一种自增强学习的撮合竞价方法及系统技术方案

本发明专利技术涉及一种自增强学习的撮合竞价方法，所述方法包括：采集所有售电商的报价，设定待测售电商报价为初始竞价，其他售电商报价设定为初始售电商报价；基于预先设定的步长调整售电商报价和竞价报价；基于所述初始售电商报价、初始竞价、竞价报价和售电商报价得到收益；基于预先设定的步长重新调整电商报价和竞价报价继续计算收益，直到达到预先设定的学习报价轮数阈值；基于所有的售电商报价、竞价报价和收益确定最终竞价报价。所述系统包括:采集模块、调整模块、生成模块、计算模块和确定模块。本发明专利技术采用撮合出清的方法，售电商通过代理进行报价学习，建立其他售电商竞价对策模型产生大量学习样本继续进行推演自学习，以达到最优竞价的目的。

A matching bidding method and system for self enhancement learning

The invention relates to a self reinforcement learning match method of bidding, the method includes: collecting all the sale of electricity price, the sale of electricity price is set to measure the initial auction, the sale of electricity price set for other initial sale of electricity price; the preset step adjustment the sale of electricity price and bidding quotation based on the initial sale of electricity; the initial quotation, bidding, bidding quotation and the sale of electricity price returns based on the preset step; re adjustment of bidding and bidding quotation calculation based on revenue, until it reaches a preset threshold value of learning quotation rounds; all of the sale of electricity price, bidding quotation and final bidding quotation based on income determination. The system includes the acquisition module, the adjustment module, the generating module, the calculation module and the determination module. The invention adopts the method of matching and clearing, and sells electricity providers to learn quotations through agents, establishes other bidding strategies of electricity suppliers, generates a large number of learning samples, and continues to deduce and learn from others, so as to achieve the purpose of optimal bidding.

【技术实现步骤摘要】
一种自增强学习的撮合竞价方法及系统
本专利技术涉及电力市场运行与竞价领域，具体涉及一种自增强学习的撮合竞价方法及系统。
技术介绍
由于电源与需求呈逆向分布，发电区域电能过剩，用电区域则电力不足，这种不均衡的能源结构决定了必须通过开展大规模跨区域电力交易，对能源资源进行有效配置，充分发挥发电、输电设施的能力，保障电力供应。在跨区域集中交易制度逐步完善的过程中，跨区域发电侧市场的竞争压力逐步增大，发电企业为了在市场中生存与发展，其必须与其他发电商竞争上网，以实现利润最大化为目标。为了避免发电厂商们之间的恶性竞争和发电集团公司可能要面临的价格剧烈波动的巨大风险，广大学者和研究人员往往采用多代理系统(Multi-agentSystem，简称为MAS)技术和演化博弈理论为参与市场竞争的发电商们构建更加灵活的发电竞价策略，并在利润最大化的实践中不断完善，同时对寡头垄断竞争的发电侧电力市场竞价规则和竞价行为进行评估。在人工智能领域，将由多个Agent所构成的相互作用、相互关联的系统称为多代理系统(Multi-AgentSystem)。多代理系统中，每一个Agent都是一个独立的具有学习能力的实体，本文档来自技高网...

【技术保护点】
一种自增强学习的撮合竞价方法，其特征在于，所述竞价方法包括：采集所有售电商的报价，其中设定待测售电商报价为初始竞价，剩余其他售电商报价设定为初始售电商报价；基于预先设定的步长分别调整初始售电商报价和初始竞价构成售电商报价和竞价报价；基于所述初始售电商报价、初始竞价、竞价报价和售电商报价得到收益；基于预先设定的步长重新调整电商报价和竞价报价继续计算收益，直到达到预先设定的学习报价轮数阈值；基于所有的售电商报价、竞价报价和收益确定最终竞价报价。

【技术特征摘要】
1.一种自增强学习的撮合竞价方法，其特征在于，所述竞价方法包括：采集所有售电商的报价，其中设定待测售电商报价为初始竞价，剩余其他售电商报价设定为初始售电商报价；基于预先设定的步长分别调整初始售电商报价和初始竞价构成售电商报价和竞价报价；基于所述初始售电商报价、初始竞价、竞价报价和售电商报价得到收益；基于预先设定的步长重新调整电商报价和竞价报价继续计算收益，直到达到预先设定的学习报价轮数阈值；基于所有的售电商报价、竞价报价和收益确定最终竞价报价。2.如权利要求1所述的一种自增强学习的撮合竞价方法，其特征在于，所述采集所有售电商的报价，其中待测售电商报价为初始竞价，剩余其他售电商报价作为初始售电商报价包括：采集所有售电商的报价构建集合S，S＝{s1,s2,…,sn}，其中s1,s2,…,sn为所有售电商报价；设定待测售电商报价at，at∈S；设定初始售电商报价为st，st∈S-at。3.如权利要求1所述的一种自增强学习的撮合竞价方法，其特征在于，所述基于预先设定的步长调整所述竞价报价包括：以小概率的ε‐greedy算法随机选择报价；所述ε－greedy算法按下式计算：ε＝tempt式中：temp：小于1的衰减系数；t：当前学习报价轮数。4.如权利要求1所述的一种自增强学习的撮合竞价方法，其特征在于，所述基于预先设定的步长调整所述售电商报价如下式：式中：pi,t：售电商i在t轮学习中的模拟报价；stepi：售电商i的竞价风险调整步长；Gaini：报价的函数，表征售电商i参与匹配的收益；其他：不满足调价条件的情况；t：当前学习报价轮数。5.如权利要求4所述的一种自增强学习的撮合竞价方法，其特征在于，所述售电商i的竞价风险调整步长stepi基于概率θt计算；以概率θt选择所述步长stepi，以概率1‐θt选择原步长stepi；所述概率θt的计算式如下：θt＝θ0t式中：θ0：报价调整概率且0＜θ0＜1。6.如权利要求1‐5任一项所述的一种自增强学习的撮合竞...

【专利技术属性】
技术研发人员：程海花，郑亚先，薛必克，耿建，杨争林，邵平，龙苏岩，郭艳敏，王高琴，史新红，吕建虎，徐骏，黄春波，陈爱林，曾丹，叶飞，张旭，王秀丽，祁天星，张炜，
申请(专利权)人：中国电力科学研究院，国家电网公司，国网江苏省电力公司，西安交通大学，
类型：发明
国别省市：北京,11