中国悠悠期刊咨询网是专业从事评职称论文发表,核心期刊征稿,核心期刊发表,学术论文发表等服务的论文发表期刊咨询网。
展开

电力市场交易模型

发布时间:2019-06-25   |  所属分类:电力:论文发表  |  浏览:  |  加入收藏

  这篇论文主要介绍的是电力市场交易模型的内容,本文作者就是通过对电力市场的相关内容做出详细的阐述与介绍,特推荐这篇优秀的文章供相关人士参考。

电力市场交易模型

  关键词:电力市场;大数据;交易模型;效用值;遗传算法

  1引言

  随着电力市场改革的推进,电力多能源市场化的发展趋势明显[1-2]。以含分布式电源和电动汽车的社区或街道等新增实体逐渐参与到电力市场的交易当中,因此电力市场的交易中具有丰富的新增实体数据来源。对这些参与电力交易的能源数据进行不同时间尺度的高度融合,并利用智能挖掘算法、机器学习算法等大数据方法形成电力市场多元能源大数据应用场景[3-5]。例如电动汽车在交通高峰和非高峰的不同时间段的充放电具有不同的交易价格;反之,新成立售电公司的定制价格也会对车主的驾驶行为产生一定的影响,原因是车主会根据买电和卖电在不同时间段内的价格进行合理的充放电规划[6-7]。因此,采用大数据交易模型能够为电力市场的后续多元能源综合交易提供有力的指导作用。目前来说,电力市场中能源大数据的信息化阶段主要集中在对电力市场中多元能源大数据服务的智能化处理方面,在多元能源的数据交易服务方面的研究很有限。然而新一代电力市场的发展使得能源数据信息发挥着至关重要的作用。在考虑电力市场中的能源服务竞争中,不仅仅要考虑能源大数据的获取、处理、服务架构和服务模式等[8-11],还应该重点考虑能源大数据的交易体系,实现市场中多元能源大数据的合理定价,更加可靠、有效的服务与电力市场的综合交易。为此,本文将多元能源大数据与电力市场交易紧密联系,研究电力市场的能源大数据交易模型。首先对多元能源大数据的来源和特征进行分析,在此基础上采用效用函数来构建数据多属性协商优化模型,并采用遗传算法进行模型的优化求解。最后,以实际算例仿真验证了所提电力市场数据交易模型的有效性。

  2能源大数据交易模型

  对于大数据交易模型而言,其本质是对数据的使用权进行交易,然而由于数据价值本身难以衡量而呈现交易的复杂性,因而数据交易双方在数据挖掘、价格定制以及效能评估等方面成本较高。传统的市场商品的交易方式难以满足新一代电力市场多能源大数据的交易需求。因此,如何建立电力市场的大数据交易模型,来支撑卖方和买方之间的交易过程,是值得深入探讨的问题,如以电动汽车为例,售电公司通过分析电动汽车的充放电数据,进而挖掘电动汽车的充放电规律,为电动汽车充放电定制合理的价格,从而实现买卖双方在电力市场交易过程中的互利共赢。

  2.1电力市场多元能源大数据来源

  新一代电力市场大数据具有较为丰富的数据来源,包括含储能设备的居民用户、含分布式发电大用户、含燃气轮机小区街道以及电动汽车等。在电力市场应用范畴内,这些数据来源特征对电力市场的卖方单位(如电网公司、售电公司和咨询公司等)具有重要的商业应用价值。新一代电力市场的多元能源大数据来源如图1所示。

  2.2电力市场大数据交易模型

  本文结合电力市场多能源和新增实体等基本来源特征,提出了应用电力市场的多元能源大数据交易模型,主要包含数据分析、交易方确定、价格协商、数据交付以及售后评价等五个部分,如图2所示。(1)数据分析。电力市场中的买方和卖方对需要交易的市场成员数据及数据特征的关键属性进行大体分析,对数据的属性、基本类型和应用范围进行阐述,并采用结构化的语言对分析结果进行描述,构建市场中的数据交易对象。(2)交易方确定。电力市场的卖方成员将需要售卖的新增实体数据资源进行注册,并形成数据交易的库,买方能够从库中进行查询,从而获取所需交易目标的基本信息以及交易竞争方,即可能存在多个潜在的买方。(3)价格协商。市场中的交易双方根据自身对交易目标数据进行协商,即分别依据自己的效用函数对其效用值进行计算,以此计算结果作为评价数据的价值,在价格协商的过程中,能够采用多目标优化函数进行求解,形成交易双方互利共赢的数据交易方案。(4)数据交付。在双方对价格方案都满意的情况下,开始执行数据交付,此阶段需按照交易合约在规定的时间内完成数据交付,同时卖方还得提供额外的数据配置服务。(5)售后评价。在完成数据交付之后,需完成后续的一些服务,如对买卖双方在交易过程中的评价、售后服务合约制定等。图22.2数据多属性协商模型由上述分析可知,价格协商是电力市场大数据交易的重要部分,也是本文所需要研究的重点。价格协商是指买卖双方对大数据交易价格达成一致的过程,需要根据数据的质量进行价格的确定。同时,为实现交易的效率和自动化水平,需采用智能化技术来提高多元能源大数据价格协商。在数据交易过程中,卖方对数据质量的描述以及买方对数据质量的感知是双方价格协商的基础。而数据的质量从其本质上来讲也即是数据的属性,在电力市场环境下,成员的数据属性一共包含个体的自身属性和属性之间的关联性。对于电力市场新增实体成员的数据属性特征,其对应的大数据交易对象可以表示为:Mi=(e1,...,en)iE(i,...k)(1)式中Mi表示的是数据价格协商的对象,k是价格协商的轮次,n是对象属性数量。对于大数据交易对象,其存在的n个属性可以表示为:(E1,E2,…,En),且(e1,e2,…,en)是协商过程中的属性向量。向量组(E1,E2,…,En)中的元素都存在一个取值范围[Ei.min,Ei.max]。因此,在数据交易的过程中,买卖双方就是在各自都能够接收的范围内,形成多属性协商机制。经过多轮次的协商即可达到双方满意的交易结果。在双方价格的协商过程中,定义“效用值”为具有多属性的交易数据满意度,对应可形成一个效用函数,函数的参数为数据的多属性。对于效用值函数,定义正属性代表交易双方满意,其取值越大表示满意程度越高,而负属性代表交易双方不满意,其取值越大,表示满意程度越差。因此,为体现交易过程中多属性协商之间的交互特性,提出了反应属性关联性的综合效用函数为:式中,vi是第i论协商过程中的效用值;uj是n维属性中第j个属性经过归一化处理之后的取值;wj是第j个属性权重的评价结果;εj,k是第k个属性和第j个属性之间的关联程度,uk是第k个属性经过归一化处理后的取值。其中uj和uk的归一化表达式如下所示:(3)针对相同的属性j,分别从买方和卖方的角度来看,其属性类型存在差异,即电力市场中的买方可以接受的取值范围和卖方可以提供的取值范围存在一定的差异性,同时交易双方对数据的评价权重也存在差异,带来的结果是对效用值函数的效用值影响不同。因此,针对电力市场交易双方在效用值上评价的差异性,文中提出一种基于遗传算法的多属性公平协商定价机制,实现市场中的多属性协商交易。

  3基于遗传算法的公平协商定价

  在电力市场中的大数据多数据属性协商模型中,存在一个最为理想的结果就是交易双方互利共赢,因此大数据的多属性协商模型可看成是一个多目标优化问题,协商的最满意的结果即是一个Pareto最优解。因此,针对电力市场多元能源大数据交易模型的Pareto最优解问题,多目标遗传算法因其具有结构简单和易于实现等优势而得到了广泛的应用。针对电力市场交易双方效用值评价的多目标优化这一具体场景,本文采用向量评估遗传算法(VEGA)进行多目标优化求解,对交易双方多属性的优化求解具有很好的适应性。VEGA是在传统遗传算法上做了一定的改进[12],其基本算法的流程示意图如图3所示。具体的实现思想是:每一代的种群依据多目标随机平均的分为大小一致的子种群,再通过不同的目标函数对每一个种群进行适应值的分配,然后再将子种群的选择算子作为筛选的依据,随后对所有的种群实行交叉变异操作而获取新的种群。因为在每一个子种群当中,每个个体的适应值都是依据特定的目标函数进行分配而得到的,而子种群又将选择算子限制在其内部,因此优秀个体被重点强调。当选取合适的遗传算法参数时,VEGA的解是非常接近于Pareto最优解。图3VEGA算法流程图因此,VEGA具体的求解步骤如下所示:(1)编码。采用二进制实数的编码方式,一个参数用一个基因表示,即基因表示的就是参数值,且决策变量的精度是根据二进制的位数来反映。(2)初始种群。初始种群采用英国谢菲尔德大学遗传算法的工具箱,能够在规定的范围内进行随机的分布。(3)适应度函数。适应度函数的设计是VEGA算法中的关键部分,适应度的选取采用的是目标函数值,同时适应度函数中的惩罚以约束的形式来体现,即如果个体的约束不满足条件,便将其适应度值设置为无穷大,即可实现不可行解的丢弃。由于较多的变量数目,遗传算法的变量值存在随机分布特性,且难以同时满足多个约束,搜索可行解存在一定的困难,为确保高效完成交叉变异,可优先筛选可行解,将最后的可行解群体设置为父辈。(4)选择、交叉和变异。根据VEGA来处理多目标函数,种群被随机分配成2个子种群,依据各自的单目标进行选择,抽样的方式为随机遍历。然后,合并被选择的种群,用单点交叉的方法对基因进行重组,以经验值作为交叉概率。种群多样性地保障方式为离散变异,并变异概率为缺省概率。最终得到的结果视作新一代个体。在程序中设定最大的遗传代数,并循环终止,最终得到最后的一代种群值,即是需优化问题的非劣解。在电力市场的多能源大数据交易模型中,参与价格协商的买方和卖方都视为子种群,即种群的数量是2,每一个多属性协商的编码形式为染色体,每一条染色体的基因代表的是数据的属性。上述提及的遗传操作都是在该基因上作用。N条染色体构建每一代种群,经过好几代的遗传操作,最终的数据属性染色体即可认为是Pareto的最优解,由此即可得到电力市场交易双发的协商结果。基于VEGA算法的电力市场数据多属性交易算法流程如图4所示。

  4算例分析

  为验证本文所提数据交易模型及多属性协商模型的可行性和有效性,在Matlab环境中仿真分析了电力市场中买方和卖方针对电动汽车充放电数据进行交易所获取的互利共赢商议结果。在该交易过程中,数据的买方是需要利用电动汽车使用行为数据进行考虑多元能源的售电公司,数据的卖方是拥有电动汽车使用行为数据的电网公司。双方需协商的属性主要有数据采集的精度、电动汽车充放电数据的时间规律以及电动汽车充电桩的数量,其中数据采集的精度以及时间规律这两大属性是和充电桩的数量相关量的。模型优化的参数设置为:种群大小为200,最大迭代次数为50次,交叉概率为0.52,变异概率为0.39。本次算例数据的范围、交易双方的权重评价以及关联程度如表1所示。结合上述分析的VEGA算法和电力市场交易双方的属性参数,完成了算例的仿真验证,算例结果可获得最优的Pareto最优的解,如表2所示。由表2可知,应用VEGA算法能够对数据多属性模型进行多目标优化求解,获取最优的电力市场数据交易双方的效用值,从而实现交易双方的互利共赢,提高了电力。

  5结束语

  本文针对新一代电力市场多元能源大数据的交易需求,提出了一种电力市场大数据交易模型。对含新增实体电力市场大数据的基本来源和特征进行了分析,并以效用函数的效用值来分析交易数据的多属性特性,以此构建数据多属性协商模型,并采用VEGA多目标优化算法进行最优求解。通过算例仿真对所提模型进行了验证,结果表明所提的电力市场数据交易模型可使得电力市场买卖双方获取互利共赢的交易数据属性特征值,使得数据交易价格更加智能可视化。

  作者:向德军 黄康乾 王道涵 李呈虎 付小倩 单位:广东电力交易中心有限责任公司 北京清大科越股份有限公司


转载请注明来自:http://www.uuqikan.com/dianlilw/20390.html

    上一篇:电力系统继电保护装置故障维修方法
    下一篇:电力企业班组管理论文