CN109919658A - 一种基于博弈论的负荷控制方法及*** - Google Patents
一种基于博弈论的负荷控制方法及*** Download PDFInfo
- Publication number
- CN109919658A CN109919658A CN201910071891.2A CN201910071891A CN109919658A CN 109919658 A CN109919658 A CN 109919658A CN 201910071891 A CN201910071891 A CN 201910071891A CN 109919658 A CN109919658 A CN 109919658A
- Authority
- CN
- China
- Prior art keywords
- power generation
- electricity
- main bodies
- generation main
- load side
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010248 power generation Methods 0.000 claims abstract description 215
- 230000005611 electricity Effects 0.000 claims abstract description 197
- 239000002245 particle Substances 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000008901 benefit Effects 0.000 claims abstract description 15
- 238000004146 energy storage Methods 0.000 claims description 61
- 238000009826 distribution Methods 0.000 claims description 24
- 230000001537 neural effect Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 44
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于博弈论的负荷控制方法及***,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。
Description
技术领域
本发明涉及电力***自动化的技术领域,具体涉及一种基于博弈论的负荷控制方法及***。
背景技术
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。
发明内容
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,本发明的目的是提供一种基于博弈论的负荷控制方法及***,本发明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。
本发明的目的是采用下述技术方案实现的:
本发明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+...+wmhm
hj=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。
本发明还提供一种基于博弈论的负荷控制***,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+...+wmhm
hj=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...xm]T,w1w2...wm为网络的权值。
进一步地:所述求解模块,包括:
寻优子模块,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进行博弈寻优,得到多发电主体和负荷侧的博弈策略集合;
求解子模块,用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;
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为策略集合,在博弈中,包括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:还包括:
控制模块,用于根据所述纳什均衡点对负荷侧的负荷需求进行控制,包括:
议价模块,用于基于纳什均衡点,根据负荷侧需求响应调整自身负荷需求,通过调节负荷用电量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。
与最接近的现有技术相比,本发明提供的技术方案具有的有益效果是:
本发明提供一种基于博弈论的负荷控制方法,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。通过对光伏出力、负荷需求的历史数据、温度、季节、气象信息等影响因素联合预测,进一步提高负荷控制和电能调度的的精确度。
本发明还利用储能和可调节负荷来进行电能消纳,在满足用户需求的前提下实现多发电主体的商业化运行,从而追求多发电主体效益的最大化;同时考虑到多发电主体与用户需求之间的动态竞争问题,基于动态博弈理论对其进行优化,解决传统优化方法因调度人员主观性带来的片面性问题。
附图说明
图1是本发明提供的一种基于博弈论的负荷控制方法的流程图;
图2是基于博弈论的负荷控制方法的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的组件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,本发明的这些实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。
实施例一、
本发明提供一种基于博弈论的负荷控制方法,包括:
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+...+wmhm
hj=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。
本发明根据流程图1和结构图2所示,具体说明如下:
(一)建立多发电主体光伏发电的经济优化调度模型:
(1)优化目标:
其中,T表示一个调度周期内的时段数;N表示多发电主体分布式光伏的个数;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=1表示在t时段多发电主体向配电网购买电量;Ut=-1表示在t时段多发电主体向配电网出售电量;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。
(2)功率平衡约束:
其中,为在t时刻的电力传输损失。
(4)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。
(3)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。
(4)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。
(5)充放电约束:
其中,分别为t时段储能i的充、放电量;分别为t时段储能i的充、放电量的最大值。
(一)各利益主体根据历史发电信息、负荷需求、温度、季节和实时气象数据来预测光伏出力信息,建立神经网络预测模型,预测日前光伏出力情况(这里负荷用电存在峰谷期是指T周期内负荷波动存在差异,预测这种用电峰谷期是为了减少峰谷差值,使***配电更加稳定。下文的电量是根据调度策略光伏实际的发电电量):
由于光伏出力波动性的背后必存在一定的内部规律,为实现光伏出力预测,需对其内部规律进行探求。RBF神经网络对输入输出数据之间的非线性关系能轻易实现拟合,且有很快的学习能力和收敛速度,在预测处理方面具有明显优势。光伏出力预测模型建立过程如下:
(1)为了降低数据本身对预测精度的影响,首先对数据进行归一化预处理:
其中,x′(t)为归一化后的数据,x(t)为预测样本输入数据,min(x(t))、max(x(t))为样本数据x(t)中的最小、最大值;易知:0≤x′(t)≤1。
(2)利用预测样本数据对RBF神经网络进行训练:
RBF神经网络由三层网络组成,包括输入信号的输入层,进行非线性计算的隐含层和用于线性变换的输出层。RBF神经网络输入层节点数量的选取对预测精度有很大关系,输入节点过少,拟合曲线不够准确;输入节点过多,模型复杂且容易陷入局部最优。对此,综合温度、气象信息、季节等样本参数在以往经验基础上拟用试探法对输入节点进行选取。隐含层的激活函数选用高斯函数,在确定输入、输出数据样本以及误差范围,不断调整隐含层的个数使预测误差降到设定值以下,此时得到最终的隐含层的节点数。输出层个数可以根据所建模型的预测步数进行选取。最后选用适当的算法对隐含层和输出层进行学习训练,获得相应网络的权重,代入已知负荷数据后即可获得所需要的预测数据。
(3)对RBF神经网络预测模型进行评价:
其中,RMSE为均方根误差,n为训练数据总数,为预测值,x(t)为样本值,t为样本数据序号。对模型进行误差评价,可得知预测模型的优劣。利用训练好的网络进行预测时进行反归一化处理得到日前光伏出力的实际预测值。所述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,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神经网络进行训练,预测得到日前光伏出力;
所述多发电主体根据日前光伏出力确定负荷历史用电数据(这里负荷用电存在峰谷期是指T周期内负荷波动存在差异,预测这种用电峰谷期是为了减少峰谷差值,使***配电更加稳定。下文的电量是根据调度策略光伏实际的发电电量),根据电价制定与负荷需求之间的关系制定多发电主体的电价。
(三)基于动态博弈思想对上述模型进行讨论,并利用粒子群算法求解纳什均衡点:
对于多发电主体而言,利用RBF神经网络预测得到日前光伏出力信息,通过负荷历史发电数据,可以大致估计负荷峰谷期。电价制定对负荷需求的反应有一定的认识;其次,对于负荷而言,多发电主体光伏发电信息可以通过气象信息规律大致了解日前电价,并对此做出积极的应对措施。由于博弈过程中各项信息变化均为动态,故本发明基于完全信息动态博弈理论对其进行研究,在双方理性的情况下进行博弈,力图使自身利益最大化。具体方式如下:
所述多发电主体和负荷侧的博弈策略集合的表达式如下:
G={N;{Si}i∈N;{Ui}i∈N}
对所述博弈函数寻优,得到博弈策略集合,包括:
如果由多发电主体的电价策略和负荷侧的负荷需求策略的各一个策略组成的策论集(S1 *,...,Sn *)中,多发电主体i的电价策略的策略是对负荷侧的负荷需求策略集合的最佳对策,则博弈策略集合为其中i为多发电主体:n为多发电主体的个数;或者
负荷侧的负荷需求i'的策略集合是对多发电主体的电价策略的最佳对策,则博弈策略集合为其中i'为多发电主体:n’为负荷需求的个数。
(1)博弈参与人的收益函数:
1.多发电主体收益函数:
其策略组合包括发电成本、运营、折旧费用与配电网交易电价的成本与需求响应电价的收益。收益函数为多发电主体的净利润,如式(9)所示:
2.负荷收益函数:
负荷侧利用需求响应的可调负荷用电量与多发电主体之间进行议价,其收益函数为收入与支出费用之差,如式(10)所示:
(2)纳什均衡点的存在性证明:
本发明采用完全信息动态博弈,其策略为纯策略纳什均衡,根据纯策略纳什均衡存在性定理可知:在多方博弈中,如果每个参与者的纯策略集合是欧氏空间上的一个非空、封闭、有界的凸集,收益函数关于策略组合连续且拟凹,那么该博弈存在纯策略纳什均衡。
由多发电主体和负荷的收益函数可知,它们的收益函数均可划分为线性部分(线性函数显然是一类凹函数)和非线性部分,但非线性部分不随策略变化而变化,故可将其看作是一类常数,综上所述,其均为拟凹函数。故存在纳什均衡解。
(3)根据上述可知纳什均衡存在,利用动态粒子群算法进行求解:
粒子群优化算法是一种基于群体智能方法的演化计算技术,最早是由博士Eberhart和Kennedy源于对鸟群捕食行为的研究。它是通过群体间的协作在解空间中随机搜索,通过迭代最终找到近似最优解的过程。
当外界环境发生改变时,普通粒子群算法中粒子由于无法感知外界环境的变化,故无法进行实时响应,缺乏动态寻优能力。在粒子群的普通粒子中增加敏感粒子得到一种动态环境的粒子群算法,该算法通过相邻两次适应度值函数的差值大小来感应外界环境的变化,当适应度值的差值超过一定的阈值时触发响应,此时算法按一定的比例更新速度和粒子,从而具有动态环境寻优的能力。
具体流程如下:
1)将可行空间划分成n1个均匀子空间,并在每个子空间随机初始化n2个敏感粒子,计算敏感粒子适应度值。
2)输入粒子群算法的参数值,惯性权重、学习因子、动态触发响应阈值,给定光伏出力预测值,初始化粒子位置、粒子速度。
3)根据多发电主体和负荷侧的收益函数,与粒子位置确定可行解。根据适应度函数计算每个粒子适应度值,找到粒子的个体极值pbest和全体极值gbest,个体极值适应度值为fpbest,群体极值适应度值为fgbest。
4)在新群体中分别更新粒子的速度和位置,处理约束条件,根据适应度函数计算新群体中每个粒子的适应度值,更新局部、全局最优解。
5)计算敏感粒子适应度值,并计算相邻两次适应度值的差值并进行求和,若所求大于设定阈值,则按比例初始化种群和粒子速度,转步骤3)。
6)根据精度要求或最大迭代次数判断是否结束迭代,若符合,输出符合条件的最优粒子(即近似解);否则,返回步骤3)
实施例二、
基于同样的发明构思,本发明还提供一种基于博弈论的负荷控制***,包括:
获取模块,用于获取历史数据和实时气象数据作为预测样本数据;
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。
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。
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。
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+...+wmhm
hj=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...xm]T,w1w2...wm为网络的权值。
所述求解模块,包括:
寻优子模块,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进行博弈寻优,得到多发电主体和负荷侧的博弈策略集合;
求解子模块,用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;
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。
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。
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。
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为策略集合,在博弈中,包括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。
还包括:
控制模块,用于根据所述纳什均衡点对负荷侧的负荷需求进行控制,包括:
议价模块,用于基于纳什均衡点,根据负荷侧需求响应调整自身负荷需求,通过调节负荷用电量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。
本发明提供一种基于博弈论的负荷控制方法,通过对光伏出力、负荷需求的历史数据、温度、季节、气象信息等影响因素联合预测,进一步提高负荷控制和电能调度的的精确度。
本发明还利用储能和可调节负荷来进行电能消纳,在满足用户需求的前提下实现多发电主体的商业化运行,从而追求多发电主体效益的最大化;同时考虑到多发电主体与用户需求之间的动态竞争问题,基于动态博弈理论对其进行优化,解决传统优化方法因调度人员主观性带来的片面性问题。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (18)
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+...+wmhm
hj=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。
10.一种基于博弈论的负荷控制***,其特征在于:
获取模块,用于获取历史数据和实时气象数据作为预测样本数据;
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。
11.如权利要求10所述的的负荷控制***,其特征在于: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。
12.如权利要求11所述的的负荷控制***,其特征在于: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。
13.如权利要求12所述的的负荷控制***,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+...+wmhm
hj=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...xm]T,w1w2...wm为网络的权值。
14.如权利要求12所述的的负荷控制***,其特征在于:所述求解模块,包括:
寻优子模块,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进行博弈寻优,得到多发电主体和负荷侧的博弈策略集合;
求解子模块,用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;
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。
15.如权利要求14所述的负荷控制***,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。
16.如权利要求14所述的负荷控制***,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。
17.如权利要求10所述的负荷控制***,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为策略集合,在博弈中,包括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。
18.如权利要求10所述的负荷控制***,其特征在于:还包括:
控制模块,用于根据所述纳什均衡点对负荷侧的负荷需求进行控制,包括:
议价模块,用于基于纳什均衡点,根据负荷侧需求响应调整自身负荷需求,通过调节负荷用电量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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071891.2A CN109919658A (zh) | 2019-01-25 | 2019-01-25 | 一种基于博弈论的负荷控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071891.2A CN109919658A (zh) | 2019-01-25 | 2019-01-25 | 一种基于博弈论的负荷控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919658A true CN109919658A (zh) | 2019-06-21 |
Family
ID=66960768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071891.2A Pending CN109919658A (zh) | 2019-01-25 | 2019-01-25 | 一种基于博弈论的负荷控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919658A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110896220A (zh) * | 2019-12-05 | 2020-03-20 | 国网青海省电力公司经济技术研究院 | 一种基于合作博弈核仁法的可中断负荷优化控制方法 |
CN111047345A (zh) * | 2019-10-11 | 2020-04-21 | 国网甘肃省电力公司电力科学研究院 | 一种计及新能源消纳率和用户满意度的电价数据调整方法 |
CN111619391A (zh) * | 2020-05-06 | 2020-09-04 | 三峡大学 | 基于合作博弈与动态分时电价的电动汽车有序充放电方法 |
CN111932075A (zh) * | 2020-07-09 | 2020-11-13 | 中国电力科学研究院有限公司 | 主动配电网多区域调度方法、***、设备及可读存储介质 |
CN112634080A (zh) * | 2020-12-24 | 2021-04-09 | 沈阳工程学院 | 一种基于Pareto最优理论的多目标需求响应管理方法 |
CN113283751A (zh) * | 2021-05-26 | 2021-08-20 | 西安图迹信息科技有限公司 | 基于动态博弈的商业建筑需求响应方法和*** |
CN115296347A (zh) * | 2022-07-07 | 2022-11-04 | 国网甘肃省电力公司电力科学研究院 | 基于边缘控制的农村配电网三方博弈优化调度方法及*** |
JP2022550225A (ja) * | 2020-09-04 | 2022-12-01 | ノース チャイナ エレクトリック パワー ユニバーシティー | 電気ヒートポンプ-熱電併給システムを最適化する調整方法及びシステム |
CN117081088A (zh) * | 2023-10-16 | 2023-11-17 | 国网浙江省电力有限公司宁波供电公司 | 电网负荷调度控制方法、装置、计算机设备及存储介质 |
CN117526376A (zh) * | 2023-10-19 | 2024-02-06 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的光伏发电与储能聚合管理方法及装置 |
CN117541384A (zh) * | 2023-11-03 | 2024-02-09 | 国网新疆电力有限公司 | 电能交易模型的构建方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545325A (zh) * | 2017-08-21 | 2018-01-05 | 浙江工业大学 | 一种基于博弈论的多微网互联运行优化方法 |
CN108596464A (zh) * | 2018-04-17 | 2018-09-28 | 南京邮电大学 | 基于动态非合作博弈的电动汽车与云储能经济调度方法 |
CN109190802A (zh) * | 2018-08-13 | 2019-01-11 | 南京邮电大学 | 云储能环境下基于发电预测的多微网博弈优化方法 |
-
2019
- 2019-01-25 CN CN201910071891.2A patent/CN109919658A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545325A (zh) * | 2017-08-21 | 2018-01-05 | 浙江工业大学 | 一种基于博弈论的多微网互联运行优化方法 |
CN108596464A (zh) * | 2018-04-17 | 2018-09-28 | 南京邮电大学 | 基于动态非合作博弈的电动汽车与云储能经济调度方法 |
CN109190802A (zh) * | 2018-08-13 | 2019-01-11 | 南京邮电大学 | 云储能环境下基于发电预测的多微网博弈优化方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047345A (zh) * | 2019-10-11 | 2020-04-21 | 国网甘肃省电力公司电力科学研究院 | 一种计及新能源消纳率和用户满意度的电价数据调整方法 |
CN111047345B (zh) * | 2019-10-11 | 2022-04-12 | 国网甘肃省电力公司电力科学研究院 | 一种计及新能源消纳率和用户满意度的电价数据调整方法 |
CN110896220B (zh) * | 2019-12-05 | 2020-12-22 | 国网青海省电力公司经济技术研究院 | 一种基于合作博弈核仁法的可中断负荷优化控制方法 |
CN110896220A (zh) * | 2019-12-05 | 2020-03-20 | 国网青海省电力公司经济技术研究院 | 一种基于合作博弈核仁法的可中断负荷优化控制方法 |
CN111619391A (zh) * | 2020-05-06 | 2020-09-04 | 三峡大学 | 基于合作博弈与动态分时电价的电动汽车有序充放电方法 |
CN111619391B (zh) * | 2020-05-06 | 2023-02-03 | 三峡大学 | 基于合作博弈与动态分时电价的电动汽车有序充放电方法 |
CN111932075A (zh) * | 2020-07-09 | 2020-11-13 | 中国电力科学研究院有限公司 | 主动配电网多区域调度方法、***、设备及可读存储介质 |
JP7261507B2 (ja) | 2020-09-04 | 2023-04-20 | ノース チャイナ エレクトリック パワー ユニバーシティー | 電気ヒートポンプ-熱電併給システムを最適化する調整方法及びシステム |
JP2022550225A (ja) * | 2020-09-04 | 2022-12-01 | ノース チャイナ エレクトリック パワー ユニバーシティー | 電気ヒートポンプ-熱電併給システムを最適化する調整方法及びシステム |
CN112634080A (zh) * | 2020-12-24 | 2021-04-09 | 沈阳工程学院 | 一种基于Pareto最优理论的多目标需求响应管理方法 |
CN113283751A (zh) * | 2021-05-26 | 2021-08-20 | 西安图迹信息科技有限公司 | 基于动态博弈的商业建筑需求响应方法和*** |
CN115296347A (zh) * | 2022-07-07 | 2022-11-04 | 国网甘肃省电力公司电力科学研究院 | 基于边缘控制的农村配电网三方博弈优化调度方法及*** |
CN117081088A (zh) * | 2023-10-16 | 2023-11-17 | 国网浙江省电力有限公司宁波供电公司 | 电网负荷调度控制方法、装置、计算机设备及存储介质 |
CN117081088B (zh) * | 2023-10-16 | 2024-04-02 | 国网浙江省电力有限公司宁波供电公司 | 电网负荷调度控制方法、装置、计算机设备及存储介质 |
CN117526376A (zh) * | 2023-10-19 | 2024-02-06 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的光伏发电与储能聚合管理方法及装置 |
CN117526376B (zh) * | 2023-10-19 | 2024-05-24 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的光伏发电与储能聚合管理方法及装置 |
CN117541384A (zh) * | 2023-11-03 | 2024-02-09 | 国网新疆电力有限公司 | 电能交易模型的构建方法、装置、计算机设备和存储介质 |
CN117541384B (zh) * | 2023-11-03 | 2024-06-11 | 国网新疆电力有限公司 | 电能交易模型的构建方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919658A (zh) | 一种基于博弈论的负荷控制方法及*** | |
Yang et al. | A deep reinforcement learning method for managing wind farm uncertainties through energy storage system control and external reserve purchasing | |
Fang et al. | Multi-agent deep reinforcement learning for distributed energy management and strategy optimization of microgrid market | |
Hao et al. | Power forecasting-based coordination dispatch of PV power generation and electric vehicles charging in microgrid | |
Jasmin et al. | Reinforcement learning approaches to economic dispatch problem | |
CN109190802B (zh) | 云储能环境下基于发电预测的多微网博弈优化方法 | |
Chen et al. | A battery management strategy in microgrid for personalized customer requirements | |
CN108537379A (zh) | 自适应变权重组合负荷预测方法及装置 | |
Qiu et al. | Mean-field multi-agent reinforcement learning for peer-to-peer multi-energy trading | |
Yahya et al. | Short-term electric load forecasting using recurrent neural network (study case of load forecasting in central java and special region of yogyakarta) | |
CN113139711A (zh) | 一种基于数据整合的智慧能源数据中心管理*** | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、***、设备及存储介质 | |
Yan et al. | Two-stage flexible power sales optimization for electricity retailers considering demand response strategies of multi-type users | |
CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
Zhang et al. | Deep reinforcement learning based Bi-layer optimal scheduling for microgrids considering flexible load control | |
CN116862551A (zh) | 一种考虑用户隐私保护的新能源消纳电价决策方法 | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及*** | |
CN113690875B (zh) | 一种微网实时互动等值模型建立方法 | |
Saini et al. | Data driven net load uncertainty quantification for cloud energy storage management in residential microgrid | |
Wang et al. | A data-driven load forecasting method for incentive demand response | |
Wang et al. | Multi-agent simulation for strategic bidding in electricity markets using reinforcement learning | |
Sun et al. | DSM pricing method based on A3C and LSTM under cloud-edge environment | |
Xu et al. | Perception and decision-making for demand response based on dynamic classification of consumers | |
Boukas et al. | Real-time bidding strategies from micro-grids using reinforcement learning | |
Liu et al. | Pricing and charging scheduling for cooperative electric vehicle charging stations via deep reinforcement learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |