CN117391748A - 一种基于ev用户定制化电价套餐设计方法及系统 - Google Patents
一种基于ev用户定制化电价套餐设计方法及系统 Download PDFInfo
- Publication number
- CN117391748A CN117391748A CN202311399448.0A CN202311399448A CN117391748A CN 117391748 A CN117391748 A CN 117391748A CN 202311399448 A CN202311399448 A CN 202311399448A CN 117391748 A CN117391748 A CN 117391748A
- Authority
- CN
- China
- Prior art keywords
- electricity
- user
- electricity price
- price package
- utility 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.)
- Withdrawn
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 397
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013461 design Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 36
- 230000000694 effects Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000291 postprandial effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007704 transition 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于EV用户定制化电价套餐设计方法及系统，涉及电动汽车用电规划领域；通过获取目标区域内EV用户的充电负荷数据进而确定日充电负荷曲线，并基于负荷特征指标对日充电负荷曲线进行聚类分析，得到聚类充电需求数据；采用熵权法，根据负荷特征指标和聚类充电需求数据，确定EV用户的效用值；采用演化博弈论方法，基于效用值确定电价套餐选择比例，进而确定充电负荷预测数据；根据充电负荷预测数据构建电价套餐双层优化模型；根据下层约束条件对下层目标函数进行求解，得到效用值的最大值；将效用值的最大值输入至上层优化模型中进行求解，得到最优电价套餐设计方案；本发明能够合理准确的实现电动汽车电价套餐的设计。
Description
技术领域
本发明涉及电动汽车用电规划领域，特别是涉及一种基于EV用户定制化电价套餐设计方法及系统。
背景技术
近年来，电动汽车(Electric Vehicle，EV)产业发展迅猛。与传统燃油汽车相比，EV作为一种灵活度高、可调度性强的新型电力负荷，能极大地满足促进节能减排与需求响应等要求，是助力实现碳达峰、碳中和目标的主力军之一。根据全球电力市场改革的经验，以电价套餐形式进行售电已成为各大售电公司占据电力零售市场的主流方式，其作为一种创新型需求响应措施，不仅可以促进EV与电网的双向互动，还能提高售电公司的经济利益，降低EV用户的用电系数，以此实现双方互利共赢。
因此，如何合理准确的实现电动汽车电价套餐的设计，至关重要。
发明内容
本发明的目的是提供一种基于EV用户定制化电价套餐设计方法及系统，能够合理准确的实现电动汽车电价套餐的设计。
为实现上述目的，本发明提供了如下方案：
一种基于EV用户定制化电价套餐设计方法，所述方法包括：
获取目标区域内EV用户的充电负荷数据；
根据所述充电负荷数据确定日充电负荷曲线，并基于负荷特征指标对所述日充电负荷曲线进行聚类分析，得到聚类充电需求数据；所述日充电负荷曲线是通过将所述充电负荷数据基于用电时段进行划分，得到各个用电时段的总用电需求后，根据所有用电时段的总用电需求确定的曲线；所述负荷特征指标包括：负荷率、峰值出现时间、谷值出现时间和峰谷差率；
采用熵权法，根据所述负荷特征指标和所述聚类充电需求数据，确定EV用户的效用值；所述效用值包括：充电费用满意度和用电舒适度；
采用演化博弈论方法，基于所述效用值确定电价套餐选择比例；
根据所述电价套餐选择比例确定充电负荷预测数据；
根据所述充电负荷预测数据构建电价套餐双层优化模型；所述电价套餐双层优化模型包括：上层优化模型和下层优化模型；所述上层优化模型包括：上层目标函数、总充电负荷曲线波动程度值和上层约束条件；所述上层目标函数是以目标区域的售电公司购售电收益最大为目标构建的；所述上层约束条件包括：售电电价约束、购电系数约束和售电公司市场占有率约束；所述下层优化模型包括：下层目标函数和下层约束条件；所述下层目标函数是以EV用户的所述效用值最大为目标构建的；所述下层约束条件包括：功率平衡约束、峰谷差约束和EV用户电价套餐选择比例约束；
根据所述下层约束条件对所述下层目标函数进行求解，得到效用值的最大值；
将效用值的最大值输入至所述上层优化模型中进行求解，得到最优电价套餐设计方案；所述最优电价套餐设计方案为目标区域的售电公司购售电收益最大，且EV用户的效用值最大时对应的充电负荷电价套餐。
可选地，采用熵权法，根据所述负荷特征指标和所述聚类充电需求数据，确定EV用户的效用值，具体包括：
根据所述聚类充电需求数据确定初始效用值；
对所述初始效用值进行标准化处理，得到处理效用值；
对所述处理效用值进行归一化处理，得到归一化效用值；
根据所述归一化效用值计算熵权；
根据所述熵权和所述处理效用值，确定EV用户的效用值。
可选地，所述效用值的计算公式为：
其中，为第k类EV用户选用电价套餐j后的效用值；/>为第k类EV用户选用电价套餐j后的第m个负荷特征指标的熵权；/>为第k类EV用户选用电价套餐j后第m个指标的处理效用值。
可选地，所述上层目标函数的表达式为：
其中，I为售电公司电价套餐定价后的日利润；Qj(t)为各类EV用户选择套餐j后t时段的用电量；C0'为经过签订双边协商购电合同后售电公司平均每度电的购电系数；Cw为每日的营销维护系数；rj(t)为t时刻选用电价套餐j后的电费电价；Q(t)为t时段的总用电量；T为用电周期；J为套餐总数。
可选地，所述总充电负荷曲线波动程度值的表达式为：
其中，γ为总充电负荷波动程度值；P(t)为售电公司预测的各类EV用户在t时段的充电负荷；P(t+1)为售电公司预测的各类EV用户在t+1时段的充电负荷；T为用电周期。
可选地，所述下层目标函数的表达式为：
其中，为第k类EV用户选用电价套餐j后的效用值；/>为第k类EV用户选用电价套餐j后的第m个负荷特征指标的熵权；/>为第k类EV用户选用电价套餐j后第m个指标的处理效用值。
一种基于EV用户定制化电价套餐设计系统，所述系统包括：
数据获取模块，用于获取目标区域内EV用户的充电负荷数据；
聚类模块，用于根据所述充电负荷数据确定日充电负荷曲线，并基于负荷特征指标对所述日充电负荷曲线进行聚类分析，得到聚类充电需求数据；所述日充电负荷曲线是通过将所述充电负荷数据基于用电时段进行划分，得到各个用电时段的总用电需求后，根据所有用电时段的总用电需求确定的曲线；所述负荷特征指标包括：负荷率、峰值出现时间、谷值出现时间和峰谷差率；
效用值确定模块，用于采用熵权法，根据所述负荷特征指标和所述聚类充电需求数据，确定EV用户的效用值；所述效用值包括：充电费用满意度和用电舒适度；
比例确定模块，用于采用演化博弈论方法，基于所述效用值确定电价套餐选择比例；
确定模块，用于根据所述电价套餐选择比例确定充电负荷预测数据；
模型构建模块，用于根据所述充电负荷预测数据构建电价套餐双层优化模型；所述电价套餐双层优化模型包括：上层优化模型和下层优化模型；所述上层优化模型包括：上层目标函数、总充电负荷曲线波动程度值和上层约束条件；所述上层目标函数是以目标区域的售电公司购售电收益最大为目标构建的；所述上层约束条件包括：售电电价约束、购电系数约束和售电公司市场占有率约束；所述下层优化模型包括：下层目标函数和下层约束条件；所述下层目标函数是以EV用户的所述效用值最大为目标构建的；所述下层约束条件包括：功率平衡约束、峰谷差约束和EV用户电价套餐选择比例约束；
求解模块，用于根据所述下层约束条件对所述下层目标函数进行求解，得到效用值的最大值；
方案确定模块，用于将效用值的最大值输入至所述上层优化模型中进行求解，得到最优电价套餐设计方案；所述最优电价套餐设计方案为目标区域的售电公司购售电收益最大，且EV用户的效用值最大时对应的充电负荷电价套餐。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的基于EV用户定制化电价套餐设计方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于EV用户定制化电价套餐设计方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于EV用户定制化电价套餐设计方法及系统，通过获取目标区域内EV用户的充电负荷数据进而确定日充电负荷曲线，并基于负荷特征指标对日充电负荷曲线进行聚类分析，得到聚类充电需求数据；采用熵权法，根据负荷特征指标和聚类充电需求数据，确定EV用户的效用值；采用演化博弈论方法，基于效用值确定电价套餐选择比例，进而确定充电负荷预测数据；根据充电负荷预测数据构建电价套餐双层优化模型；根据下层约束条件对下层目标函数进行求解，得到效用值的最大值；将效用值的最大值输入至上层优化模型中进行求解，得到最优电价套餐设计方案；因此，能够合理准确的实现电动汽车电价套餐的设计。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于EV用户定制化电价套餐设计方法的流程图；
图2为本发明实施例提供的电价套餐优化设计的实现架构示意图；
图3为各类EV用户充电负荷特性曲线示意图；
图4为A类EV用户选择不同电价套餐的比例示意图；
图5为B类EV用户选择不同电价套餐的比例示意图；
图6为C类EV用户选择不同电价套餐的比例示意图；
图7为电价套餐实行前后EV用户的总充电负荷曲线对比图；
图8为各类典型EV用户选择电价套餐的用电系数示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了克服现有技术的不足，建立一种科学合理，适用性强，效果佳，准确率高的考虑电动汽车用户有限理性的定制化电价套餐设计；本发明提出了一种考虑电动汽车用户有限理性的定制化电价套餐设计方法。首先，利用蒙特卡洛方法模拟生成一些电动汽车用户的充电需求以增加充电负荷数据，并采用k-medoids聚类算法对电动汽车用户按其充电负荷聚类出典型电动汽车用户的充电需求曲线。然后，通过熵权法计算电动汽车用户效用，并在此基础上应用演化博弈论分析电动汽车用户在有限理性情况下的电价套餐选择情况。最后，建立考虑电动汽车用户有限理性的电价套餐双层优化模型，上层模型优化目标为售电公司购售电收益最大，下层模型优化目标为电动汽车用户效用最大。算例结果表明本发明的定制化电价套餐不但能够有效地提高售电公司的营业利润，而且能够降低用户用电系数。
本发明的目的是提供一种基于EV用户定制化电价套餐设计方法及系统，能够合理准确的实现电动汽车电价套餐的设计。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明实施例提供了一种基于EV用户定制化电价套餐设计方法，该方法包括：
步骤100：获取目标区域内EV用户的充电负荷数据。
步骤200：根据充电负荷数据确定日充电负荷曲线，并基于负荷特征指标对日充电负荷曲线进行聚类分析，得到聚类充电需求数据。其中，日充电负荷曲线是通过将充电负荷数据基于用电时段进行划分，得到各个用电时段的总用电需求后，根据所有用电时段的总用电需求确定的曲线；负荷特征指标包括：负荷率、峰值出现时间、谷值出现时间和峰谷差率。
步骤300：采用熵权法，根据负荷特征指标和聚类充电需求数据，确定EV用户的效用值。效用值包括：充电费用满意度和用电舒适度。
其中，采用熵权法，根据负荷特征指标和聚类充电需求数据，确定EV用户的效用值，具体包括：
根据聚类充电需求数据确定初始效用值；对初始效用值进行标准化处理，得到处理效用值；对处理效用值进行归一化处理，得到归一化效用值；根据归一化效用值计算熵权；根据熵权和处理效用值，确定EV用户的效用值。
具体的，效用值的计算公式为：
其中，为第k类EV用户选用电价套餐j后的效用值；/>为第k类EV用户选用电价套餐j后的第m个负荷特征指标的熵权；/>为第k类EV用户选用电价套餐j后第m个指标的处理效用值。
步骤400：采用演化博弈论方法，基于效用值确定电价套餐选择比例。
步骤500：根据电价套餐选择比例确定充电负荷预测数据。
步骤600：根据充电负荷预测数据构建电价套餐双层优化模型。电价套餐双层优化模型包括：上层优化模型和下层优化模型；上层优化模型包括：上层目标函数、总充电负荷曲线波动程度值和上层约束条件；上层目标函数是以目标区域的售电公司购售电收益最大为目标构建的；上层约束条件包括：售电电价约束、购电系数约束和售电公司市场占有率约束；下层优化模型包括：下层目标函数和下层约束条件；下层目标函数是以EV用户的效用值最大为目标构建的；下层约束条件包括：功率平衡约束、峰谷差约束和EV用户电价套餐选择比例约束。
具体地，上层目标函数的表达式为：
其中，I为售电公司电价套餐定价后的日利润；Qj(t)为各类EV用户选择套餐j后t时段的用电量；C0'为经过签订双边协商购电合同后售电公司平均每度电的购电系数；Cw为每日的营销维护系数；rj(t)为t时刻选用电价套餐j后的电费电价；Q(t)为t时段的总用电量；T为用电周期；J为套餐总数。
总充电负荷曲线波动程度值的表达式为：
其中，γ为总充电负荷波动程度值；P(t)为售电公司预测的各类EV用户在t时段的充电负荷；P(t+1)为售电公司预测的各类EV用户在t+1时段的充电负荷；T为用电周期。
下层目标函数的表达式为：
其中，为第k类EV用户选用电价套餐j后的效用值；/>为第k类EV用户选用电价套餐j后的第m个负荷特征指标的熵权；/>为第k类EV用户选用电价套餐j后第m个指标的处理效用值。
步骤700：根据下层约束条件对下层目标函数进行求解，得到效用值的最大值。
步骤800：将效用值的最大值输入至上层优化模型中进行求解，得到最优电价套餐设计方案。即，将效用值的最大值输入至上层优化模型中，并根据上层约束条件对上层目标函数进行求解，最终得到最优电价套餐设计方案。最优电价套餐设计方案为目标区域的售电公司购售电收益最大，且EV用户的效用值最大时对应的充电负荷电价套餐。
在实际应用中，首先，对目标区域内EV用户的充电负荷数据进行调查并分析，然后对充电负荷数据进行处理并利用公式(1)和公式(2)分别拟合出目标区域内EV的起始充电时刻和起始充电时刻的荷电状态满足的概率密度分布函数fEV(t)和fSOC(t)。
其中，fEV(t)和fSOC(t)分别为EV的起始充电时刻满足的概率密度函数和EV起始充电时刻荷电状态的概率密度函数；σEV和μEV分别为起始充电时刻的标准差和均值；σSOC和μSOC分别为荷电状态的标准差和均值。
根据公式(3)和(4)分别进行随机抽取，抽取出目标区域内每天进行充电的典型EV用户起始充电时刻的荷电状态、起始充电时刻。
Sstart(h)＝rand[fSOC(t)] (3)。
tstart(h)＝rand[fEV(t)] (4)。
Sstart(h)为EV用户中第h辆EV起始充电时刻的荷电状态；tstart(h)为EV用户中第h辆EV的起始充电时刻；rand[]为取满足括号内概率密度函数的随机数。
结合典型EV用户的出行特征，根据公式(5)计算EV用户充电所需时长T(h)。
Sq(h)为EV用户中第h辆EV的期望荷电状态；Eh为第h辆EV的电池容量；ηh、Pch,h分别为第h辆EV的充电效率、充电功率。
根据公式(6)对目标区域内的EV用户在同一时刻产生的充电需求进行储存并叠加，然后进入到下次循环，直到循环完成结束。
P(t)为EV用户在t时刻的总充电需求；Pch,h(t)为第h辆EV在t时刻的充电功率。
目前主要以负荷率、峰值出现时间、谷值出现时间、峰谷差率等负荷特征指标对EV用户充电负荷数据进行聚类分析，以这4个指标对EV用户的日充电负荷曲线进行数据降维处理。
为实现对不同类型EV用户制定不同的电价套餐，需对EV用户聚类分析，采用K-medoids聚类算法来对EV用户进行分类。通过对EV用户负荷数据进行聚类分析，为售电公司针对不同EV用户定制化电价套餐提供参考信息。
在处理充电负荷数据时，由于EV用户的数据实时性强、数量众多，为减小充电负荷突变点在分析数据过程中的影响，需要对充电负荷数据利用公式(7)进行归一化处理。
P、P'分别为归一化前、后EV用户的充电负荷值；Pmax为充电负荷的最大值；Pmin为充电负荷的最小值。
然后以轮廓系数对聚类的有效性进行分析，轮廓系数值越接近于1说明聚类的效果越好，相反，越接近-1说明聚类效果越差。定义EV用户的轮廓系数s(i)可用公式(8)表示。
a(i)为样本点i与簇内其他样本点之间的平均距离；b(i)为样本点i与簇间其他样本点之间的平均距离。
考虑到EV用户在选用电价套餐过程中注重的是充电系数的变化和改变自身充电习惯程度的变化，所以用户效用应该包括EV用户能够获得的价格满意度和用电舒适度两个方面。
EV用户在选用某个电价套餐后，会根据售电公司设计的电价套餐不同时刻的电价水平调整自身的充电量，减少充电费用的支出。本发明通过公式(9)所示的需求响应模型，来求得电价套餐激励下EV用户主动参与需求响应后的充电负荷。
式中：Pk,j(t)为第k类EV用户t时刻选用电价套餐j的充电负荷；Pk,0(t)为第k类EV用户t时刻原始充电负荷；r0(t)和rj(t)分别为t时刻选用电价套餐前和选用电价套餐j后的电费电价；α为EV用户价格弹性系数。
EV用户在使用电价套餐后，由于充电价格的变化，EV用户的充电费用可能会发生变化，如果使用电价套餐之后的充电费用减小，则其就会产生购买该电价套餐的倾向；EV用户充电费用节省的越多，购买该电价套餐的倾向就会越强烈。因此，以公式(10)表示的充电费用差值来衡量转移负荷后EV用户对充电费用满意度的变化。
为第k类EV用户选用电价套餐j后的充电费用满意度。
其次，EV用户不仅仅只关注充电费用的变化，还更关心选用的电价套餐是否适合自身日常生产生活方式。EV用户在使用电价套餐后，会按照与售电公司签订的电价套餐合同规定进行负荷转移，转移后的充电负荷曲线与原始充电负荷曲线会产生偏差，该偏差可用公式(11)表示的两负荷曲线之间的欧式距离衡量，欧氏距离越小，说明EV用户需要改变自身用电习惯的地方就越少，即EV用户选用某个电价套餐前后的充电负荷曲线变化越小，表明EV用户的用电舒适度越高。
为第k类EV用户选用电价套餐j后所产生的用电舒适度。
售电公司根据得到的EV用户对不同电价套餐的满意度和舒适度数据，通过比较两部分的权重大小来体现EV用户的偏好，但是由于EV用户充电费用满意度指标和用电舒适度指标均是系数性指标，为了消除量纲和数据级的影响，利用公式(12)对其进行标准化处理。
为第k类EV用户选用电价套餐j后第m个指标的标准值，j＝1,2,...,J，J为套餐总数，即，售电公司设计电价套餐种类的数目；/>为第k类EV用户选用电价套餐j后第m个指标的初始值，m＝1表示EV用户的充电费用满意度指标，m＝2表示EV用户的用电舒适度指标。
同时，为避免数据集中某些数据过大或过小对熵值客观性产生影响，利用公式(13)将EV用户每个指标进行归一化。
为第k类EV用户选用电价套餐j后第m个满意度指标的归一化数值。
通过公式(14)和(15)计算EV用户的电价套餐中各指标的熵权。
为第k类EV用户选用电价套餐j后的第m个指标的不确定度；/>为第k类EV用户选用电价套餐j后的第m个指标的熵权。
EV用户效用可以通过公式(16)计算，其为标准化后电价套餐充电费用满意度和用电舒适度与其对应熵权乘积的和。
为第k类EV用户选用电价套餐j后的EV用户效用值。
基于EV用户效用最大化理论的离散选择模型适用于分析决策者的选择行为，在以往分析EV用户选用电价套餐的选择行为中，用xk j(t)表示在t时刻第k类典型EV用户在完全理性情况下选用电价套餐j的比例。EV用户了解到售电公司设计的电价套餐信息后，在其中选择一种，所有EV用户的选择结果反映的是EV用户群体状态，则第k类EV用户的群体状态为Xk＝[xk 1,...,xk j,...,xk J]整个区域内EV用户群体的选择电价套餐的状态可以用公式(17)表示。
通过EV用户群体的动态演化来刻画EV用户群体在状态X上的演化过程，在某一时刻，EV用户会根据自己对价格的满意程度和自己感受到的用电舒适程度不停地修正自己选择电价套餐的策略。
假设所有的EV用户均对自己的策略进行修正，EV用户群体演化动态可以利用公式(18)所示的微分方程组描述。
为第k类EV用户从电价套餐l转移到电价套餐j的比例，其与EV用户效用和EV用户状态相关；等式右端第1项和第2项分别表示第k类EV用户从其他电价套餐转移到电价套餐j和从电价套餐j转移到其他电价套餐的EV用户比例；xk j为在t时刻第k类EV用户在有限理性情况下选择电价套餐j的比例。
但是在现实的经济生活，EV用户的选择决策活动是非常现实的活动，受到很多生活因素的影响，对于其中的完全理性与完全信息的条件是很难全知的，即现实中的EV用户是有限理性的。因此本发明基于演化博弈论建立对有限理性EV用户的电价套餐选择决策模型，采用logit模型对演化博弈模型进行修正。利用公式(19)可得到各类EV用户在有限理性情况下选择不同电价套餐过程中的修正因子。
为演化过程中第k类EV用户选择电价套餐j的用户效用值。
随着第k类EV用户在选择电价套餐活动中演化的进行，EV用户会修整自己的选择策略，同时EV用户效用也会在博弈的过程中不断地变化，最终达到一种演化均衡的状态。因此，EV用户的演化均衡过程可用公式(20)所示的微分方程描述。
经过演化博弈之后，售电公司可以根据得到的EV用户在有限理性情况下的电价套餐选择比例通过公式(21)预测EV用户的充电负荷。
P(t)为售电公司预测的各类典型EV用户在有限理性情况下的充电负荷。
关于考虑EV用户有限理性的电价套餐双层优化模型：
1.上层优化模型：关于售电公司购电系数：售电公司购电系数主要是通过与供电公司签订双边合约购电。售电公司设计电价套餐吸引EV用户参与需求响应，利用总充电负荷曲线波动程度作为筹码与对方进行协商，达到降低购电系数的目的。售电公司所服务对象的总充电负荷曲线波动程度利用公式(22)表示。
γ为总充电负荷波动程度值，即，售电公司所服务EV用户的总充电负荷波动程度值。
利用公式(23)计算售电公司与供电公司的双边协商购电系数，协商后平均每度电的购电系数主要由基本系数、协商系数以及补偿系数组成。
C0'为经过签订双边协商购电合同后售电公司平均每度电的购电系数；Q为总用电量；C0为平均每度电的基本系数；CX为协商系数；CB为补偿系数；τ为售电公司的市场占有率。
售电公司营销维护系数：营销维护系数是指保证售电公司为所有EV用户提供正常服务和其稳定运营的固定系数。售电公司的营销维护系数如公式(24)所示。
Cw为每日的营销维护系数；Cz,j、Cg,j分别为电价套餐j每日营销系数中直接推销费用和推广费用；Cv,j为售电公司对于电价套餐j以及相关设备的每日维护系数。
目标函数：售电公司购售电收益最大化优化目标如公式(25)所示。
I为售电公司电价套餐定价后的日利润；Qj(t)为各类EV用户选择套餐j后t时段的用电量。
2.下层优化模型：为实现EV用户的选择行为更贴近现实生活，根据模拟的EV用户充电需求和售电公司设计的电价套餐参数，通过公式(26)所示的以不同电价套餐下的用户效用最大化为目标进行电价套餐的选择决策。
关于约束条件：
1.售电电价约束。
rf为高峰时段售电电价；rp为平时段售电电价；rv为低谷时段售电电价；rmax为售电电价上限；rmin为售电电价下限。
对于EV用户选择电价套餐后的实际充电系数要小于原来每天的系数。
2.功率平衡约束。
本发明在设计电价套餐时，假定EV用户充电负荷总量在选用电价套餐前后不变，即不考虑EV用户的可中断负荷。
3.峰谷差约束。
vmax-vmin≤v0,max-v0,min (30)。
vmax和vmin分别为实行电价套餐后的总充电负荷曲线的峰值和谷值；v0,max和v0,min分别为实行电价套餐前总充电负荷曲线的峰值和谷值。
4.购电系数约束。
Cmin≤C′0≤C0 (31)。
Cmin为当前电网电价的下限。
5.售电公司市场占有率约束。
0≤τ≤1 (32)。
6.EV用户选择电价套餐比例约束。
实施例2
本发明实施例提供了一种基于EV用户定制化电价套餐设计系统，该系统包括：数据获取模块、聚类模块、效用值确定模块、比例确定模块、确定模块、模型构建模块、求解模块和方案确定模块。
数据获取模块，用于获取目标区域内EV用户的充电负荷数据。
聚类模块，用于根据充电负荷数据确定日充电负荷曲线，并基于负荷特征指标对日充电负荷曲线进行聚类分析，得到聚类充电需求数据；日充电负荷曲线是通过将充电负荷数据基于用电时段进行划分，得到各个用电时段的总用电需求后，根据所有用电时段的总用电需求确定的曲线；负荷特征指标包括：负荷率、峰值出现时间、谷值出现时间和峰谷差率。
效用值确定模块，用于采用熵权法，根据负荷特征指标和聚类充电需求数据，确定EV用户的效用值；效用值包括：充电费用满意度和用电舒适度。
比例确定模块，用于采用演化博弈论方法，基于效用值确定电价套餐选择比例。
确定模块，用于根据电价套餐选择比例确定充电负荷预测数据。
模型构建模块，用于根据充电负荷预测数据构建电价套餐双层优化模型；电价套餐双层优化模型包括：上层优化模型和下层优化模型；上层优化模型包括：上层目标函数、总充电负荷曲线波动程度值和上层约束条件；上层目标函数是以目标区域的售电公司购售电收益最大为目标构建的；上层约束条件包括：售电电价约束、购电系数约束和售电公司市场占有率约束；下层优化模型包括：下层目标函数和下层约束条件；下层目标函数是以EV用户的效用值最大为目标构建的；下层约束条件包括：功率平衡约束、峰谷差约束和EV用户电价套餐选择比例约束。
求解模块，用于根据下层约束条件对下层目标函数进行求解，得到效用值的最大值。
方案确定模块，用于将效用值的最大值输入至上层优化模型中进行求解，得到最优电价套餐设计方案；最优电价套餐设计方案为目标区域的售电公司购售电收益最大，且EV用户的效用值最大时对应的充电负荷电价套餐。
实施例3
本发明实施例提供了一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1中的基于EV用户定制化电价套餐设计方法。
作为一种可选地实施方式，本发明还提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现实施例1中的基于EV用户定制化电价套餐设计方法。
以北方城市某区域内EV用户的充电负荷数据为例，基于图2-图8，利用蒙特卡洛模拟基于起始充电时间和起始充电荷电状态生成EV用户充电负荷曲线弥补数据的不充足，并经过k-medoids聚类算法和轮廓系数法评价聚类效果的好坏后，该区域内的全部EV用户被聚为A、B、C类典型EV用户。为简化计算，对选取的各类典型EV用户按照月平均得到的等效日充电负荷曲线进行研究。图3为使用k-medoids聚类算法对EV用户充电负荷数据进行聚类后生成的典型EV用户充电负荷特性曲线。由图3可知，A类典型EV用户的等效日充电量处于较高水平，由于受限于各种主客观因素，较大比例的EV用户仍选择在白天、高峰时刻进行充电；B类典型EV用户在群体中占比最大，其充电习惯符合日常生活中惯用最舒适用电的心理，聚合充电行为在晚高峰；C类典型EV用户的等效日充电量较小，由于充电时间相对分散，聚合充电负荷曲线较为平稳。
模型中，EV用户的价格弹性系数＝0.3，目前售电公司对EV用户大多采用统一的固定电价收费，家用充电桩的费用与普通电价无异，本地区分时电价的定价标准见表4。售电公司签订的双边协商原购电系数为0.45元/(kW·h)，售电公司在电力市场中的市场占有率为0.48。
1)EV用户对各电价套餐的选择分析。
由于不同的EV用户对同一电价套餐的电价响应的灵敏度不同，为更好的改变EV用户自身充电行为，达到削峰填谷的效果，本发明采用考虑EV用户充电行为差异的分时电价需求响应模型对电价套餐进行设计。选用多目标遗传算法对模型进行优化求解，得出3种面向EV用户有限理性的定制化电价套餐如表1所示。
表1面向EV用户有限理性的定制化电价套餐表
在保证EV用户效用的前提下，售电公司在制定电价套餐中提高峰时段电价时必须降低其余时段电价水平才能保证推行的电价套餐可以被EV用户选用。根据表1中计算出的电价套餐，分析EV用户选择不同电价套餐的用电系数。
针对于A类EV用户，其充电高峰时刻分布在白9:00-15:00，电价套餐1在此时间段内的水平电价最低，可以有效减少充电系数，即A类EV用户更倾向于选择电价套餐1；对于B类EV用户，受自身日常生活和充电习惯的影响，B类用户会倾向于选择电价套餐2；对于C类EV用户，其充电负荷曲线较为平稳，无论在峰时段、平时段还是谷时段，其充电量波动都比较小，因此C类EV用户会倾向选择平均电价最低的电价套餐3。
为了验证电价套餐设计的合理性，假设各类典型EV用户都按照合同要求用电并且没有违约的情况，演化博弈过程如图4-图6所示。
考虑到现实经济生活中的人并非是完全理性的，表2对比分析了各类典型EV用户在不同理性下对各个电价套餐选择情况。由表2可知，相比较于EV用户在完全理性条件下，每类典型EV用户在有限理性条件下选择适合本身的电价套餐的概率更大。通过求解公式(22)，可知原始充电负荷波动程度为0.469，EV用户在有限理性和完全理性的情况下选用电价套餐，充电负荷的波动程度分别为0.294和0.171，即EV用户在有限理性情况下参与需求响应的积极性更高。
表2EV用户在不同情况下选择电价套餐的比例表
2)电价套餐定价对售电公司的影响。
为验证本发明所提出的电价套餐模型能够提高售电公司利润、达到削峰填谷的目的，通过计算全部EV用户选择电价套餐后与总EV用户响应前的充电负荷曲线进行对比，如图7所示。从图7电价套餐实行前后EV用户的总充电负荷曲线对比可以看出，EV用户选用电价套餐之后，总的充电负荷峰谷差减小，减少了3.26MW，说明设计的电价套餐能够对总充电负荷达到降低峰时负荷、提高低谷负荷的作用。
由于售电公司制定电价套餐引导EV用户主动参与电网调峰，实现了对负荷的削峰填谷作用，为供电公司在电网的规划建设和优化运行方面节省大量资金，通过求解公式(22)和公式(23)，可知在完全理性情况下单位购电系数为0.41元/(kW·h)，在有限理性情况下单位购电系数可以与供电公司协商至0.39元/(kW·h)，能够说明本发明在有限理性情况下建立的EV用户选择决策模型更贴合现实，能更好的吸引EV用户参与市场服务，提升需求响应效果，降低售电公司的单位购电系数。售电公司在实行电价套餐前后的盈利情况如表3所示。
表3实行电价套餐前后售电公司的获利情况表
从表3中可知，总的EV用户购电的系数就是售电公司每日可以获得的总收益，售电公司实行电价套餐后的日收益为10.482万元，而售电公司原始日收益为11.736万元，日收益在实行电价套餐后略微降低，可以反应出EV用户在选用电价套餐后充电系数比未选用电价套餐前的充电系数降低。
同时，表3数据说明，实行电价套餐后总充电负荷曲线波动程度减小，售电公司凭其与供电公司双边协商降低平均购电系数。与之前相比售电公司购电系数节省了2.336万元。另外，在实行价套餐后，售电公司的日利润为4.155万元，比未实行电价套餐前日利润增加了0.582万元，说明售电公司在增加电价套餐的营销和维护系数情况下，仍能获得更多的利润。因此在本发明提出的电价套餐下，售电公司和EV用户达到了双方互利共赢。
表4分时电价标准表
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于EV用户定制化电价套餐设计方法，其特征在于，所述方法包括：
获取目标区域内EV用户的充电负荷数据；
根据所述充电负荷数据确定日充电负荷曲线，并基于负荷特征指标对所述日充电负荷曲线进行聚类分析，得到聚类充电需求数据；所述日充电负荷曲线是通过将所述充电负荷数据基于用电时段进行划分，得到各个用电时段的总用电需求后，根据所有用电时段的总用电需求确定的曲线；所述负荷特征指标包括：负荷率、峰值出现时间、谷值出现时间和峰谷差率；
采用熵权法，根据所述负荷特征指标和所述聚类充电需求数据，确定EV用户的效用值；所述效用值包括：充电费用满意度和用电舒适度；
采用演化博弈论方法，基于所述效用值确定电价套餐选择比例；
根据所述电价套餐选择比例确定充电负荷预测数据；
根据所述充电负荷预测数据构建电价套餐双层优化模型；所述电价套餐双层优化模型包括：上层优化模型和下层优化模型；所述上层优化模型包括：上层目标函数、总充电负荷曲线波动程度值和上层约束条件；所述上层目标函数是以目标区域的售电公司购售电收益最大为目标构建的；所述上层约束条件包括：售电电价约束、购电系数约束和售电公司市场占有率约束；所述下层优化模型包括：下层目标函数和下层约束条件；所述下层目标函数是以EV用户的所述效用值最大为目标构建的；所述下层约束条件包括：功率平衡约束、峰谷差约束和EV用户电价套餐选择比例约束；
根据所述下层约束条件对所述下层目标函数进行求解，得到效用值的最大值；
将效用值的最大值输入至所述上层优化模型中进行求解，得到最优电价套餐设计方案；所述最优电价套餐设计方案为目标区域的售电公司购售电收益最大，且EV用户的效用值最大时对应的充电负荷电价套餐。
2.根据权利要求1所述的基于EV用户定制化电价套餐设计方法，其特征在于，采用熵权法，根据所述负荷特征指标和所述聚类充电需求数据，确定EV用户的效用值，具体包括：
根据所述聚类充电需求数据确定初始效用值；
对所述初始效用值进行标准化处理，得到处理效用值；
对所述处理效用值进行归一化处理，得到归一化效用值；
根据所述归一化效用值计算熵权；
根据所述熵权和所述处理效用值，确定EV用户的效用值。
3.根据权利要求2所述的基于EV用户定制化电价套餐设计方法，其特征在于，所述效用值的计算公式为：
其中，为第k类EV用户选用电价套餐j后的效用值；/>为第k类EV用户选用电价套餐j后的第m个负荷特征指标的熵权；/>为第k类EV用户选用电价套餐j后第m个指标的处理效用值。
4.根据权利要求1所述的基于EV用户定制化电价套餐设计方法，其特征在于，所述上层目标函数的表达式为：
其中，I为售电公司电价套餐定价后的日利润；Qj(t)为各类EV用户选择套餐j后t时段的用电量；C0'为经过签订双边协商购电合同后售电公司平均每度电的购电系数；Cw为每日的营销维护系数；rj(t)为t时刻选用电价套餐j后的电费电价；Q(t)为t时段的总用电量；T为用电周期；J为套餐总数。
5.根据权利要求1所述的基于EV用户定制化电价套餐设计方法，其特征在于，所述总充电负荷曲线波动程度值的表达式为：
其中，γ为总充电负荷波动程度值；P(t)为售电公司预测的各类EV用户在t时段的充电负荷；P(t+1)为售电公司预测的各类EV用户在t+1时段的充电负荷；T为用电周期。
6.根据权利要求1所述的基于EV用户定制化电价套餐设计方法，其特征在于，所述下层目标函数的表达式为：
其中，为第k类EV用户选用电价套餐j后的效用值；/>为第k类EV用户选用电价套餐j后的第m个负荷特征指标的熵权；/>为第k类EV用户选用电价套餐j后第m个指标的处理效用值。
7.一种基于EV用户定制化电价套餐设计系统，其特征在于，所述系统包括：
数据获取模块，用于获取目标区域内EV用户的充电负荷数据；
聚类模块，用于根据所述充电负荷数据确定日充电负荷曲线，并基于负荷特征指标对所述日充电负荷曲线进行聚类分析，得到聚类充电需求数据；所述日充电负荷曲线是通过将所述充电负荷数据基于用电时段进行划分，得到各个用电时段的总用电需求后，根据所有用电时段的总用电需求确定的曲线；所述负荷特征指标包括：负荷率、峰值出现时间、谷值出现时间和峰谷差率；
效用值确定模块，用于采用熵权法，根据所述负荷特征指标和所述聚类充电需求数据，确定EV用户的效用值；所述效用值包括：充电费用满意度和用电舒适度；
比例确定模块，用于采用演化博弈论方法，基于所述效用值确定电价套餐选择比例；
确定模块，用于根据所述电价套餐选择比例确定充电负荷预测数据；
模型构建模块，用于根据所述充电负荷预测数据构建电价套餐双层优化模型；所述电价套餐双层优化模型包括：上层优化模型和下层优化模型；所述上层优化模型包括：上层目标函数、总充电负荷曲线波动程度值和上层约束条件；所述上层目标函数是以目标区域的售电公司购售电收益最大为目标构建的；所述上层约束条件包括：售电电价约束、购电系数约束和售电公司市场占有率约束；所述下层优化模型包括：下层目标函数和下层约束条件；所述下层目标函数是以EV用户的所述效用值最大为目标构建的；所述下层约束条件包括：功率平衡约束、峰谷差约束和EV用户电价套餐选择比例约束；
求解模块，用于根据所述下层约束条件对所述下层目标函数进行求解，得到效用值的最大值；
方案确定模块，用于将效用值的最大值输入至所述上层优化模型中进行求解，得到最优电价套餐设计方案；所述最优电价套餐设计方案为目标区域的售电公司购售电收益最大，且EV用户的效用值最大时对应的充电负荷电价套餐。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至6中任意一项所述的基于EV用户定制化电价套餐设计方法。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于EV用户定制化电价套餐设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311399448.0A CN117391748A (zh) | 2023-10-26 | 2023-10-26 | 一种基于ev用户定制化电价套餐设计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311399448.0A CN117391748A (zh) | 2023-10-26 | 2023-10-26 | 一种基于ev用户定制化电价套餐设计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117391748A true CN117391748A (zh) | 2024-01-12 |
Family
ID=89462651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311399448.0A Withdrawn CN117391748A (zh) | 2023-10-26 | 2023-10-26 | 一种基于ev用户定制化电价套餐设计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391748A (zh) |
-
2023
- 2023-10-26 CN CN202311399448.0A patent/CN117391748A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Distributed peer-to-peer energy trading based on game theory in a community microgrid considering ownership complexity of distributed energy resources | |
| Chen et al. | Research on day-ahead transactions between multi-microgrid based on cooperative game model | |
| CN110796283A (zh) | 一种面向需求侧主动响应的电量套餐优化设计方法 | |
| CN109800917A (zh) | 一种电动汽车停车场的规划方法、装置和计算设备 | |
| CN115271438B (zh) | 一种可计及碳排放的多主体博弈协同调度方法及电子设备 | |
| CN106374536A (zh) | 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 | |
| Lei et al. | Optimal bidding and coordinating strategy for maximal marginal revenue due to V2G operation: Distribution system operator as a key player in China's uncertain electricity markets | |
| Adepetu et al. | Comparing solar photovoltaic and battery adoption in Ontario and Germany: An agent-based approach | |
| CN115471100A (zh) | 一种引导电动汽车有序充电的优化调度方法 | |
| Li et al. | Analysis of the compound differential evolution game of new energy manufacturers’ two-stage market behavior under the weight of consumption responsibility | |
| Ma et al. | Incentive-based demand response under incomplete information based on the deep deterministic policy gradient | |
| CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
| CN111695943A (zh) | 一种计及浮动高峰电价的优化管理方法 | |
| Wang et al. | Carbon quota allocation modeling framework in the automotive industry based on repeated game theory: A case study of ten Chinese automotive enterprises | |
| Liu | Low-carbon scheduling research of integrated energy system based on Stackelberg game under sharing mode | |
| CN116882771A (zh) | 主从博弈下考虑碳奖惩的零碳社区能量共享方法及系统 | |
| Wang et al. | A novel scheduling strategy for virtual power plant based on power market dynamic triggers | |
| CN117391748A (zh) | 一种基于ev用户定制化电价套餐设计方法及系统 | |
| CN115630858A (zh) | 虚拟电厂调峰性能评价方法及装置、存储介质、电网设备 | |
| Lin et al. | Multi‐objective electrical demand response policy generation considering customer response behaviour learning: An enhanced inverse reinforcement learning approach: Multi‐objective demand response policy considering response behaviour learning | |
| CN111899122B (zh) | 一种基于储能控制的用户分散出清方法 | |
| Zhang et al. | A deep reinforcement learning-based bidding strategy for participants in a peer-to-peer energy trading scenario | |
| CN111915351A (zh) | 基于topsis法的光伏用户群内用户重要性评估方法 | |
| Hou et al. | Optimal Design of Electricity Plans for Active Demand Response of Power Demand Side | |
| CN118100180B (zh) | 一种考虑调控潜力评估的电动汽车充放电低碳调度方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240112 |