CN118114831A - 一种不确定环境下聚合商随机投标决策方法及系统 - Google Patents
一种不确定环境下聚合商随机投标决策方法及系统 Download PDFInfo
- Publication number
- CN118114831A CN118114831A CN202410304114.9A CN202410304114A CN118114831A CN 118114831 A CN118114831 A CN 118114831A CN 202410304114 A CN202410304114 A CN 202410304114A CN 118114831 A CN118114831 A CN 118114831A
- Authority
- CN
- China
- Prior art keywords
- aggregator
- market
- data
- power
- model
- 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 54
- 230000005611 electricity Effects 0.000 claims abstract description 80
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000003064 k means clustering Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012502 risk assessment Methods 0.000 claims description 10
- 230000001932 seasonal effect Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000004146 energy storage 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
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及优化决策技术领域，本发明涉及一种不确定环境下聚合商随机投标决策方法，与现有技术相比解决了不确定环境下聚合商投标决策问题。本发明包括以下步骤：K‑means聚类方法分析电力市场电价；充电行为、温控负荷跟踪的室外温度等影响分析；生成电量购入功率和卖出功率受随机因子影响的决策模型；启用深度学习、机器学习实现聚合商投标决策利益最大化，提高聚合商投标决策效率和准确率。本发明采用随机理论与决策优化相结合的方法，能够充分考虑不确定性因素对市场电价的影响，提高选择聚合商投标策略的准确性。
Description
技术领域
本发明涉及优化决策技术领域，尤其涉及一种不确定环境下聚合商随机投标决策方法及系统。
背景技术
在电力市场中，以电动汽车为例，需求侧聚合商制定合理的投标策略，不仅依赖于单价的不确定性，还取决于电动汽车运行行为的不确定性。目前聚合商的投标策略主要依靠主观判断或简单的评估方法，存在决策不准确和效率低下的问题。因此，有必要提出一种依据现实随机情况投标策略的方法。
随着我国工业的快速发展，传统能源发电已无法满足用户需求。随之，太阳能发电、风力发电应运而生，然而，新能源发电间歇性波动给电力系统带来了巨大的挑战。传统的依靠“电源跟踪负荷”调控模式无法继续调控电力系统，在电力系统中考虑需求侧柔性负荷资源已成为亟需解决的问题[1]。当前电力市场电价主要由供给侧和需求侧的供需关系决定，从而通过电力市场出清决定的边际价格。但由于新能源发电(例如风力发电、太阳能发电)以及负荷需求(需求方、需求量不确定性)，导致目前电价的出清也具有不确定性。因此，聚合商和其他相关主体在售电市场上为了做出更好的投标决策，需要对电力市场进行深入理解，建立可靠数学优化模型，为聚合商有效决策提供理论依据。
要构建有效的具有竞争力的电力市场，推动电力市场化建设。曹昉等[2]分析了2018年我国电力市场，通过建立粘性函数和效用函数，探索了影响我国售电市场的因素，提出了我国售电公司应注重电价的定价套餐，以提高企业利润。喻小宝等[3]于2020年进一步分析了影响售电公司效益的影响因素，得出用户的年用电量是影响公司收益的主要指标。蒋磊等[4]探索了在价差返还模式下影响售电公司盈利的主要因素，提出了售电企业应提供增值服务、电力金融等业务以提高企业在市场上的竞争力。李雅婷等[5]考虑了购电组合、售电电价、可削减负荷调用和补偿等因素对售电公司购电的影响，构建了决策与风险评估模型，并通过仿真算例验证了模型的有效性。Do Prado和Wei[6]探索了用户参与需求响应报价交易机制，构建了购电决策模型，提出了用户参与需求响应机制不仅受到经济因素影响，还受到外部环境、用户心理状态和认知偏差等因素的影响。目前对电力市场影响因素研究较少，对需求响应机制下，用户不确定性机制研究不足。
在电力系统优化投标模型上，王晛等[7]提出了风电与储能需求响应等资源联营有利于缓解风电并网对电网波动的影响，并基于博弈理论，探索资源联营参与电力市场竞争对市场均衡结果的影响。随后，王晛等[8]又分析了风电与储能需求相应等资源联营参与投标对电力市场均衡的影响。孙国强等[9]在能源与旋转备用市场下，构建虚拟电厂热电联合电镀鲁棒优化模型，以削弱外界环境不确定因素对电厂影响。周亦周等[10]构建设计电动汽车和需求响应的多类电厂竞标模型，探索影响电力厂竞标的影响因子。余爽等[11]考虑了由风电场、抽水蓄能电站和燃气轮机组成的虚拟电厂竞标模型，考虑了电价和风电出力的不确定性因素的影响，采取随机规划的方法处理电价的不确定性。
事实上，由于受到太阳能、风电不确定性，以及电价不确定性的影响，聚合商的投标策略应根据不同环境的变化而变化。因此，本专利首先通过K-means聚类方法，将电价数据分成K组，形成K个典型场景来处理电价的不确定性。其次，考虑随机因子对电量购入功率和卖出功率的影响，以电量购入和输出常量为决策变量，构建需求侧资源聚合商投标决策模型。最后，提出一种深度学习方法求解最优的决策变量，为聚合商制定合理的投标策略提供参考依据。
发明内容
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种不确定环境下聚合商随机投标决策方法采用聚类分析方法，将电价进行分类，再模拟电价分布，采用概率理论对电价进行精准预测，采用智能算法增加预算精准性。
为解决上述技术问题，本发明提供如下技术方案，一种不确定环境下聚合商随机投标决策方法，包括：基于K-means聚类方法分析电力市场电价，建立影响因子与电量购入功率和卖出功率的相关性模型，根据相关性，进一步构建聚合商投标决策模型，以聚合商获得最小化投标成本为目标函数，获得聚合商最佳电量购入量和输出量并进行智能优化。
作为本发明所述的一种不确定环境下聚合商随机投标决策方法的一种优选方案，其中：所述K-means聚类方法包括，当面对大量电价数据时，对电价数据进行分类、组织，以理解电价数据，K-means聚类分析将一组数据点分成多个簇，使得同一簇内的数据点彼此相似，而不同簇之间的数据点相似度较低；
K-means算法将数据点分成K个簇，其中K是预先设定的参数，随机选择K个点(K个电价)作为初始簇的中心；将每个数据点分配到距离最近的簇中心；计算每个簇中所有数据点的平均值，将平均值作为新的簇中心，重复执行中间两个步骤，直到簇中心不再发生显著变化，或者达到预定的迭代次数。
作为本发明所述的一种不确定环境下聚合商随机投标决策方法的一种优选方案，其中：所述相关性模型包括相关性分析和相关系数检验，其中相关性分析从数据库中提取电量购入功率、卖出功率、天气情况、季节性因素、市场因素数据；设定(x1,y1),…,(xn,yn)分别为从数据库中抽得的数据，xi表示天气情况、季节情况和市场因素，yi表示电量购入功率或卖出功率；Zx、Zy分别表示所有x和y数据之和，Zxy为x和y数据离差乘积和；Zxx、Zyy分别为x和y的离差平方和；满足如下公式：
根据相关系数来证明影响因素与电量购入功率和卖出功率之间是否存在因果关系，其中，相关系数表达式如下：
作为本发明所述的一种不确定环境下聚合商随机投标决策方法的一种优选方案，其中：所述相关系数检验包括，当相关系数越接近于1时，相关性越大；
建立假设检验：假设总体样本相关系数用ρ表示，则检验如下：
H0:ρ＝0
确定检验统计量及在原假设成立条件下的分布，根据概率统计理论，当因变量受到许多因子影响时，则在原假设成立条件下，统计量服从正态分布，具体如下：
进一步根据相关系数r与ρ之间的关系，获得：
作为本发明所述的一种不确定环境下聚合商随机投标决策方法的一种优选方案，其中：所述聚合商投标决策模型包括，构建需求侧资源聚合商投标决策模型涉及将电量购入和输出量作为决策变量，以优化资源聚合商在电力市场中的投标决策；
设定电量购入和输出量是可调整的决策变量，设定电力市场价格是已知的，并且对于不同时间段是稳定的；
电量购入量表示在电价价位k情况下聚合商从市场购买的电力数量；
电量输出量表示在电价价位k情况下聚合商向市场出售的电力数量；
由于聚合商购入电量和输出电量受到电力市场场景、政策、环境的影响，购入和输出为随机变量，表达为：
其中，为固定电量购入，不受外界环境变化的影响，/>为随机电量购入，受到场景k以及外界变化的的影响，/>为固定电量输出，/>为随机电量输出。
作为本发明所述的一种不确定环境下聚合商随机投标决策方法的一种优选方案，其中：所述目标函数包括，目标函数为需求侧聚合商相应主体日前参与目前电力市场的成本，其中需求侧聚合商响应主体主要为目前电力市场中电价接受者，决策模型中考虑外界环境，对电价的不确定性影响由随机变量表述；
聚合商的目标是最小化成本，建立如下的目标函数：
其中，πk为市场中电价价位k情况发生的概率，pk,t表示在时刻t电价价位为场景k下的电价，为在场景k下聚合商购入的电量，/>为在场景k下聚合商输出的电量，ck,t为聚合商在时刻t场景k下的惩罚成本。
作为本发明所述的一种不确定环境下聚合商随机投标决策方法的一种优选方案，其中：所述智能优化包括，获取并准备用于训练和测试深度学习模型的数据，在不确定性环境下聚合上投标策略中，需要获得外界环境因素，并对这些数据清洗、标记和分割；
根据问题的性质，选择适当的深度学习模型架构，对于图像分类任务，选择卷积神经网络，对于序列数据，选择循环神经网络；使用准备好的数据集来训练深度学习模型；选择和调整模型的超参数，包括学习率、批量大小、层的数量和大小；
使用验证数据集来评估模型的性能，确保模型泛化到未见过的数据，使用准确率、损失函数指标评估模型；根据评估的结果，对模型进行调整和优化；持续监测模型的性能，并在需要时进行更新和维护，对于关注决策的可解释性的应用，尝试解释模型的决策过程。
本发明的另一个目的是提供一种不确定环境下聚合商随机投标决策系统，其能采用随机理论与决策优化相结合的方法，能够充分考虑不确定性因素对市场电价的影响，提高选择聚合商投标策略的准确性。
作为本发明所述的一种不确定环境下聚合商随机投标决策系统的一种优选方案，其中：包括市场信息收集模块、数据处理与分析模块、预测模型模块、风险评估与管理模块、决策支持系统模块、投标策略生成模块；
所述市场信息收集模块，收集市场相关的数据，包括历史投标价格、市场需求、竞争对手的行为、市场趋势；
所述数据处理与分析模块，对收集到的数据进行清洗、处理和分析，识别数据中的模式和趋势，为建立预测模型提供支持；
所述预测模型模块，基于历史数据和市场趋势，构建预测模型来估计未来的市场需求、价格走势；
所述风险评估与管理模块，评估市场的不确定性和潜在风险，包括价格波动、政策变化、市场需求变动，帮助聚合商了解各种决策可能带来的风险，并制定相应的风险缓解策略；
所述决策支持系统模块，利用上述模块提供的信息，为聚合商提供决策支持，包括优化算法、模拟器工具，帮助聚合商在各种市场情况下确定最佳的投标策略；
所述投标策略生成模块，根据预测结果和风险评估，制定具体的投标策略。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种不确定环境下聚合商随机投标决策方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种不确定环境下聚合商随机投标决策方法的步骤。
本发明的有益效果：本发明涉及一种用于电力市场的投标决策方法，特别是一种基于随机过程的方法，用于提高聚合商的投标策略的智能性和效率。这一方法包括随机过程建模、需求和价格预测、投标策略生成以及实施监控等步骤，以帮助聚合商更好地适应电力市场的动态变化。主要的技术实施方案包括：基于K-means聚类方法分析电力市场电价；充电行为、温控负荷跟踪的室外温度等影响分析，基于主成分分析对影响因子进行筛选；生成电量购入功率和卖出功率受随机因子影响的决策模型；启用智能算法实现聚合商投标决策利益最大化，提高聚合商投标决策效率和准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种不确定环境下聚合商随机投标决策方法流程示意图。
图2为本发明一个实施例提供的一种不确定环境下聚合商随机投标决策系统的工作流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种不确定环境下聚合商随机投标决策方法，包括：
S1：基于K-means聚类方法分析电力市场电价。
更进一步的，所述K-means聚类方法包括，当面对大量电价数据时，对电价数据进行分类、组织，以理解电价数据，K-means聚类分析将一组数据点分成多个簇，使得同一簇内的数据点彼此相似，而不同簇之间的数据点相似度较低；
K-means算法将数据点分成K个簇，其中K是预先设定的参数，随机选择K个点(K个电价)作为初始簇的中心；将每个数据点分配到距离其最近的簇中心；计算每个簇中所有数据点的平均值，将平均值作为新的簇中心，重复执行中间两个步骤，直到簇中心不再发生显著变化，或者达到预定的迭代次数。
应说明的是，在实际电价分析中，在使用K-means算法，可进行多次运行，尝试不同的初始簇中心，然后选择表现最好的结果。另外，还有一些改进的版本，如K-means++用于更好地选择初始簇中心，以及层次聚类等算法，用于解决K-means难以处理的数据分布。
S2：建立影响因子与电量购入功率和卖出功率的相关性模型。
更进一步的，所述相关性模型包括相关性分析和相关系数检验，其中相关性分析从数据库中提取电量购入功率、卖出功率、天气情况、季节性因素、市场因素数据；设定(x1,y1),…,(xn,yn)分别为从数据库中抽得的数据，xi表示天气情况、季节情况和市场因素，yi表示电量购入功率或卖出功率；Zx、Zy分别表示所有x和y数据之和，Zxy为x和y数据离差乘积和；Zxx、Zyy分别为x和y的离差平方和；满足如下公式：
根据相关系数来证明影响因素与电量购入功率和卖出功率之间是否存在因果关系，其中，相关系数表达式如下：
更进一步的，所述相关系数检验包括，当相关系数越接近于1时，相关性越大；
建立假设检验：假设总体样本相关系数用ρ表示，则检验如下：
H0:ρ＝0
确定检验统计量及在原假设成立条件下的分布，根据概率统计理论，当因变量受到许多因子影响时，则在原假设成立条件下，统计量服从正态分布，具体如下：
进一步根据相关系数r与ρ之间的关系，获得：
更进一步的，根据前面的假设检验，获得H1假设情况下三种拒绝域如下：
H1:ρ＞0,W:{t＞t1-α(n-2)}
若落入拒绝域，可获得影响因子与因变量之间呈正相关性；
H1:ρ＜0,W:{t＜tα(n-2)}
若落入公式拒绝域，可获得影响因子与因变量之间呈负相关性；
H1:ρ≠0,W:{|t|＞t1-α/2(n-2)}
落入公式拒绝域，可获得影响因子与因变量之间呈线性相关；
逐次对天气因素、季节性因素等分析对聚合商电量购入功率和卖出功率的影响，获得影响因变量变化的最主要因素，为下一步建立决策优化模型奠定基础。
S3：根据相关性，进一步构建聚合商投标决策模型。
更进一步的，所述聚合商投标决策模型包括，构建需求侧资源聚合商投标决策模型涉及将电量购入和输出量作为决策变量，以优化资源聚合商在电力市场中的投标决策；
设定电量购入和输出量是可调整的决策变量，设定电力市场价格是已知的，并且对于不同时间段是稳定的；
电量购入量表示在电价价位k情况下聚合商从市场购买的电力数量；
电量输出量表示在电价价位k情况下聚合商向市场出售的电力数量；
由于聚合商购入电量和输出电量受到电力市场场景、政策、环境的影响，其购入和输出为随机变量，表达为：
其中，为固定电量购入，不受外界环境变化的影响，/>为随机电量购入，受到场景k以及外界变化的的影响，/>为固定电量输出，/>为随机电量输出。
应说明的是，固定电量输入和输出可根据不同场景需求确定，而随机电量购入和输出需搜集大量数据，仿真模拟电量变化曲线，用概率分布表述出来。其中，的概率密度函数和分布函数可表示为/>和/>的概率密度函数和分布函数可表示为和/>
S4：以聚合商获得最小化投标成本为目标函数，获得聚合商最佳电量购入量和输出量并进行智能优化。
更进一步的，所述目标函数包括，目标函数为需求侧聚合商相应主体日前参与目前电力市场的成本，其中需求侧聚合商响应主体主要为目前电力市场中电价接受者，决策模型中考虑外界环境，其对电价的不确定性影响由随机变量表述；
聚合商的目标是最小化成本，建立如下的目标函数：
其中，πk为市场中电价价位k情况发生的概率，pk,t表示在时刻t电价价位为场景k下的电价，为在场景k下聚合商购入的电量，/>为在场景k下聚合商输出的电量，ck,t为聚合商在时刻t场景k下的惩罚成本。
此外，为示性函数，具体表示如下：
更进一步的，所述智能优化包括，获取并准备用于训练和测试深度学习模型的数据，在不确定性环境下聚合上投标策略中，需要获得外界环境因素，并对这些数据清洗、标记和分割；
根据问题的性质，选择适当的深度学习模型架构，对于图像分类任务，选择卷积神经网络，对于序列数据，选择循环神经网络；使用准备好的数据集来训练深度学习模型；选择和调整模型的超参数，包括学习率、批量大小、层的数量和大小；
使用验证数据集来评估模型的性能，确保模型泛化到未见过的数据，使用准确率、损失函数指标评估模型；根据评估的结果，对模型进行调整和优化；持续监测模型的性能，并在需要时进行更新和维护，对于关注决策的可解释性的应用，尝试解释模型的决策过程。
实施例2
本发明的一个实施例，提供了一种不确定环境下聚合商随机投标决策方法，为了验证本发明的有益效果，通过实验进行科学论证。
在实施K-means聚类分析之前，我们首先确定了K的值，即聚类的数量。这通过肘部法则和轮廓系数等多种方法进行评估，最终选择了K＝5作为最优聚类数。随后，我们随机选择了五个初始簇中心，并开始迭代过程。每次迭代中，我们计算每个数据点与簇中心的距离，并将数据点分配到最近的簇。然后，我们计算每个簇中所有数据点的平均值，以新的平均值作为簇中心。这个过程重复进行，直到簇中心的变化小于预定的阈值。
接下来，我们根据相关性分析构建了影响因子与电量购入功率和卖出功率的相关性模型。我们提取了天气情况、季节性因素、市场因素等数据，并计算了它们与电量购入功率和卖出功率之间的相关系数。通过假设检验，我们验证了这些因素与电量购入功率和卖出功率之间是否存在显著的因果关系。
最后，我们构建了聚合商投标决策模型。在这个模型中，我们设定了电量购入量和输出量作为决策变量，并考虑了电力市场价格、天气情况、季节性因素、市场因素等外界环境的影响。我们的目标是最小化聚合商在电力市场的投标成本。为了实现这个目标，我们采用了深度学习模型进行智能优化。我们首先准备并清洗了用于训练和测试深度学习模型的数据，然后选择了适当的深度学习模型架构，并调整了模型的超参数。我们使用验证数据集来评估模型的性能，并根据评估结果对模型进行了调整和优化。实验数据如表1所示。
表1
通过对表格数据的分析，我们可以看出，在不同的天气情况、季节性因素和市场因素下，聚合商的电量购入功率和卖出功率存在显著差异。通过我们的模型，聚合商能够根据这些因素智能地调整其购电和售电策略，从而实现投标成本的最小化。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
实施例3
本发明第三个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明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。
实施例4
参照图2，为本发明的一个实施例，提供了一种不确定环境下聚合商随机投标决策系统，其特征在于：包括市场信息收集模块、数据处理与分析模块、预测模型模块、风险评估与管理模块、决策支持系统模块、投标策略生成模块；
市场信息收集模块，收集市场相关的数据，包括历史投标价格、市场需求、竞争对手的行为、市场趋势。
数据处理与分析模块，对收集到的数据进行清洗、处理和分析，识别数据中的模式和趋势，为建立预测模型提供支持。
预测模型模块，基于历史数据和市场趋势，构建预测模型来估计未来的市场需求、价格走势。
风险评估与管理模块，评估市场的不确定性和潜在风险，包括价格波动、政策变化、市场需求变动，帮助聚合商了解各种决策可能带来的风险，并制定相应的风险缓解策略。
决策支持系统模块，利用上述模块提供的信息，为聚合商提供决策支持，包括优化算法、模拟器工具，帮助聚合商在各种市场情况下确定最佳的投标策略。
投标策略生成模块，根据预测结果和风险评估，制定具体的投标策略。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种不确定环境下聚合商随机投标决策方法，其特征在于：包括，
基于K-means聚类方法分析电力市场电价；
建立影响因子与电量购入功率和卖出功率的相关性模型；
根据相关性，进一步构建聚合商投标决策模型；
以聚合商获得最小化投标成本为目标函数，获得聚合商最佳电量购入量和输出量并进行智能优化。
2.如权利要求1所述的一种不确定环境下聚合商随机投标决策方法，其特征在于：所述K-means聚类方法包括，当面对大量电价数据时，对电价数据进行分类、组织，以理解电价数据，K-means聚类分析将一组数据点分成多个簇，使得同一簇内的数据点彼此相似，而不同簇之间的数据点相似度较低；
K-means算法将数据点分成K个簇，其中K是预先设定的参数，随机选择K个点(K个电价)作为初始簇的中心；将每个数据点分配到距离最近的簇中心；计算每个簇中所有数据点的平均值，将平均值作为新的簇中心，重复执行中间两个步骤，直到簇中心不再发生显著变化，或者达到预定的迭代次数。
3.如权利要求2所述的一种不确定环境下聚合商随机投标决策方法，其特征在于：所述相关性模型包括相关性分析和相关系数检验，其中相关性分析从数据库中提取电量购入功率、卖出功率、天气情况、季节性因素、市场因素数据；设定(x1,y1),…,(xn,yn)分别为从数据库中抽得的数据，xi表示天气情况、季节情况和市场因素，yi表示电量购入功率或卖出功率；Zx、Zy分别表示所有x和y数据之和，Zxy为x和y数据离差乘积和；Zxx、Zyy分别为x和y的离差平方和；满足如下公式：
根据相关系数来证明影响因素与电量购入功率和卖出功率之间是否存在因果关系，其中，相关系数表达式如下：
4.如权利要求3所述的一种不确定环境下聚合商随机投标决策方法，其特征在于：所述相关系数检验包括，当相关系数越接近于1时，相关性越大；
建立假设检验：假设总体样本相关系数用ρ表示，则检验如下：
H0:p＝0
确定检验统计量及在原假设成立条件下的分布，根据概率统计理论，当因变量受到许多因子影响时，则在原假设成立条件下，统计量服从正态分布，具体如下：
进一步根据相关系数r与ρ之间的关系，获得：
5.如权利要求4所述的一种不确定环境下聚合商随机投标决策方法，其特征在于：所述聚合商投标决策模型包括，构建需求侧资源聚合商投标决策模型涉及将电量购入和输出量作为决策变量，以优化资源聚合商在电力市场中的投标决策；
设定电量购入和输出量是可调整的决策变量，设定电力市场价格是已知的，并且对于不同时间段是稳定的；
电量购入量：表示在电价价位k情况下聚合商从市场购买的电力数量；
电量输出量：表示在电价价位k情况下聚合商向市场出售的电力数量；
由于聚合商购入电量和输出电量受到电力市场场景、政策、环境的影响，购入和输出为随机变量，表达为：
其中，为固定电量购入，不受外界环境变化的影响，/>为随机电量购入，受到场景k以及外界变化的的影响，/>为固定电量输出，/>为随机电量输出。
6.如权利要求5所述的一种不确定环境下聚合商随机投标决策方法，其特征在于：所述目标函数包括，目标函数为需求侧聚合商相应主体日前参与目前电力市场的成本，其中需求侧聚合商响应主体主要为目前电力市场中电价接受者，决策模型中考虑外界环境，对电价的不确定性影响由随机变量表述；
聚合商的目标是最小化成本，建立如下的目标函数：
其中，πk为市场中电价价位k情况发生的概率，pk,t表示在时刻t电价价位为场景k下的电价，为在场景k下聚合商购入的电量，/>为在场景k下聚合商输出的电量，ck,t为聚合商在时刻t场景k下的惩罚成本。
7.如权利要求6所述的一种不确定环境下聚合商随机投标决策方法，其特征在于：所述智能优化包括，获取并准备用于训练和测试深度学习模型的数据，在不确定性环境下聚合上投标策略中，需要获得外界环境因素，并对这些数据清洗、标记和分割；
根据问题的性质，选择适当的深度学习模型架构，对于图像分类任务，选择卷积神经网络，对于序列数据，选择循环神经网络；使用准备好的数据集来训练深度学习模型；选择和调整模型的超参数，包括学习率、批量大小、层的数量和大小；
使用验证数据集来评估模型的性能，确保模型泛化到未见过的数据，使用准确率、损失函数指标评估模型；根据评估的结果，对模型进行调整和优化；持续监测模型的性能，并在需要时进行更新和维护，对于关注决策的可解释性的应用，尝试解释模型的决策过程。
8.一种采用如权利要求1～7任一所述的一种不确定环境下聚合商随机投标决策方法的系统，其特征在于：包括市场信息收集模块、数据处理与分析模块、预测模型模块、风险评估与管理模块、决策支持系统模块、投标策略生成模块；
所述市场信息收集模块，收集市场相关的数据，包括历史投标价格、市场需求、竞争对手的行为、市场趋势；
所述数据处理与分析模块，对收集到的数据进行清洗、处理和分析，识别数据中的模式和趋势，为建立预测模型提供支持；
所述预测模型模块，基于历史数据和市场趋势，构建预测模型来估计未来的市场需求、价格走势；
所述风险评估与管理模块，评估市场的不确定性和潜在风险，包括价格波动、政策变化、市场需求变动，帮助聚合商了解各种决策可能带来的风险，并制定相应的风险缓解策略；
所述决策支持系统模块，利用上述模块提供的信息，为聚合商提供决策支持，包括优化算法、模拟器工具，帮助聚合商在各种市场情况下确定最佳的投标策略；
所述投标策略生成模块，根据预测结果和风险评估，制定具体的投标策略。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304114.9A CN118114831A (zh) | 2024-03-18 | 2024-03-18 | 一种不确定环境下聚合商随机投标决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304114.9A CN118114831A (zh) | 2024-03-18 | 2024-03-18 | 一种不确定环境下聚合商随机投标决策方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118114831A true CN118114831A (zh) | 2024-05-31 |
Family
ID=91219401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410304114.9A Pending CN118114831A (zh) | 2024-03-18 | 2024-03-18 | 一种不确定环境下聚合商随机投标决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118114831A (zh) |
-
2024
- 2024-03-18 CN CN202410304114.9A patent/CN118114831A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
| US11824360B2 (en) | Apparatus and method for optimizing carbon emissions in a power grid | |
| CN111415061B (zh) | 一种可再生能源电力系统的综合评价方法及装置 | |
| CN110738405A (zh) | 电力市场有效性的评估方法、装置及存储介质 | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| Li et al. | Day-ahead risk averse market clearing considering demand response with data-driven load uncertainty representation: A Singapore electricity market study | |
| CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
| CN117114885B (zh) | 一种用于电力交易的数据交互模型构建方法及系统 | |
| Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| Dong et al. | Trading performance evaluation for traditional power generation group based on an integrated matter-element extension cloud model | |
| Li et al. | Multi-objective unit commitment optimization with ultra-low emissions under stochastic and fuzzy uncertainties | |
| CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
| Keynia et al. | A new financial loss/gain wind power forecasting method based on deep machine learning algorithm by using energy storage system | |
| Su et al. | Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network | |
| CN111563652A (zh) | 一种评价电网企业综合计划执行情况的方法 | |
| Xia et al. | A power fluctuation evaluation method of PV plants based on RankBoost ranking | |
| CN115730853A (zh) | 基于电力大数据的消费景气指数计算方法及系统 | |
| CN118114831A (zh) | 一种不确定环境下聚合商随机投标决策方法及系统 | |
| CN113589034B (zh) | 一种配电系统的窃电检测方法、装置、设备和介质 | |
| CN113033886B (zh) | 一种配电网规划建设评估方法 | |
| Alikhani et al. | Optimal demand response programs selection using CNN‐LSTM algorithm with big data analysis of load curves | |
| Gamst et al. | Time aggregation techniques applied to a capacity expansion model for real-life sector coupled energy systems | |
| Xing et al. | Research on the credit evaluation model of electricity selling company based on GA-SVM | |
| CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |