一种基于博弈论的负荷控制方法及系统技术方案

本发明专利技术涉及一种基于博弈论的负荷控制方法及系统，获取历史数据和实时气象数据作为预测样本数据；根据预测样本数据制定多发电主体的电价；将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点；所述历史数据包括负荷需求历史数据、光伏发电历史数据和历史气象数据。本发明专利技术建立多利益主体交易的经济优化模型，基于动态博弈理论，利用动态粒子群优化算法求解关于电价制定与负荷需求的纳什均衡问题，从而实现多发电主体的利益最大化。

【技术实现步骤摘要】
一种基于博弈论的负荷控制方法及系统
本专利技术涉及电力系统自动化的
，具体涉及一种基于博弈论的负荷控制方法及系统。
技术介绍
随着电力市场进一步改革，大力发展的可再生能源运营商各自形成独立利益主体，而传统以配电网收益最大化为目标的电能调度模式将不再适用于含有多发电主体的新型电网运行环境。故在满足用户需求的前提下，以多发电主体收益最大为目标，制定可再生能源日前出力信息，间歇式光伏出力的波动性使得仅依靠历史发电数据和负荷需求信息难以满足理想精度要求而造成经济、能源损失；多发电主体与用户之间因电价制定与负荷需求存在利益冲突，传统多目标求解不利于电价策略的实时反应，得到的非劣解不能准确客观的代表双方利益。
技术实现思路
为解决上述现有技术中传统多目标求解不利于电价策略的实时反应，得到的非劣解不能准确客观的代表双方利益的问题，本专利技术的目的是提供一种基于博弈论的负荷控制方法及系统，本专利技术建立多利益主体交易的经济优化模型，基于动态博弈理论，利用动态粒子群优化算法求解关于电价制定与负荷需求的纳什均衡问题，从而实现多发电主体的利益最大化。本专利技术的目的是采用下述技术方案实现的：本专利技术提供一种基于博弈论的负荷控制方法，其改进之处在于：获取历史数据和实时气象数据作为预测样本数据；根据预测样本数据制定多发电主体的电价；将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点；所述历史数据包括负荷需求历史数据、光伏发电历史数据和历史气象数据；实时气象数据至少包括温度和季节数据。进一步地：所述根据预测样本数据制定多发电主体的电价，包括：将预测样本数据输入至预先设定的RBF神经网络模型中预测日前光伏出力，得到日前光伏出力预测值；根据所述日前光伏出力预测值确定负荷侧的用电数据，基于负荷侧的用电数据制定多发电主体的电价。进一步地：所述将预测样本数据输入至预先设定的RBF神经网络模型中预测日前光伏出力，得到日前光伏出力预测值，包括：对所述预测样本数据进行归一化处理；基于归一化处理后的预测样本数据对RBF神经网络模型进行训练，得到日前光伏出力预测值。进一步地：对所述预测样本数据进行归一化处理的表达式如下：其中，x′(t)为归一化处理后的预测样本数据，x(t)为输入的预测样本数据，min(x(t))为x(t)中的最小数据，max(x(t))为x(t)中的最大数据；所述基于归一化处理后的预测样本数据对RBF神经网络模型进行训练，得到日前光伏出力预测值的表达式如下：ym(t)＝w1h1+w2h2+...+wjhj+...+wmhmhj＝G||x′(t)-hj||2式中：hj为隐含层第j个神经元的输出，网络输入为预测样本数据x(t)＝[x1x2...xm]T，w1w2...wm为网络的权值。进一步地：所述将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点，包括：将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子进行博弈寻优，得到多发电主体和负荷侧的博弈策略集合；结合所述博弈策略集合，采用粒子群优化算法求解预先构建的博弈模型中满足多发电主体收益最大化和负荷侧效益最优的纳什均衡点；所述博弈模型包括多发电主体的收益函数、负荷侧的收益函数和约束条件。进一步地：所述多发电主体的收益函数表达式如下：其中：Emul为多发电主体的收益函数，为t时段多发电主体制定的发电电价；为t时段多发电主体向负荷侧发电电量；Ut表示在t时段多发电主体向配电网购买或出售电量；为在t时段内多发电主体向配电网购、售电量的电价；为多发电主体向配电网购买或出售的电量；Co,i为第i个光伏单位发电成本；为t时段第i个光伏实际的发电电量；ηz表示储能折旧成本系数；表示第i个储能设备在t时段的循环次数；Cins为储能安装成本；为储能设备维护成本；为充电量或放电量；T表示预先指定的时间段；所述负荷侧的收益函数表达式如下：其中：Eload为负荷侧的收益函数，为负荷侧可调节负荷参与调度的电能电价、表示负荷侧可调负荷用电量。进一步地：所述约束条件包括：功率平衡约束：其中，为在t时刻的电力传输损失；负荷需求响应电价约束：其中，Cload,min为售电价格下限，即发电的边际成本；Cload,max为售电价格上限；光伏出力约束：其中，Pi,min、Pi,max分别表示光伏i的发电功率上、下限；储能容量约束：其中，Pwi,min和Pwi,max分别为第wi个储能输出功率的上、下限；充放电约束：其中，为t时段储能i的充电量，时段储能i的放电量；为t时段储能i的充电量最大值，时段储能i的放电量的最大值。进一步地：结合所述博弈策略集合，采用粒子群优化算法求解预先构建的博弈模型中满足多发电主体收益最大化和负荷侧效益最优的纳什均衡点的表达式如下：G＝{N；{Si}i∈N；{Ui}i∈N}式中：G为博弈模型，N为参与者，包括多发电主体与负荷；Si为博弈策略集合，包括博弈中多发电主体制定的发电电价以及负荷侧采用的负荷需求；Ui为负荷需求的收益或支付。进一步地：所述利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点之后，还包括：根据所述纳什均衡点对负荷侧的负荷需求进行控制；所述根据所述纳什均衡点对负荷侧的负荷需求进行控制，包括：基于纳什均衡点，根据负荷侧需求调节负荷用电量，并与多发电主体进行电价议价，使博弈中的策略集合始终达到纳什均衡；所述电价议价包括：多发电主体更新电价、负荷侧更新负荷需求，双方轮流提出各自运行策略。本专利技术还提供一种基于博弈论的负荷控制系统，其改进之处在于：获取模块，用于获取预测样本数据；制定模块，用于根据预测样本数据制定多发电主体的电价；求解模块，用于将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点；所述预测样本数据至少包括光伏历史发电数据、负荷需求信息、温度、季节和实时气象数据。进一步地：所述制定模块，包括：输入子模块，用于将预测样本数据输入至预先设定的RBF预测模型中预测日前光伏出力；确定子模块，用于根据预测的日前光伏出力确定未来的用电数据，基于未来的用电数据以及电价制定与负荷需求之间的关系制定多发电主体的电价。进一步地：所述输入子模块，包括：归一化单元，用于对所述预测样本数据进行归一化处理；训练单元，用于基于归一化处理后的预测样本数据对RBF神经网络进行训练，预测得到日前光伏出力。进一步地：对所述预测样本数据进行归一化处理的表达式如下：其中，x′(t)为归一化处理后的预测样本数据，x(t)为输入的预测样本数据，min(x(t))为归一化处理后预测样本数据x(t)中的最小数据，max(x(t))为归一化处理后预测样本数据中的最大数据；所述基于归一化处理后的预测样本数据对RBF神经网络进行训练，预测得到日前光伏出力的表达式如下：ym(t)＝w1h1+w2h2+...+wjhj+...+wmhmhj＝G||xj-hj||2式中：hj为隐含层第j个神经元的输出，网络输入为预测样本数据x＝[x1x2..本文档来自技高网...

【技术保护点】
1.一种基于博弈论的负荷控制方法，其特征在于：获取历史数据和实时气象数据作为预测样本数据；根据预测样本数据制定多发电主体的电价；将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点；所述历史数据包括负荷需求历史数据、光伏发电历史数据和历史气象数据。

【技术特征摘要】
1.一种基于博弈论的负荷控制方法，其特征在于：获取历史数据和实时气象数据作为预测样本数据；根据预测样本数据制定多发电主体的电价；将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点；所述历史数据包括负荷需求历史数据、光伏发电历史数据和历史气象数据。2.如权利要求1所述的负荷控制方法，其特征在于：所述根据预测样本数据制定多发电主体的电价，包括：将预测样本数据输入至预先设定的RBF神经网络模型中预测日前光伏出力，得到日前光伏出力预测值；根据所述日前光伏出力预测值确定负荷侧的用电数据，基于负荷侧的用电数据制定多发电主体的电价。3.如权利要求2所述的负荷控制方法，其特征在于：所述将预测样本数据输入至预先设定的RBF神经网络模型中预测日前光伏出力，得到日前光伏出力预测值，包括：对所述预测样本数据进行归一化处理；基于归一化处理后的预测样本数据对RBF神经网络模型进行训练，得到日前光伏出力预测值。4.如权利要求3所述的负荷控制方法，其特征在于：对所述预测样本数据进行归一化处理的表达式如下：其中，x′(t)为归一化处理后的预测样本数据，x(t)为输入的预测样本数据，min(x(t))为x(t)中的最小数据，max(x(t))为x(t)中的最大数据；所述基于归一化处理后的预测样本数据对RBF神经网络模型进行训练，得到日前光伏出力预测值的表达式如下：ym(t)＝w1h1+w2h2+...+wjhj+...+wmhmhj＝G||x′(t)-hj||2式中：hj为隐含层第j个神经元的输出，网络输入为预测样本数据x(t)＝[x1x2...xm]T，w1w2...wm为网络的权值。5.如权利要求1所述的负荷控制方法，其特征在于：所述将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点，包括：将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子进行博弈寻优，得到多发电主体和负荷侧的博弈策略集合；结合所述博弈策略集合，采用粒子群优化算法求解预先构建的博弈模型中满足多发电主体收益最大化和负荷侧效益最优的纳什均衡点；所述博弈模型包括多发电主体的收益函数、负荷侧的收益函数和约束条件。6.如权利要求1所述的负荷控制方法，其特征在于：所述多发电主体的收益函数表达式如下：其中：Emul为多发电主体的收益函数，为t时段多发电主体制定的发电电价；为t时段多发电主体向负荷侧发电电量；Ut表示在t时段多发电主体向配电网购买或出售电量；为在t时段内多发电主体向配电网购、售电量的电价；为多发电主体向配电网购买或出售的电量；Co,i为第i个光伏单位发电成本；为t时段第i个光伏实际的发电电量；ηz表示储能折旧成本系数；表示第i个储能设备在t时段的循环次数；Cins为储能安装成本；为储能设备维护成本；为充电量或放电量；T表示预先指定的时间段；所述负荷侧的收益函数表达式如下：其中：Eload为负荷侧的收益函数，为负荷侧可调节负荷参与调度的电能电价、表示负荷侧可调负荷用电量。7.如权利要求5或6所述的负荷控制方法，其特征在于：所述约束条件包括：功率平衡约束：其中，为在t时刻的电力传输损失；负荷需求响应电价约束：其中，Cload,min为售电价格下限，即发电的边际成本；Cload,max为售电价格上限；光伏出力约束：其中，Pi,min、Pi,max分别表示光伏i的发电功率上、下限；储能容量约束：其中，Pwi,min和Pwi,max分别为第wi个储能输出功率的上、下限；充放电约束：其中，为t时段储能i的充电量，时段储能i的放电量；为t时段储能i的充电量最大值，时段储能i的放电量的最大值。8.如权利要求5所述的负荷控制方法，其特征在于：结合所述博弈策略集合，采用粒子群优化算法求解预先构建的博弈模型中满足多发电主体收益最大化和负荷侧效益最优的纳什均衡点的表达式如下：G＝{N；{Si}i∈N；{Ui}i∈N}式中：G为博弈模型，N为参与者，包括多发电主体与负荷；Si为博弈策略集合，包括博弈中多发电主体制定的发电电价以及负荷侧采用的负荷需求；Ui为负荷需求的收益或支付。9.如权利要求1所述的负荷控制方法，其特征在于：所述利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点之后，还包括：根据所述纳什均衡点对负荷侧的负荷需求进行控制；所述根据所述纳什均衡点对负荷侧的负荷需求进行控制，包括：基于纳什均衡点，根据负荷侧需求调节负荷用电量，并与多发电主体进行电价议价，使博弈中的策...

【专利技术属性】
技术研发人员：王德顺，杨波，史如新，薛金花，叶季蕾，冯鑫振，陶琼，吴福保，余涛，张炜，杜建，赵上林，俞斌，姬联涛，孙博，
申请(专利权)人：中国电力科学研究院有限公司，国网江苏省电力有限公司常州供电分公司，国家电网有限公司，
类型：发明
国别省市：江苏,32