当前位置: 首页 > 专利查询>重庆大学专利>正文

一种考虑购电成本不确定性的负荷价-量曲线聚合系统技术方案

技术编号:23766936 阅读:47 留言:0更新日期:2020-04-11 20:20
本发明专利技术公开了一种考虑购电成本不确定性的负荷价‑量曲线聚合系统,主要包括数据库、负荷最优聚合模块、考虑购电成本不确定性的价‑量曲线聚合模块和考虑购电成本不确定性的价‑量曲线解算模块。本发明专利技术提出了考虑购电成本不确定性的需求侧用户价‑量曲线的最优聚合系统,该系统可有效提高预测购电成本附近的聚合精度,适用于不同出清模式的电力市场,具有良好的扩展性。

A load price volume curve aggregation system considering the uncertainty of power purchase cost

【技术实现步骤摘要】
一种考虑购电成本不确定性的负荷价-量曲线聚合系统
本专利技术涉及电力系统及其自动化领域,具体是一种考虑购电成本不确定性的负荷价-量曲线聚合系统。
技术介绍
售电侧改革是电力市场改革的重点之一,其可为需求侧资源参与电力市场提供渠道,并通过促进需求侧资源积极参与给整个电力市场生态环境带来诸多好处:从系统运营商角度来看,需求侧积极参与可以更好地发掘负荷弹性潜力、提高负荷的可预测性,这对系统操作、规划和可靠性都有显著益处;从用户角度来看,积极响应购电成本可以协助其制定更为合理的用电方案、节约用电成本,同时规避高购电成本带来的风险。在实际工业中,需求侧资源参与电力市场目前还处于起步阶段,并且主要通过需求侧报量报价的方式提高电力市场中需求侧资源的比例。国内售电侧市场化改革主要针对有资格参与批发市场的大用户及工商业用户,大量位于零售市场的需求侧资源还未进入市场门槛。而作为售电侧改革的最早试点-广东电力市场即将推行需求侧报量报价的日前交易模式。国际上已有部分电力市场采用需求侧报量报价方式促进需求侧资源进入电力市场,如CAISO电力市场可以接受最多为10本文档来自技高网...

【技术保护点】
1.一种考虑购电成本不确定性的负荷价-量曲线聚合系统,其特征在于,主要包括数据库、所述负荷最优聚合模块、考虑购电成本不确定性的价-量曲线聚合模块和考虑购电成本不确定性的价-量曲线解算模块。/n所述数据库存储负荷最优聚合模块、考虑购电成本不确定性的价-量曲线聚合模块和考虑购电成本不确定性的价-量曲线解算模块的数据;/n所述负荷最优聚合模块对购电主体l的价-量曲线进行聚合,得到负荷最优聚合模型;/n所述考虑购电成本不确定性的价-量曲线聚合模块调取负荷最优聚合模型,并建立考虑购电成本不确定性的价-量曲线聚合模型;/n所述考虑购电成本不确定性的价-量曲线解算模块调取负荷最优聚合模型和考虑购电成本不确定...

【技术特征摘要】
20191028 CN 20191102894681.一种考虑购电成本不确定性的负荷价-量曲线聚合系统,其特征在于,主要包括数据库、所述负荷最优聚合模块、考虑购电成本不确定性的价-量曲线聚合模块和考虑购电成本不确定性的价-量曲线解算模块。
所述数据库存储负荷最优聚合模块、考虑购电成本不确定性的价-量曲线聚合模块和考虑购电成本不确定性的价-量曲线解算模块的数据;
所述负荷最优聚合模块对购电主体l的价-量曲线进行聚合,得到负荷最优聚合模型;
所述考虑购电成本不确定性的价-量曲线聚合模块调取负荷最优聚合模型,并建立考虑购电成本不确定性的价-量曲线聚合模型;
所述考虑购电成本不确定性的价-量曲线解算模块调取负荷最优聚合模型和考虑购电成本不确定性的价-量曲线聚合模型,对考虑购电成本不确定性的价-量曲线聚合模型进行解算,得到考虑购电成本不确定性的价-量聚合曲线。


2.根据权利要求1所述的一种考虑购电成本不确定性的负荷价-量曲线聚合系统,其特征在于,所述负荷最优聚合模型如下所示:



式中,x表示购电成本;xB、x0为购电成本x上下限;fl(x)为购电主体l的价-量曲线;曲线fl(x)表示在购电成本为x时计划用电量为fl(x);k为购电主体数量;g(x)为分段阶跃形式的聚合电量需求曲线;yb为第b段上报用电量;b∈B≡{b:b=1...B};B为分段函数总段数;
其中,购电主体l的价-量曲线fl(x)如下所示:



式中,m、n、y为购电主体计划用电系数;yl为购电主体l的计划用电量;ml,b、nl,b为购电主体l在第b段的计划用电系数。


3.根据权利要求1所述的一种考虑购电成本不确定性的负荷价-量曲线聚合系统,其特征在于,考虑购电成本不确定性的价-量曲线聚合模型如下所示:



式中,P(x)为购电成本预测概率。


4.根据权利要求1所述的一种考虑购电成本不确定性的负荷价-量曲线聚合系统,其特征在于,建立考虑购电成本不确定性的价-量曲线聚合模型的步骤如下所示:
1)将历史数据集D随机划分为训练集Dtrain、误差拟合集Dfit和验证集Dvali;
2)确定输入特征向量Pin={pt-1,pt-2,...}和输出特征向量Pout={pt,pt+1,...};
3)建立点预测模型,即:
Pout=Pp(Pin)(4)
式中,Pp(·)为点预测概率函数;
4)利用训练集Dtrain对点预测模型进行训练;
5)利用训练后的点预测模型计算误差拟合集Dfit的误差为误差拟合集Dfit输入到点预测模型后得到的输出特征向量;基于误差Efit更新点预测模型参数;
基于...

【专利技术属性】
技术研发人员:杨知方王子石杨燕余娟
申请(专利权)人:重庆大学
类型:发明
国别省市:重庆;50

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1