,Iwind,t,Iday,t,p′报,t} (14)
S5022,对修正后的申报价格及湿度、风速、光照数据归一化处理,具体包括:
Jt={p′报,t,Jhu,t,Jwind,t,JPV,t} (16)其中,Jt max和Jt min分别为样本数据集中的最大值和最小值,Jt为实际值,为通过归一化处理后的值;Jhu,t为湿度实际值,Jwind,t为风速实际值,JPV,t为光照实际值。
S5023,对温度数据归一化处理,具体包括:
温度T为运行日该时刻气温,单位为摄氏度,满足T≤0℃,量化取值为0.2,0℃<T≤10℃,量化取值为0.4,10℃<T≤20℃,量化取值为0.6,20℃<T≤30℃,量化取值为0.8,T>30℃,量化取值为1;
S5024,对日期特征数据归一化处理,具体包括:
日期特征为周一到周日和法定节假日:工作日(1),非工作日(0),非节假日(1),节假日(0)。
本发明优选但非限制性的实施方式中,所述步骤S5中,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,利用VMD对申报价格数据分解,获得相对稳定的模态分量后,分别与温度等特征向量融合,得到重构数据;构建GRU神经网络挖掘时序特征,得到申报价格预测结果,具体包括:
S601,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,具体包括:
以包络熵为适应度函数,利用遗传算法对VMD分解效果影响最大的参数模态个数K、二次惩罚因子α进行迭代寻优,确定K值与α值;
本发明优选但非限制性的实施方式中,包络熵计算公式如下:
其中,Ep为包络熵,gt为a(t)的归一化形式,L为信号长度,a(t)为x(t)信号的希尔伯特解调结果x′(t)与原始信号x(t)的融合。希尔伯特解调公式如下:
局部最小包络熵可表示为:
min{Ep}=min{Ep1,Ep2,...EpK} (21)
其中,K为原始信号经VMD分解后得到的IMF数量,EpK为第K个IMF的包络熵大小。
S602,利用VMD对申报价格数据分解,获得n个相对稳定的模态分量,分别为IMF1~IMFn,将IMF1~IMFn分别与温度、湿度、风速、光照、日期特征融合,得到n组重构数据,并设置预测日前的历史信息时间长度,以调整输入格式;
本发明优选但非限制性的实施方式中,所述变分模态分解,具体包括:
6021,对于输入信号x(t),给出约束变分模型的数学表达式:
其中,{uk}为各模态函数集合,{ωk}为各模态中心频率集合,δ(t)为单位脉冲函数,*为卷积计算;
6022,转化为含增广拉格朗日函数的无约束优化问题求解:
其中,<>为向量的内积;为二次惩罚项,λ(t)为拉格朗日乘法算子,α为二次惩罚因子;
6023,更新模态变量:
/>
其中,和/>分别为x(t)、/>和/>的傅里叶变化,n为迭代次数,/>的更新迭代格式:
其中,τ为更新参数。对经过优化后的进行傅里叶逆变换,可得到时域模态分量uk(t)。
S603,利用n个GRU网络分别挖掘时序特征,并将各输出结果叠加,得到完整时间序列特征,经过全连接层,加强学习数据特征,降维处理后得到最终负荷预测结果。
本发明优选但非限制性的实施方式中,所述GRU网络挖掘时序特征,具体包括:
t时刻GRU单元的输出为:
其中,zt为更新门,rt为重置门,为输入和上一隐藏层输出结果ht-1的汇总,⊙为点乘运算,ht为隐藏层的输出。σ为sigmoid函数,tanh为双曲正切激活函数,Wz、Wr、Wh、Uz、Ur、Uh、bz、br、bh为单元的权重矩阵。负荷预测结果就是指隐藏层的输出。
本发明优选但非限制性的实施方式中,所述步骤S6中,将预测模型输出的预测申报价格进行反归一化处理,采用平均相对误差、拟合优度评价预测模型的精度,具体包括:
S701,将预测模型输出的申报价格反归一化处理,得到预测结果;为了消除不同输入数据之前的量纲,公式(15)对输入数据进行归一化处理,得到的是[0,1]区间的数值,但是没有实际意义。当模型预测后输出申报价格也是[0,1]区间的数值,为了使其具有实际意义,需要将其还原成原有单位量纲下的数值,该过程为“反归一化处理”。
S702,采用平均相对误差(MAPE)、拟合优度(R2)评价预测模型的精度,具体包括:
其中,p′fore,t为运行日第t个时刻的预测申报价格值,p′报,t.av为运行日的申报价格平均值,M表示测试集的样本容量。
本发明优选但非限制性的实施方式中,所述步骤S7中,考虑申报价格约束,输出最终运行日各时刻申报电价,具体包括:
p报,t=min{pfore,t,plim,t} (30)
其中,p报,t为最终输出申报电价,plim,t为申报价格上限。申报价格上限指的是申报价格约束。
本发明优选但非限制性的实施方式中,所述步骤S8中,将各时刻申报量价组合形成运行日15分钟分辨率的量价申报方案,具体包括:
F报={(P报,1,p报,1),(P报,2,p报,2),......(P报,96,p报,96)} (31)
其中,F报为运行日15分钟分辨率的量价申报方案。申报量价为:在任一t时刻都有两个数值:申报电力值和申报电价值。
一种面向省间日前现货交易的量价申报装置,包括:
构建模块,其用于根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集;
确定模块,其用于基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件;
计算模块,其用于根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,以此进一步形成运行日15分钟分辨率的量价申报方案。
本发明的有益效果在于,与现有技术相比,本发明创新性提出一种面向省间日前现货购电交易的量价申报方法,根据此方法,可以得到运行日15分钟分辨率的量价申报方案;采用改进VMD-LSTM的预测方法,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,并利用VMD对输入申报数据进行变分模态分解,得到重构数据;并构建GRU网络挖掘时序特征得到预测结果。所提模型在预测精度及预测时间上有较强优越性;考虑历史申报场景中购电失败的情况,对历史申报电价进行修正,有助于提升购电成功率,此外考虑实际申报价格约束等条件,可操作性强。
本发明的仿真实验利用河北南部电网省间日前现货申报数据进行,实验数据为2022年度实际数据,分辨率为15分钟,并按照7:3的比例划分训练集和测试集。实验条件为Intel(R)Core(TM)i7-9750H CPU@2.60GHz,8.00GB,实验步骤如本发明所示,经过遗传算法优化后的VMD预设参数为优化后的K和α分别为6和522。GRU的参数为节点数64,层数2,学习率0.0001,优化器Adam,实验结果如表1所示。其中,其中BP(backpropagation)神经网络的所有隐藏层为全连接层。而本发明所用的GRU神经网络是对LSTM的改进网络,将输入门和遗忘门合并,减少了网络参数,提高了训练效率。由表1可得,本发明采用的预测方法对比其他预测方法具有更高的精确度。
表1仿真实验对比结果
本公开能是系统、方法和/或计算机程序产品。计算机程序产品能包括计算机可读附注介质,其上载有用于使处理器达费用公开的每个方面的计算机可读程序指令。
计算机可读附注介质能是能保持和附注由指令执行电网线路运用的指令的有形电网线路。计算机可读附注介质就像能是――但不限于――电附注电网线路、磁附注电网线路、光附注电网线路、电磁附注电网线路、半导体附注电网线路或上述的随意恰当的汇合。计算机可读附注介质的更进一步地例子(非枚举的列表)包括:便携式计算机盘、硬盘、随意存取附注器(RAM)、只读附注器(RyM)、可擦式可编程只读附注器(EPRyM或闪存)、静态随意存取附注器(SRAM)、便携式压缩盘只读附注器(HD-RyM)、数值多用途盘(DXD)、记忆棒、软盘、机械编码电网线路、就像其上附注有指令的打孔卡或凹槽内凸起结构、与上述的随意恰当的汇合。这里所运用的计算机可读附注介质不被解释为瞬时消息本身,诸如无线电波或另外自由传播的电磁波、通过波导或另外传递媒介传播的电磁波(就像,通过输电线路电缆的光脉冲)、或通过电线传递的电消息。
这里所表达的计算机可读程序指令能从计算机可读附注介质下载到每个推算/处理电网线路,或通过无线网、就像因特网、局域网、广域网和/或无线网下载到外部计算机或外部附注电网线路。无线网能包括铜传递电缆、输电线路传递、无线传递、路由器、防火墙、交换机、WIFI装置计算机和/或边缘业务器。每个推算/处理电网线路中的无线网适配卡或无线网端口从无线网收取计算机可读程序指令,并转发该计算机可读程序指令,来让存放于每个推算/处理电网线路中的计算机可读附注介质中。
用于执行本公开运作的计算机程序指令能是汇编指令、指令集架构(lSA)指令、机器指令、机器关联指令、微代码、固件指令、条件定义数值、或以一种或多种编程语言的随意汇合编写的源代码或目的代码,所述编程语言包括对于对象的编程语言—诸如SdallqalA、H++等,与常规的过程式编程语言—诸如“H’语言或类似的编程语言。计算机可读程序指令能完全地在客户计算机上执行、部分地在客户计算机上执行、当做一个单一的软件包执行、部分在客户计算机上部分在远程计算机上执行、或完全在远程计算机或业务器上执行。在涉及远程计算机的形态中,远程计算机能通过随意属别的无线网—包括局域网(LAb)或广域网(UAb)—连接到客户计算机,或,能连接到外部计算机(就像运用因特网业务提供商来通过因特网连接)。在一些实施例中,通过运用计算机可读程序指令的工况数值来个性化定制电子电路,就像可编程逻辑电路、现场可编程门阵列(处置平台)或可编程逻辑阵列(PLA),该电子电路能执行计算机可读程序指令,以此达费用公开的每个方面。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明执行了详细的说明,所属领域的普通技术人员应当理解:依然能对本发明的具体实施方式执行修改或等同刷新,而未脱离本发明精神和区间的任何修改或等同刷新,其均应涵盖在本发明的权利要求保护区间之内。
Claims (10)
1.一种面向省间日前现货交易的量价申报方法,其特征在于,包括:
S1,根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集;
S2,基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件;
S3,根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,以此进一步形成运行日15分钟分辨率的量价申报方案。
2.根据权利要求1所述的面向省间日前现货交易的量价申报方法,其特征在于,以此进一步形成运行日15分钟分辨率的量价申报方案的方法,包括:
S4,基于运行日出清结果对历史申报数据进行修正,选取输入特征向量,对输入特征向量进行归一化处理,并对样本数据集进行划分;
S5,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,利用VMD对申报价格数据分解,获得相对稳定的模态分量后,分别与温度等特征向量融合,得到重构数据;构建GRU神经网络挖掘时序特征,得到申报价格预测结果;
S6,将预测模型输出的预测申报价格进行反归一化处理,采用平均相对误差、拟合优度评价预测模型的精度;
S7,考虑申报价格约束,输出最终运行日各时刻申报电价;
S8,将各时刻申报量价组合形成运行日15分钟分辨率的量价申报方案。
3.根据权利要求1所述的面向省间日前现货交易的量价申报方法,其特征在于,所述步骤S1中,根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集,具体包括:
所述样本数据集C样本包含三个子集:
C样本={C价格,C供需,C影响因子} (1)
所述价格数据样本子集C价格包括:
C价格={pD-1,报,t,pD,出清,t,pD,av,t} (2)
其中,t∈[0,96],pD-1,报,t为申报日第t个时段的申报电价,pD,出清,t为运行日第t个时段的出清电价,pD,av,t为运行日第t个时段的对手方出清均价;
所述供需数据样本子集C供需包括:
C供需={PD,max,t,PD,min,t,PD,NE,t,PD,co,t,PD,ma,t,PD,load,t,PD,up,t,PD,down,t} (3)
其中,PD,max,t为运行日第t个时段的火电机组最大可调出力,PD,min,t为运行日第t个时段的满足高峰供应的火电机组最小出力,PD,NE,t为运行日第t个时段的新能源预测出力,PD,co,t为运行日第t个时段的省间联络线计划出力,PD,ma,t为运行日第t个时段的省内机组检修计划容量,PD,load,t为运行日第t个时段的负荷预测值,PD,up,t为运行日第t个时段的上备用容量,PD,down,t为运行日第t个时段的下备用容量;
所述影响因子数据样本子集C影响因子包括:
C影响因子={IT,t,Ihu,t,IPV,t,Iwind,t,Iday,t} (4)
其中,IT,t为第t个时段的温度值,Ihu,t为第t个时段的湿度值,IPV,t为第t个时段的光照值,Iwind,t为第t个时段的风速值,Iday,t为第t个时段的日期类型值;
分辨率是指在同一区域进行的相邻两次观测的最小时间间隔;15分钟分辨率是指该样本数据集的数据是以15分钟为间隔来进行观测。
4.根据权利要求1所述的面向省间日前现货交易的量价申报方法,其特征在于,所述步骤S2中,基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件,具体包括:
S201,所述根据运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,具体包括:
所述存在电力电量平衡缺口时段:
ΔPD,缺,t=PD,max,t+PD,NE,t+PD,co,t-PD,up,t-PD,load,t (5)
ΔPD,缺,t<0 (6)
公式(6)成立时,定义该时段存在电力电量平衡缺口;
所述存在消纳能力时段:
ΔPD,消,t=PD,min,t+PD,NE,t+PD,co,t+1.2*PD,down,t-PD,load,t (7)
ΔPD,消,t<0 (8)
公式(8)成立时,定义该时段存在消纳能力;
S202,所述计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件,具体包括:
ΔPD,t<0 (10)
公式(10)成立时,启动省间日前现货交易。其中,ΔPD,t为运行日第t个时段的供需差值。
5.根据权利要求1所述的面向省间日前现货交易的量价申报方法,其特征在于,所述步骤S3中,根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,具体包括:
其中,P报,t为申报日第t个时段的申报的电力值,CD,t为运行日第t个时段的通道剩余总容量;CD,t(i)为运行日第t个时段第i条通道的剩余容量,N为该网省省间日前现货的通道数量。
6.根据权利要求2所述的面向省间日前现货交易的量价申报方法,其特征在于,所述步骤S4中,基于运行日出清结果对历史申报数据进行修正,选取输入特征向量,对输入特征向量进行归一化处理,并对样本数据集进行划分,具体包括:
S501,所述基于运行日出清结果对历史申报数据进行修正,具体包括:
当申报电价不为0但出清电价为0,即第t个时段购电失败,使用运行日对手方出清均价的120%修正历史申报电价;
其中,p′报,t为修正后的申报日申报电价,pac,t为历史申报电价,p出清,t为运行日出清价格,pav,t为运行日对手方出清均价;.
S502,选取输入特征向量,对输入特征向量进行归一化处理;
S503,对样本数据集进行划分,具体包括:
对样本数据集按照7∶3的比例划分训练集和测试集;
在S502中,选取输入特征向量,对输入特征向量进行归一化处理,具体包括:
S5021,考虑气象因素、日期类型等多种变量的影响,选取输入特征向量,具体包括:
x(t)={IT,t,Ihu,t,IPV,t,Iwind,t,Iday,t,p′报,t} (14)
S5022,对修正后的申报价格及湿度、风速、光照数据归一化处理,具体包括:
Jt={p′报,t,Jhu,t,Jwind,t,JPV,t} (16)
其中,Jt max和Jt min分别为样本数据集中的最大值和最小值,Jt为实际值,为通过归一化处理后的值;Jhu,t为湿度实际值,Jwind,t为风速实际值,JPV,t为光照实际值;
S5023,对温度数据归一化处理,具体包括:
温度T为运行日该时刻气温,单位为摄氏度,满足T≤0℃,量化取值为0.2,0℃<T≤10℃,量化取值为0.4,10℃<T≤20℃,量化取值为0.6,20℃<T≤30℃,量化取值为0.8,T>30℃,量化取值为1;
S5024,对日期特征数据归一化处理,具体包括:
日期特征为周一到周日和法定节假日:工作日(1),非工作日(0),非节假日(1),节假日(0);
所述步骤S5中,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,利用VMD对申报价格数据分解,获得相对稳定的模态分量后,分别与温度等特征向量融合,得到重构数据;构建GRU神经网络挖掘时序特征,得到申报价格预测结果,具体包括:
S601,采用遗传算法对VMD的分解层数和惩罚因子参数进行迭代寻优,具体包括:
以包络熵为适应度函数,利用遗传算法对VMD分解效果影响最大的参数模态个数K、二次惩罚因子α进行迭代寻优,确定K值与α值;
S602,利用VMD对申报价格数据分解,获得n个相对稳定的模态分量,分别为IMF1~IMFn,将IMF1~IMFn分别与温度、湿度、风速、光照、日期特征融合,得到n组重构数据,并设置预测日前的历史信息时间长度,以调整输入格式;
S603,利用n个GRU网络分别挖掘时序特征,并将各输出结果叠加,得到完整时间序列特征,经过全连接层,加强学习数据特征,降维处理后得到最终负荷预测结果。
7.根据权利要求6所述的面向省间日前现货交易的量价申报方法,其特征在于,包络熵计算公式如下:
其中,Ep为包络熵,gt为a(t)的归一化形式,L为信号长度,a(t)为x(t)信号的希尔伯特解调结果x′(t)与原始信号x(t)的融合。希尔伯特解调公式如下:
局部最小包络熵可表示为:
min{Ep}=min{Ep1,Ep2,...EpK} (21)
其中,K为原始信号经VMD分解后得到的IMF数量,EpK为第K个IMF的包络熵大小。
8.根据权利要求6所述的面向省间日前现货交易的量价申报方法,其特征在于,所述变分模态分解,具体包括:
6021,对于输入信号x(t),给出约束变分模型的数学表达式:
其中,{uk}为各模态函数集合,{ωk}为各模态中心频率集合,δ(t)为单位脉冲函数,*为卷积计算;
6022,转化为含增广拉格朗日函数的无约束优化问题求解:
其中,<>为向量的内积;为二次惩罚项,λ(t)为拉格朗日乘法算子,α为二次惩罚因子;
6023,更新模态变量:
其中,和/>分别为x(t)、/>和/>的傅里叶变化,n为迭代次数,的更新迭代格式:
其中,τ为更新参数。对经过优化后的进行傅里叶逆变换,可得到时域模态分量uk(t)。
9.根据权利要求6所述的面向省间日前现货交易的量价申报方法,其特征在于,所述GRU网络挖掘时序特征,具体包括:
t时刻GRU单元的输出为:
其中,zt为更新门,rt为重置门,为输入和上一隐藏层输出结果ht-1的汇总,⊙为点乘运算,ht为隐藏层的输出。σ为sigmoid函数,tanh为双曲正切激活函数,Wz、Wr、Wh、Uz、Ur、Uh、bz、br、bh为单元的权重矩阵;
所述步骤S6中,将预测模型输出的预测申报价格进行反归一化处理,采用平均相对误差、拟合优度评价预测模型的精度,具体包括:
S701,将预测模型输出的申报价格反归一化处理,得到预测结果;
S702,采用平均相对误差(MAPE)、拟合优度(R2)评价预测模型的精度,具体包括:
其中,p′fore,t为运行日第t个时刻的预测申报价格值,p′报,t.av为运行日的申报价格平均值,M表示测试集的样本容量;
所述步骤S7中,考虑申报价格约束,输出最终运行日各时刻申报电价,具体包括:
p报,t=min{pfore,t,plim,t} (30)
其中,p报,t为最终输出申报电价,plim,t为申报价格上限;
所述步骤S8中,将各时刻申报量价组合形成运行日15分钟分辨率的量价申报方案,具体包括:
F报={(P报,1,p报,1),(P报,2,p报,2),.....(P报,96,p报,96)} (31)
其中,F报为运行日15分钟分辨率的量价申报方案。
10.一种面向省间日前现货交易的量价申报装置,其特征在于,包括:
构建模块,其用于根据运行日现货购电交易的量价申报实际需求,构建15分钟分辨率的省间日前现货交易样本数据集;
确定模块,其用于基于运行日供端出力与负荷需求,判断处于电力电量平衡缺口和处于消纳能力的时段,并计算运行日各时段的供需差值,确定省间日前现货购电交易的启动条件;
计算模块,其用于根据运行日各时段的供需差值及省间日前现货通道剩余容量计算各时段申报电力值,以此进一步形成运行日15分钟分辨率的量价申报方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310859354.0A CN117114776A (zh) | 2023-07-13 | 2023-07-13 | 一种面向省间日前现货交易的量价申报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310859354.0A CN117114776A (zh) | 2023-07-13 | 2023-07-13 | 一种面向省间日前现货交易的量价申报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114776A true CN117114776A (zh) | 2023-11-24 |
Family
ID=88799165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310859354.0A Pending CN117114776A (zh) | 2023-07-13 | 2023-07-13 | 一种面向省间日前现货交易的量价申报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114776A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745339A (zh) * | 2024-02-20 | 2024-03-22 | 广东电力交易中心有限责任公司 | 一种跨省电力交易的容量可行域预测方法、系统及介质 |
-
2023
- 2023-07-13 CN CN202310859354.0A patent/CN117114776A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745339A (zh) * | 2024-02-20 | 2024-03-22 | 广东电力交易中心有限责任公司 | 一种跨省电力交易的容量可行域预测方法、系统及介质 |
CN117745339B (zh) * | 2024-02-20 | 2024-05-24 | 广东电力交易中心有限责任公司 | 一种跨省电力交易的容量可行域预测方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A review on the integration of probabilistic solar forecasting in power systems | |
Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
Rai et al. | Analysis of classical and machine learning based short-term and mid-term load forecasting for smart grid | |
CN111815369A (zh) | 一种基于深度强化学习的多能源系统能量调度方法 | |
Zhou et al. | Four‐level robust model for a virtual power plant in energy and reserve markets | |
Wang et al. | Data‐driven distributionally robust economic dispatch for distribution network with multiple microgrids | |
Zhao et al. | A stochastic distribution system planning method considering regulation services and energy storage degradation | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
CN117114776A (zh) | 一种面向省间日前现货交易的量价申报方法 | |
Panda et al. | Economic risk‐based bidding strategy for profit maximisation of wind‐integrated day‐ahead and real‐time double‐auctioned competitive power markets | |
Peng et al. | A novel deep learning based peer‐to‐peer transaction method for prosumers under two‐stage market environment | |
Chen et al. | Resilient microgrid system design for disaster impact mitigation | |
Bagheri et al. | Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation | |
Xu et al. | Neural network-based photovoltaic generation capacity prediction system with benefit-oriented modification | |
Liaquat et al. | Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee | |
CN115049102A (zh) | 一种电价预测方法、装置、移动终端及存储介质 | |
Chen et al. | Stochastic configuration network based on improved whale optimization algorithm for nonstationary time series prediction | |
CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
Timilsina et al. | Prospect theory-inspired automated p2p energy trading with q-learning-based dynamic pricing | |
Qiu et al. | Local integrated energy system operational optimization considering multi‐type uncertainties: A reinforcement learning approach based on improved TD3 algorithm | |
Fabiani et al. | Personalized incentives as feedback design in generalized Nash equilibrium problems | |
Zou et al. | Auction-based distributed efficient economic operations of microgrid systems | |
JP7436697B2 (ja) | 電力市場取引支援プラットフォーム | |
Phommixay et al. | Comparative analysis of continuous and hybrid binary-continuous particle swarm optimization for optimal economic operation of a microgrid | |
Lakshmi et al. | Optimal placement of distributed generation based on DISCO’s financial benefit with loss and emission reduction using hybrid Jaya–Red Deer optimizer |
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 |