中國悠悠期刊咨詢網是專業從事評職稱論文發表,核心期刊征稿,核心期刊發表,學術論文發表等服務的論文發表期刊咨詢網。
展開

電力市場交易模型

發布時間:2019-06-25   |  所屬分類:電力:論文發表  |  瀏覽:  |  加入收藏

  這篇論文主要介紹的是電力市場交易模型的內容,本文作者就是通過對電力市場的相關內容做出詳細的闡述與介紹,特推薦這篇優秀的文章供相關人士參考。

電力市場交易模型

  關鍵詞:電力市場;大數據;交易模型;效用值;遺傳算法

  1引言

  隨著電力市場改革的推進,電力多能源市場化的發展趨勢明顯[1-2]。以含分布式電源和電動汽車的社區或街道等新增實體逐漸參與到電力市場的交易當中,因此電力市場的交易中具有豐富的新增實體數據來源。對這些參與電力交易的能源數據進行不同時間尺度的高度融合,并利用智能挖掘算法、機器學習算法等大數據方法形成電力市場多元能源大數據應用場景[3-5]。例如電動汽車在交通高峰和非高峰的不同時間段的充放電具有不同的交易價格;反之,新成立售電公司的定制價格也會對車主的駕駛行為產生一定的影響,原因是車主會根據買電和賣電在不同時間段內的價格進行合理的充放電規劃[6-7]。因此,采用大數據交易模型能夠為電力市場的后續多元能源綜合交易提供有力的指導作用。目前來說,電力市場中能源大數據的信息化階段主要集中在對電力市場中多元能源大數據服務的智能化處理方面,在多元能源的數據交易服務方面的研究很有限。然而新一代電力市場的發展使得能源數據信息發揮著至關重要的作用。在考慮電力市場中的能源服務競爭中,不僅僅要考慮能源大數據的獲取、處理、服務架構和服務模式等[8-11],還應該重點考慮能源大數據的交易體系,實現市場中多元能源大數據的合理定價,更加可靠、有效的服務與電力市場的綜合交易。為此,本文將多元能源大數據與電力市場交易緊密聯系,研究電力市場的能源大數據交易模型。首先對多元能源大數據的來源和特征進行分析,在此基礎上采用效用函數來構建數據多屬性協商優化模型,并采用遺傳算法進行模型的優化求解。最后,以實際算例仿真驗證了所提電力市場數據交易模型的有效性。

  2能源大數據交易模型

  對于大數據交易模型而言,其本質是對數據的使用權進行交易,然而由于數據價值本身難以衡量而呈現交易的復雜性,因而數據交易雙方在數據挖掘、價格定制以及效能評估等方面成本較高。傳統的市場商品的交易方式難以滿足新一代電力市場多能源大數據的交易需求。因此,如何建立電力市場的大數據交易模型,來支撐賣方和買方之間的交易過程,是值得深入探討的問題,如以電動汽車為例,售電公司通過分析電動汽車的充放電數據,進而挖掘電動汽車的充放電規律,為電動汽車充放電定制合理的價格,從而實現買賣雙方在電力市場交易過程中的互利共贏。

  2.1電力市場多元能源大數據來源

  新一代電力市場大數據具有較為豐富的數據來源,包括含儲能設備的居民用戶、含分布式發電大用戶、含燃氣輪機小區街道以及電動汽車等。在電力市場應用范疇內,這些數據來源特征對電力市場的賣方單位(如電網公司、售電公司和咨詢公司等)具有重要的商業應用價值。新一代電力市場的多元能源大數據來源如圖1所示。

  2.2電力市場大數據交易模型

  本文結合電力市場多能源和新增實體等基本來源特征,提出了應用電力市場的多元能源大數據交易模型,主要包含數據分析、交易方確定、價格協商、數據交付以及售后評價等五個部分,如圖2所示。(1)數據分析。電力市場中的買方和賣方對需要交易的市場成員數據及數據特征的關鍵屬性進行大體分析,對數據的屬性、基本類型和應用范圍進行闡述,并采用結構化的語言對分析結果進行描述,構建市場中的數據交易對象。(2)交易方確定。電力市場的賣方成員將需要售賣的新增實體數據資源進行注冊,并形成數據交易的庫,買方能夠從庫中進行查詢,從而獲取所需交易目標的基本信息以及交易競爭方,即可能存在多個潛在的買方。(3)價格協商。市場中的交易雙方根據自身對交易目標數據進行協商,即分別依據自己的效用函數對其效用值進行計算,以此計算結果作為評價數據的價值,在價格協商的過程中,能夠采用多目標優化函數進行求解,形成交易雙方互利共贏的數據交易方案。(4)數據交付。在雙方對價格方案都滿意的情況下,開始執行數據交付,此階段需按照交易合約在規定的時間內完成數據交付,同時賣方還得提供額外的數據配置服務。(5)售后評價。在完成數據交付之后,需完成后續的一些服務,如對買賣雙方在交易過程中的評價、售后服務合約制定等。圖22.2數據多屬性協商模型由上述分析可知,價格協商是電力市場大數據交易的重要部分,也是本文所需要研究的重點。價格協商是指買賣雙方對大數據交易價格達成一致的過程,需要根據數據的質量進行價格的確定。同時,為實現交易的效率和自動化水平,需采用智能化技術來提高多元能源大數據價格協商。在數據交易過程中,賣方對數據質量的描述以及買方對數據質量的感知是雙方價格協商的基礎。而數據的質量從其本質上來講也即是數據的屬性,在電力市場環境下,成員的數據屬性一共包含個體的自身屬性和屬性之間的關聯性。對于電力市場新增實體成員的數據屬性特征,其對應的大數據交易對象可以表示為:Mi=(e1,...,en)iE(i,...k)(1)式中Mi表示的是數據價格協商的對象,k是價格協商的輪次,n是對象屬性數量。對于大數據交易對象,其存在的n個屬性可以表示為:(E1,E2,…,En),且(e1,e2,…,en)是協商過程中的屬性向量。向量組(E1,E2,…,En)中的元素都存在一個取值范圍[Ei.min,Ei.max]。因此,在數據交易的過程中,買賣雙方就是在各自都能夠接收的范圍內,形成多屬性協商機制。經過多輪次的協商即可達到雙方滿意的交易結果。在雙方價格的協商過程中,定義“效用值”為具有多屬性的交易數據滿意度,對應可形成一個效用函數,函數的參數為數據的多屬性。對于效用值函數,定義正屬性代表交易雙方滿意,其取值越大表示滿意程度越高,而負屬性代表交易雙方不滿意,其取值越大,表示滿意程度越差。因此,為體現交易過程中多屬性協商之間的交互特性,提出了反應屬性關聯性的綜合效用函數為:式中,vi是第i論協商過程中的效用值;uj是n維屬性中第j個屬性經過歸一化處理之后的取值;wj是第j個屬性權重的評價結果;εj,k是第k個屬性和第j個屬性之間的關聯程度,uk是第k個屬性經過歸一化處理后的取值。其中uj和uk的歸一化表達式如下所示:(3)針對相同的屬性j,分別從買方和賣方的角度來看,其屬性類型存在差異,即電力市場中的買方可以接受的取值范圍和賣方可以提供的取值范圍存在一定的差異性,同時交易雙方對數據的評價權重也存在差異,帶來的結果是對效用值函數的效用值影響不同。因此,針對電力市場交易雙方在效用值上評價的差異性,文中提出一種基于遺傳算法的多屬性公平協商定價機制,實現市場中的多屬性協商交易。

  3基于遺傳算法的公平協商定價

  在電力市場中的大數據多數據屬性協商模型中,存在一個最為理想的結果就是交易雙方互利共贏,因此大數據的多屬性協商模型可看成是一個多目標優化問題,協商的最滿意的結果即是一個Pareto最優解。因此,針對電力市場多元能源大數據交易模型的Pareto最優解問題,多目標遺傳算法因其具有結構簡單和易于實現等優勢而得到了廣泛的應用。針對電力市場交易雙方效用值評價的多目標優化這一具體場景,本文采用向量評估遺傳算法(VEGA)進行多目標優化求解,對交易雙方多屬性的優化求解具有很好的適應性。VEGA是在傳統遺傳算法上做了一定的改進[12],其基本算法的流程示意圖如圖3所示。具體的實現思想是:每一代的種群依據多目標隨機平均的分為大小一致的子種群,再通過不同的目標函數對每一個種群進行適應值的分配,然后再將子種群的選擇算子作為篩選的依據,隨后對所有的種群實行交叉變異操作而獲取新的種群。因為在每一個子種群當中,每個個體的適應值都是依據特定的目標函數進行分配而得到的,而子種群又將選擇算子限制在其內部,因此優秀個體被重點強調。當選取合適的遺傳算法參數時,VEGA的解是非常接近于Pareto最優解。圖3VEGA算法流程圖因此,VEGA具體的求解步驟如下所示:(1)編碼。采用二進制實數的編碼方式,一個參數用一個基因表示,即基因表示的就是參數值,且決策變量的精度是根據二進制的位數來反映。(2)初始種群。初始種群采用英國謝菲爾德大學遺傳算法的工具箱,能夠在規定的范圍內進行隨機的分布。(3)適應度函數。適應度函數的設計是VEGA算法中的關鍵部分,適應度的選取采用的是目標函數值,同時適應度函數中的懲罰以約束的形式來體現,即如果個體的約束不滿足條件,便將其適應度值設置為無窮大,即可實現不可行解的丟棄。由于較多的變量數目,遺傳算法的變量值存在隨機分布特性,且難以同時滿足多個約束,搜索可行解存在一定的困難,為確保高效完成交叉變異,可優先篩選可行解,將最后的可行解群體設置為父輩。(4)選擇、交叉和變異。根據VEGA來處理多目標函數,種群被隨機分配成2個子種群,依據各自的單目標進行選擇,抽樣的方式為隨機遍歷。然后,合并被選擇的種群,用單點交叉的方法對基因進行重組,以經驗值作為交叉概率。種群多樣性地保障方式為離散變異,并變異概率為缺省概率。最終得到的結果視作新一代個體。在程序中設定最大的遺傳代數,并循環終止,最終得到最后的一代種群值,即是需優化問題的非劣解。在電力市場的多能源大數據交易模型中,參與價格協商的買方和賣方都視為子種群,即種群的數量是2,每一個多屬性協商的編碼形式為染色體,每一條染色體的基因代表的是數據的屬性。上述提及的遺傳操作都是在該基因上作用。N條染色體構建每一代種群,經過好幾代的遺傳操作,最終的數據屬性染色體即可認為是Pareto的最優解,由此即可得到電力市場交易雙發的協商結果。基于VEGA算法的電力市場數據多屬性交易算法流程如圖4所示。

  4算例分析

  為驗證本文所提數據交易模型及多屬性協商模型的可行性和有效性,在Matlab環境中仿真分析了電力市場中買方和賣方針對電動汽車充放電數據進行交易所獲取的互利共贏商議結果。在該交易過程中,數據的買方是需要利用電動汽車使用行為數據進行考慮多元能源的售電公司,數據的賣方是擁有電動汽車使用行為數據的電網公司。雙方需協商的屬性主要有數據采集的精度、電動汽車充放電數據的時間規律以及電動汽車充電樁的數量,其中數據采集的精度以及時間規律這兩大屬性是和充電樁的數量相關量的。模型優化的參數設置為:種群大小為200,最大迭代次數為50次,交叉概率為0.52,變異概率為0.39。本次算例數據的范圍、交易雙方的權重評價以及關聯程度如表1所示。結合上述分析的VEGA算法和電力市場交易雙方的屬性參數,完成了算例的仿真驗證,算例結果可獲得最優的Pareto最優的解,如表2所示。由表2可知,應用VEGA算法能夠對數據多屬性模型進行多目標優化求解,獲取最優的電力市場數據交易雙方的效用值,從而實現交易雙方的互利共贏,提高了電力。

  5結束語

  本文針對新一代電力市場多元能源大數據的交易需求,提出了一種電力市場大數據交易模型。對含新增實體電力市場大數據的基本來源和特征進行了分析,并以效用函數的效用值來分析交易數據的多屬性特性,以此構建數據多屬性協商模型,并采用VEGA多目標優化算法進行最優求解。通過算例仿真對所提模型進行了驗證,結果表明所提的電力市場數據交易模型可使得電力市場買賣雙方獲取互利共贏的交易數據屬性特征值,使得數據交易價格更加智能可視化。

  作者:向德軍 黃康乾 王道涵 李呈虎 付小倩 單位:廣東電力交易中心有限責任公司 北京清大科越股份有限公司


轉載請注明來自:http://www.sbmdrk.live/dianlilw/20390.html

    上一篇:電力系統繼電保護裝置故障維修方法
    下一篇:電力企業班組管理論文

    夜店注册