基于相似性场景及粒子群算法的火电机组报价决策方法技术

本发明专利技术公开了一种基于相似性场景及粒子群算法的火电机组报价决策方法，通过相似性场景综合多种模糊因素得到相似场景下的日前电价，考虑到了相似场景下日前电价的多种可能性，考虑因素更全面，避免了因电价预测波动所带来的影响；其次基于密度聚类得到聚类簇，即相似场景，通过粒子群优化算法求解得到每种相似场景所对应的申报策略，并分别计算出每种申报策略所对应的中标出力曲线；然后构建目标函数，将每种中标出力曲线分别带入剩余场景中计算收益，通过目标函数计算得到每种策略所对应的收益加权值，最后选取最大的收益加权值所对应的申报策略作为最终的申报策略；本发明专利技术使不同相似场景的收益最大化，考虑因素周全，具有一定的鲁棒性。一定的鲁棒性。一定的鲁棒性。

【技术实现步骤摘要】
基于相似性场景及粒子群算法的火电机组报价决策方法


[0001]本专利技术属于电力市场交易
，具体涉及基于相似性场景及粒子群算法的火电机组报价决策方法。

技术介绍

[0002]随着电力市场的逐步改革和发展，电力市场规则越来越复杂，涉及的因素越来越广泛。目前通常所用的交易方式为人工方式，过度依赖于人工经验和行业知识，考虑的因素不够全面，效率低下，已经远远不能满足市场交易的需求。
[0003]随着科学技术的发展，替代人工操作的信息化手段已经遍及各行各业，可以大大提高了工作效率，考虑因素更加全面，更加具有客观性。因此，基于信息化手段的电力市场交易辅助决策支持平台至关重要，在市场规则的前提下，采用数据融合、数据预测、人工智能优化等方式实现现货交易市场的智能化辅助决策，自动生成交易策略，可以保障交易效率，提高经济效益。
[0004]在现货市场场景下，其采用“发电侧保量报价、用户侧保量不报价”的模式进行申报，并按照交易规则需要提前一天进行日前申报，即在D
‑
1日早晨申报D日的机组报价段和各报价段的出力。其是在基于模糊环境(日前电价未知)提前申报，并依据模糊环境、申报报价段和各报价段出力得到机组中标出力曲线，计算预估收益，最终在真实环境即日前出清数据已知时，重新计算机组中标出力曲线参与现货市场的结算收入。
[0005]现有技术中，针对火电的机组报价模型主要依赖于日前价格预测进行申报，但是价格预测受到多方面因素的影响使得已有方法的准确率不高，使火电机组申报策略具有一定的不稳定性和随机性，不能很好的适用于电力市场，因此研究一种考虑因素周全且具有一定的鲁棒性的电力交易辅助决策系统很有市场前景。

技术实现思路

[0006]本专利技术的目的在于克服上述现有技术的不足，提供一种基于相似性场景及粒子群算法的火电机组报价决策方法。
[0007]为了解决技术问题，本专利技术的技术方案是：基于相似性场景及粒子群算法的火电机组报价决策方法，包括以下步骤：
[0008]步骤1：对火电机组现货日前交易所需数据进行采集整理；
[0009]步骤2：以目标日D日为基准往前挑选N天的历史样本数据，并对历史样本数据进行预处理，其次基于相似性计算目标日D日的目标样本数据与所挑选的历史样本数据之间的欧氏距离，选取欧氏距离最小的N
*
天作为相似场景，以此得到相似场景下的日前电价；
[0010]步骤3：通过密度聚类方法对步骤2所得到的相似场景下的日前电价进行聚类得到聚类簇，即得到K种相似场景，计算得到每种相似场景中的核心日前电价曲线，每种相似场景得到一条，最终得到k条核心日前电价曲线，并计算其权重，即k条核心日前电价曲线在所有场景中所占的权重；
[0011]步骤4：基于相似场景得到申报策略以及申报策略所对应的中标出力曲线，将中标出力曲线带入k种相似场景中计算收益值，可得到k个收益值，接着建立目标函数，得到最优的火电机组日前申报策略。
[0012]优选的，所述步骤1具体为：对火电机组现货日前交易所需数据以天为长度以每15分钟为单位进行采集整理，得到每天T点的数据。
[0013]优选的，所述步骤2包括以下步骤：
[0014]步骤2
‑
1：构建数据特征；将日前交易所需数据中同一天的T点负荷率数据、T点全网负荷和T点新能源负荷数据进行组合，形成3T维的数据特征，将每一天的数据作为一条数据样本，记样本数为M，记样本矩阵为X
M
×
3T
；
[0015]步骤2
‑
2：对数据进行数据预处理；对数据进行清洗，检查数据一致性、处理无效值和缺失值，接着对清洗过后的数据特征进行归一化处理；
[0016]步骤2
‑
3：目标日D日的目标样本数据记为X
*
，以目标日D日前一天为基准寻找N天的历史样本数据，并对历史样本数据进行步骤2
‑
2所述的数据预处理，得到预处理后的历史样本数据X
′
N
×
3T
，其中每一条历史样本数据记为X
′
d
；
[0017]步骤2
‑
4：计算目标样本数据X
*
与每一条历史样本数据X
′
d
的欧式距离，并对其欧式距离进行排序，接着设置阈值，筛选出距离小于阈值的N
*
天样本数，即相似样本数；
[0018]步骤2
‑
5：基于N
*
天的相似样本数，从步骤1采集到的数据中依据其日期索引中可得到所对应的N
*
天的日前出清电价，即得到相似场景下的日前电价。
[0019]优选的，所述步骤2
‑
2中归一化处理的公式为：
[0020][0021]式中：
[0022]X'
d,t
表示第d天第t时刻归一化之后的数据特征；
[0023]X
d,t
表示第d天第t时刻的数据特征；
[0024]分别表示样本数中所有的第t时刻的最大值和最小值。
[0025]优选的，所述步骤2
‑
4中欧式距离的计算公式为：
[0026][0027]式中：
[0028]表示目标样本数据的第t时刻的数据；
[0029]X
′
d,t
表示历史样本数据中第d天的第t时刻归一化之后的数据。
[0030]优选的，所述步骤3包括以下步骤：
[0031]步骤3
‑
1：对相似场景下的日前电价进行聚类；利用密度聚类方法对N
*
天的日前出清电价进行聚类，得到K类聚类簇，每一个聚类簇可以作为一种相似场景，即K种相似场景，每个相似场景中包含m
k
条电价曲线；
[0032]步骤3
‑
2：计算得到每个相似场景的核心日前电价曲线；依次将同一场景中的日前出清电价曲线作为核心曲线，计算该场景中剩余m
k
‑
1条曲线到该核心曲线的距离，并计算
m
k
‑
1个距离的均值，因此对于同一个场景而言，每条曲线都会得到一个均值，即m
k
个均值；然后找出m
k
个均值中最小值所对应的日前电价曲线，作为该场景的核心日前电价曲线；最后K种相似场景中都分别得到1条核心日前电价曲线，共k条曲线，即K种相似场景下的k条核心日前电价曲线；
[0033]步骤3
‑
3：计算k条核心日前电价曲线在所有场景中所占的权重，即各种场景下的样本数所占总样本数的比例，为其中N
k
表示第k条核心日前电价曲线所在场景中的样本数，故N1+N2+N3+...+N
k
＝N
*
。
[0034]优选的，所述步骤4包括以下步骤：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于相似性场景及粒子群算法的火电机组报价决策方法，其特征在于，包括以下步骤：步骤1：对火电机组现货日前交易所需数据进行采集整理；步骤2：以目标日D日为基准往前挑选N天的历史样本数据，并对历史样本数据进行预处理，其次基于相似性计算目标日D日的目标样本数据与所挑选的历史样本数据之间的欧氏距离，选取欧氏距离最小的N
*
天作为相似场景，以此得到相似场景下的日前电价；步骤3：通过密度聚类方法对步骤2所得到的相似场景下的日前电价进行聚类得到聚类簇，即得到K种相似场景，计算得到每种相似场景中的核心日前电价曲线，每种相似场景得到一条，最终得到k条核心日前电价曲线，并计算其权重，即k条核心日前电价曲线在所有场景中所占的权重；步骤4：基于相似场景得到申报策略以及申报策略所对应的中标出力曲线，将中标出力曲线带入k种相似场景中计算收益值，可得到k个收益值，接着建立目标函数，得到最优的火电机组日前申报策略。2.根据权利要求1所述的基于相似性场景及粒子群算法的火电机组报价决策方法，其特征在于，所述步骤1具体为：对火电机组现货日前交易所需数据以天为长度以每15分钟为单位进行采集整理，得到每天T点的数据。3.根据权利要求2所述的基于相似性场景及粒子群算法的火电机组报价决策方法，其特征在于，所述步骤2包括以下步骤：步骤2
‑
1：构建数据特征；将日前交易所需数据中同一天的T点负荷率数据、T点全网负荷和T点新能源负荷数据进行组合，形成3T维的数据特征，将每一天的数据作为一条数据样本，记样本数为M，记样本矩阵为X
M
×
3T
；步骤2
‑
2：对数据进行数据预处理；对数据进行清洗，检查数据一致性、处理无效值和缺失值，接着对清洗过后的数据特征进行归一化处理；步骤2
‑
3：目标日D日的目标样本数据记为X
*
，以目标日D日前一天为基准寻找N天的历史样本数据，并对历史样本数据进行步骤2
‑
2所述的数据预处理，得到预处理后的历史样本数据X
′
N
×
3T
，其中每一条历史样本数据记为X
d
′
；步骤2
‑
4：计算目标样本数据X
*
与每一条历史样本数据X
d
′
的欧式距离，并对其欧式距离进行排序，接着设置阈值，筛选出距离小于阈值的N
*
天样本数，即相似样本数；步骤2
‑
5：基于N
*
天的相似样本数，从步骤1采集到的数据中依据其日期索引中可得到所对应的N
*
天的日前出清电价，即得到相似场景下的日前电价。4.根据权利要求3所述的基于相似性场景及粒子群算法的火电机组报价决策方法，其特征在于，所述步骤2
‑
2中归一化处理的公式为：式中：X'
d,t
表示第d天第t时刻归一化之后的数据特征；X
d,t
表示第d天第t时刻的数据特征；分别表示样本数中所有的第t时刻的最大值和最小值。
5.根据权利要求3所述的基于相似性场景及粒子群算法的火电机组报价决策方法，其特征在于，所述步骤2
‑
4中欧式距离的计算公式为：式中：表示目标样本数据的第t时刻的数据；X
′
d,t
表示历史样本数据中第d天的第t时刻归一化之后的数据。6.根据权利要求3所述的基于相似性场景及粒子群算法的火电机组报价决策方法，其特征在于，所述步骤3包括以下步骤：步骤3
‑
1：对相似场景下的日前电价进行聚类；利用密度聚类方法对N
*
天的日前出清电价进行聚类，得到K类聚类簇，每一个聚类簇可以作为一种相似场景，即K种相似场景，每个相似场景中包含m
k
条电价曲线；步骤3
‑
2：计算得到每个相似场景的核心日前电价曲线；依次将同一场景中的日前出清电价曲线作为核心曲线，计算该场景中剩余m
k
‑
1条曲线到该核心曲线的距离，并计算m
k
‑
1个距离的均值，因此对于同一个场景而言，每条曲线都会得到一个均值，即m
k
个均值；然后找出m
k
个均值中最小值所对应的日前电价曲线，作为该场景的核心日前电价曲线；最后K种相似场景中都分别得到1条核心日前电价曲线，...

【专利技术属性】
技术研发人员：周云，李超英，刘东冉，卜银河，
申请(专利权)人：电力规划总院有限公司，
类型：发明
国别省市：