CN111598612B - 一种分时电价制定方法 - Google Patents

一种分时电价制定方法 Download PDF

Info

Publication number
CN111598612B
CN111598612B CN202010350680.5A CN202010350680A CN111598612B CN 111598612 B CN111598612 B CN 111598612B CN 202010350680 A CN202010350680 A CN 202010350680A CN 111598612 B CN111598612 B CN 111598612B
Authority
CN
China
Prior art keywords
time
wind power
period
peak
electricity price
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.)
Active
Application number
CN202010350680.5A
Other languages
English (en)
Other versions
CN111598612A (zh
Inventor
张刚
解佗
张靠社
罗军刚
闫晔
冯培基
徐奔奔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010350680.5A priority Critical patent/CN111598612B/zh
Publication of CN111598612A publication Critical patent/CN111598612A/zh
Application granted granted Critical
Publication of CN111598612B publication Critical patent/CN111598612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种分时电价制定方法，包括：预测待预测时刻的风功率区间；在待预测时刻风电功率区间内随机抽样生成100组风功率场景；缩减场景为10组风功率场景；在用户负荷中加入风功率场景，生成净负荷场景图；将净负荷场景中的峰谷时段划分为H个时间段，再将H个时间段划分为峰、平、谷时段；计算风功率场景期望，生成等效净负荷曲线；根据等效净负荷构建分时电价模型；采用NSGA‑II算法对分时电价模型进行多目标求解。与未考虑风电不确定性的方法相比，充分考虑风功率的随机性，并有效地指导用户对分时电价做出响应，实现均衡***负荷、削峰填谷的目标，同时保证用户的用电习惯不受影响。

Description

一种分时电价制定方法
技术领域
本发明属于新能源技术领域，涉及一种分时电价制定方法。
背景技术
分时电价是一种基于价格的需求响应措施，它可以针对用户用电的不同时段设定不同电价，引导用户合理用电，可有效调整用户用电行为，达到削峰填谷、优化负荷曲线的目的。
目前中国风电储备丰富，政府鼓励新能源优先入网。风功率可以作为负负荷接入***，但由于风功率波动性强、规律性差，难以预测，导致其具有很大的不确定性。因此它的接入会增加***运行压力，使得原来***的峰谷差增大，影响到***的安全稳定运行。考虑风电不确定性的分时电价研究作为一种用户侧需求响应可以充分利用需求侧资源，促进新能源消纳，有效调节***峰谷差，提高***经济稳定运行能力，成为当前重要的研究方向。很多研究者将风电出力看成随机变量，建立机会约束模型、随机模糊模型，随机概率模型描述风电功率。有文献假定风速服从Rayleigh分布或Weibull分布，并将不确定性的随机过程分解为若干典型的离散概率场景，结合风电机组的功率特性计算出各个场景的概率。场景法是处理风电不确定性的一种重要方法，多数研究在得到模拟风功率后采用蒙特卡洛抽样、拉丁超立方体抽样等方法生成风功率场景，并应用后向缩减法(BR法)、快速前向选择法(FFS法)、场景树构建法(STC法)、聚类划分法等对不确定性场景进行缩减生成典型风功率场景。区间预测作为一种预测的手段，可以准确地预测风功率的所在的上下限，从而为调度运行提供较为准确的信息，可作为分时电价中处理风电不确定性的方法，但风功率在区间内有无数的取值，很难与现有的负荷对接，影响分时电价的制定，需要将区间预测的不确定性转化为确定性场景研究。
尽管上述研究对于分时电价和处理风电不确定性方面等内容有一定的探讨，但是目前处理风电不确定性分时电价方法存在两类问题：
(1)现有的加入风电的分时电价研究中一般用理论的概率模型模拟风功率，未能考虑到现实环境的复杂性，使得模拟的风功率与现实的风电场出力存在一定的误差；
(2)目前的场景缩减方法可以方便解决小规模场景缩减问题，但随着时刻的增加场景规模呈现指数增长，场景缩减结果准确度降低，存在不能给出最佳聚类结果的缺点。
风电功率接入能较大缓解供电压力，分时电价作为一种重要的需求侧响应能有效提高资源利用率，将两者结合起来能够更加充分利用资源，优化资源配置。而由于风电功率的随机性与波动性，导致加入风电功率的分时电价计算难度较大。
发明内容
本发明的目的是提供一种分时电价制定方法，解决了现有技术中存在的模拟风功率与现实风电场出力存在误差的问题。
本发明所采用的技术方案是，一种分时电价制定方法，包括以下步骤：
步骤1、利用风电场连续风功率样本预测待预测时刻的风电功率区间；
步骤2、在待预测时刻风电功率区间内随机抽样生成100组风功率场景；
步骤3、采用二分K-means聚类算法缩减场景为10组风功率场景；
步骤4、在用户负荷中加入步骤3得到的风功率场景，生成净负荷场景图；
步骤5、采用0-1整数规划将净负荷场景中的峰谷时段划分为H个时间段，再将H个时间段划分为峰、平、谷时段；
步骤6、计算风功率场景期望，生成等效净负荷曲线；
步骤7、根据等效净负荷构建分时电价模型，其中，目标函数为实行峰谷电价后***等效净负荷峰谷差最小、用户用电不满意度最小；
步骤8、采用NSGA-II算法对分时电价模型进行多目标求解，得到Pareto最优解集，并对目标函数进行评价，选出最优解。
本发明的特点还在于，
步骤1具体包括：
步骤1.1、设置条件数τ、分割区间数K，置信水平β；
步骤1.2、根据风电场连续风功率样本和对应边缘分布函数得到离散概率分布函数
Figure GDA0004125979690000031
步骤1.3、将离散概率分布函数
Figure GDA0004125979690000032
的概率Pj由大到小依次进行累加，假设当累加到j＝q时，
Figure GDA0004125979690000033
则在置信度水平β下的边缘分布函数位于区间
Figure GDA0004125979690000034
所属子区间的并集内，通过逆函数计算得到待预测时刻风电功率区间
Figure GDA0004125979690000035
还包括采用PIAW、PICP指标对待预测时刻风电功率区间进行精度评价。
步骤3具体包括：
步骤3.1、先将100组风功率场景组成簇；
步骤3.2、从簇表中选取簇；
步骤3.3、采用K-means算法对该簇进行二分得到两个簇；
步骤3.4、重复步骤3.3，直至达到预置实验次数；
步骤3.5、从步骤3.4得到的簇中选取总误差最小的两个簇；
步骤3.6、将步骤3.5得到的两个簇添到簇表中；
步骤3.7、重复步骤3.2-3.6，直到簇表中含有10个簇。
步骤5具体包括：
步骤5.1、将净负荷场景中的峰谷时段划分为H个时间段，假设i为某一划分时段的开始时刻，j为结束时刻，定义对象i、j之间的距离为dij，则矩阵[dij]为N×N矩阵，行列标为0,1,…N-1；
峰谷时段划分为H个聚类时段的模型的目标函数为
Figure GDA0004125979690000041
上式中，zij为0-1变量，当某时段开始时刻为i，结束时刻为j时，zij值为1，否则为0；Dij为同一个时间段中所有dij的和：
Figure GDA0004125979690000042
上式中，mod为取模运算；
峰谷时段划分为H个聚类时段的模型的约束条件为：
Figure GDA0004125979690000043
Figure GDA0004125979690000044
步骤5.2、将H个时间段划分为峰、平、谷时段。
步骤6具体包括：
步骤6.1、步骤3得到的风功率场景得期望为：
Figure GDA0004125979690000051
上式中，θ表示某一可能存在的风功率场景，
Figure GDA0004125979690000052
为每个场景的概率值，Pwind为风电出力功率，θw为风功率场景集；
步骤6.2、实行峰谷电价前等效净负荷表达式为：
Figure GDA0004125979690000053
上式中，Q(t)为用户负荷。
步骤7具体包括：
步骤7.1、根据等效净负荷构建目标函数：
目标函数1、实行峰谷电价后***峰、谷时段的等效净负荷差最小：
minC＝min[maxL(t)-minL(t)]  (16)；
上式中，L(t)为实施峰谷电价之后的***等效净负荷；
目标函数2、用户用电不满意度最小：
Figure GDA0004125979690000054
上式中，
Figure GDA0004125979690000055
表示t时段用户用电量的变化率；
步骤7.2、计算负荷转移率，并根据历史数据拟合得到用户响应曲线：
Figure GDA0004125979690000056
上式中，Δpab为时段a和时段b的电价差，hab为电价差的饱和区阈值，lab为电价差的死区阈值，Kab为负荷转移过程中线性区的斜率，λmax为最大负荷转移率；
同理可得，等效净负荷的峰时段到平时段负荷转移率λfp、等效净负荷的峰时段到谷时段负荷转移率λfg、等效净负荷的平时段到谷时段负荷转移率λpg，由此得到执行分时电价后各时段的负荷为：
Figure GDA0004125979690000061
上式中，Tf、Tp、Tg分别代表峰平谷三个时段，Lk0,Lk为执行分时电价前、后的负荷；
Figure GDA0004125979690000062
为执行分时电价前各个时段的等效净负荷平均值；步骤7.3、构建约束条件：
约束条件1、时间约束：
T＝Tf+Tp+Tg＝24  (20)；
约束条件2、负荷约束：
L＝Lf+Lp+Lg  (21)；
约束条件3、实施分时电价后用户电费支出小于等于实施分时电价前支出成本：
Figure GDA0004125979690000063
Figure GDA0004125979690000064
U0≥UTOU  (24)；
约束条件4、限定实施分时电价后峰谷电价比：
Figure GDA0004125979690000065
上式中，k1和k2是限制峰谷电价比的常数。
本发明的有益效果是：
本发明一种分时电价制定方法，建立待预测时刻的离散概率分布函数，挖掘相邻时段风电功率序列间的相关关系对风电功率区间进行预测，能提升风功率预测精度，减小与实际风功率的差距；通过预测区间与随机抽样结合将区间预测的不确定性转化为确定性场景，并运用二分K-means缩减场景，不仅准确性高效，而且无需寻找复杂的替代模型，能提高计算效率，解决了区间预测结果与分时电价定制相结合问题；在考虑多场景的情况下，采用整数规划法划分峰平谷时段，可有效处理时段的连续性问题；基于消费者心理学响应的基础上以峰谷差最小和用户满意度最小建立多目标优化分时电价模型，采用NSGA-II多目标方法对模型参数进行寻优，得到分时电价模型的非劣解集；与未考虑风电不确定性的方法相比，充分考虑风功率的随机性，并有效地指导用户对分时电价做出响应，实现均衡***负荷、削峰填谷的目标，同时保证用户的用电习惯不受影响。
附图说明
图1是本发明一种分时电价制定方法的流程图；
图2是本发明一种分时电价制定方法的负荷转移率曲线图；
图3是本发明一种分时电价制定方法采用的NSGA-II算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种分时电价制定方法，如图1所示，包括以下步骤：
步骤1、利用风电场连续风功率样本预测待预测时刻的风电功率区间；
步骤1.1、设置条件数τ、分割区间数K，置信水平β；
步骤1.2、根据风电场连续风功率样本和对应边缘分布函数得到离散概率分布函数
Figure GDA0004125979690000071
步骤1.2.1、假设连续t+1时刻的风功率序列为[XT-t,XT-t-1,…,XT]：
Figure GDA0004125979690000081
上式中，每一行代表一个在X域的样本；
计算风电功率历史样本对应的边缘分布函数值为：
Figure GDA0004125979690000082
上式中，FT-t,…FT分别为第T-t,…T时段的风电功率边缘分布函数，每一行代表一个在F域的样本，共有N个样本；
步骤1.2.2、假设FT-t,…FT所属区间(0，1)包括K个区间，分别为区间S1,…SK,其中S1＝[0,δ]，δ＝1/K，Sj＝[(j-1)δ,jδ]，j＝2,…K，K为正整数，则风功率序列[XT-t,XT-t-1,…,XT]组成Kt+1个子空间，那么F域中的任意一个样本
Figure GDA0004125979690000083
必然落入风功率序列的子空间
Figure GDA0004125979690000084
其中，P1,…,Pl…Pt∈{1,2,…,K}；即FT-t(xT-t-1)∈((P1-1)δ,P1δ],…,FT(xT)∈((Pt+1-1)δ,Pt+1δ]；
选择公式(2)中的N1个样本组成条件矩阵，每个样本的前t个元素分别与
Figure GDA0004125979690000085
落在相同区间内，条件矩阵为：
Figure GDA0004125979690000086
步骤1.2.3、对公式(3)中的N1个样本分为J类，将第t+1列中所有元素都落在相同子区间的样本归为同一类，每类样本的样本数量分别为：M1,…Mj,…,MJ；
步骤1.2.4、每类样本的第t+1个元素所在的区间相同，但是数值不同；为了得到一个相同的值代表各类样本中的第t+1个元素，利用公式(4)计算每类样本第t+1列的数值
Figure GDA0004125979690000091
每类样本出现的概率Pj：
Figure GDA0004125979690000092
若将
Figure GDA00041259796900000918
作为场景，Pj为该场景出现的概率，
Figure GDA0004125979690000093
为以
Figure GDA0004125979690000094
为条件
Figure GDA0004125979690000095
的离散概率分布函数。
步骤1.3、将所述离散概率分布函数
Figure GDA0004125979690000096
的概率Pj由大到小依次进行累加，假设当累加到j＝q时，
Figure GDA0004125979690000097
则在置信度水平β下的边缘分布函数位于区间
Figure GDA0004125979690000098
所属子区间的并集内，通过逆函数计算得到待预测时刻风电功率区间
Figure GDA0004125979690000099
具体的，将离散概率分布函数
Figure GDA00041259796900000910
按照概率进行降序排列，记排列后离散概率分布函数为
Figure GDA00041259796900000911
P(1)为最大概率，P(J)为最小概率；从j＝1开始对P(1)进行累加，直至累加和大于等于β停止；假设当累加到j＝q时，
Figure GDA00041259796900000912
则在置信度水平β下的边缘分布函数位于区间
Figure GDA00041259796900000913
所属子区间的并集内，假设：
Figure GDA00041259796900000914
则边缘分布函数的区间为：
Figure GDA00041259796900000915
通过逆函数
Figure GDA00041259796900000916
计算在置信度水平β下，风电功率在第T时刻发生的区间
Figure GDA00041259796900000917
即得到待预测时刻风电功率区间。
利用PIAW和PICP两个指标对m、K取值下的离散概率分布函数预测结果进行精度评价。
具体的，采用区间覆盖率(prediction interval coverage probability，PICP)和区间平均宽度(prediction interval average width，PIAW)作为评价标准，对所提算法的预测精度进行验证，区间覆盖率(PICP)的计算式为：
Figure GDA0004125979690000101
上式中，U为待预测风电功率的总个数，u＝1,2,…,U；Au为示性函数，定义为：
Figure GDA0004125979690000102
即当待预测时刻的风电功率实际值落到预测区间中时，Au取值1，否则取0；式中
Figure GDA0004125979690000103
与Vu 分别为预测区间的上下边界，Vu为预测时刻的风电功率实际值。区间平均宽度(PIAW)的计算式为：
Figure GDA0004125979690000104
PICP表示风电功率实际值落在预测区间内的数目，在满足置信水平的基础上，其值越大表明实际风电功率落入预测区间的个数越多，意味着预测效果越好。PIAW表示区间上下边界的平均宽度，当满足相同的置信度水平下，其值越小，表明预测区间越窄，意味着预测区间与实际发生的数值越贴近。
步骤2、在待预测时刻风电功率区间内随机抽样生成100组风功率场景；
步骤3、采用二分K-means聚类算法缩减场景为10组风功率场景；
步骤3.1、对100组风功率场景进行初始化后，将100组风功率场景组成簇；
步骤3.2、从簇表中选取簇；
步骤3.3、采用K-means算法对该簇进行二分得到两个簇；
步骤3.4、重复步骤3.3，直至达到预置实验次数；
步骤3.5、从步骤3.4得到的簇中选取总误差最小的两个簇；
步骤3.6、将步骤3.5得到的两个簇添到簇表中；
步骤3.7、重复步骤3.2-3.6，直到簇表中含有10个簇。
步骤4、在用户负荷中加入步骤3得到的风功率场景，生成净负荷场景图；
步骤5、对净负荷场景进行时段划分；
先采用0-1整数规划将净负荷场景划分为H个时间段，峰谷时段的总时刻数为T，H可根据用户负荷情况设置为1-24小时的任意整数；再根据负荷将H个时间段划分为峰、平、谷时段。
步骤5.1、先采用0-1整数规划将净负荷场景划分为H个时间段，假设i为某一划分时段的开始时刻，j为结束时刻。在时段的划分中需要考虑时段的连续性问题，如果若某一划分时段开始时刻i小于结束时刻j，对任意的时刻r(i＜r＜j)都应该属于同一时段；如果开始时刻i大于结束时刻j，则该时段范围为i≤r≤T及1≤r≤j。
本实施例中待分析对象为待划分的T个时刻，某一时刻的参数为该时刻不同场景下的净负荷数值向量，在实际应用中应对净负荷数值进行归一化处理。定义时刻i、j之间的距离为dij，则矩阵[dij]为N×N矩阵，行列标为0,1,…N-1；峰谷时段划分为H个聚类时段的模型的目标函数为
Figure GDA0004125979690000111
上式中，zij为0-1变量，当某时段开始时刻为i，结束时刻为j时，zij值为1，否则为0；Dij为同一时段内所有dij的和：
Figure GDA0004125979690000121
上式中，mod为取模运算；
峰谷时段划分为H个聚类时段的模型的约束条件为：
Figure GDA0004125979690000122
Figure GDA0004125979690000123
其中约束条件式(12)表示时刻w只能包含在单一时段中，其左侧为所有可能包含时刻w的划分之和。在包含w的时段中，可分为以下3种情况：0≤i≤w≤j≤N-1、0≤j＜i≤w≤N-1及0≤w≤j＜i≤N-1；约束条件式(13)中，划分后所得总的时段个数为H个；
步骤5.2、将H个时间段划分为峰、平、谷时段。
步骤6、计算风功率场景期望，生成等效净负荷曲线；
通过步骤3得到的风功率场景得期望为：
Figure GDA0004125979690000124
上式中，θ表示某一可能存在的风功率场景，
Figure GDA0004125979690000125
为每个场景的概率值，Pwind为风电出力功率，θw为风功率场景集；
实行峰谷电价前***等效净负荷表达式为：
Figure GDA0004125979690000126
上式中，Q(t)为用户负荷。
步骤7、根据等效净负荷构建分时电价模型，其中，目标函数为实行峰谷电价后***等效净负荷峰谷差最小、用户用电不满意度最小；
步骤7.1、构建目标函数：
目标函数1、实行峰谷电价后***峰、谷时段的等效净负荷差最小：
minC＝min[maxL(t)-minL(t)]  (16)；
上式中，L(t)为实施峰谷电价之后的***等效净负荷，C表示峰谷之差；
目标函数2、用户用电不满意度最小：
Figure GDA0004125979690000131
上式中，
Figure GDA0004125979690000132
表示t时段用户用电量的变化率；
步骤7.2、在目标函数的求解过程中要考虑用户的响应度，本发明根据消费者心理学的理论，考虑用户对于不同的电价有着不同程度的响应，也就会引发不同的消费行为。电价是对用户的一种刺激，针对这种刺激的响应并不是无限的，而是存在一个差别阈值。当刺激过大超过阈值上限，用户将达到饱和状态基本不再转移负荷，大于阈值上限的电价范围被称为响应饱和区；同理当刺激过小低于阈值下限，用户将无法觉知同样不作出反应，这个低于阈值下限的电价范围被称为死区。而在阈值范围内用户将会对刺激做出反应，且响应程度与刺激大小近似成线性关系，被称为线性区，由此可以得到一个近似的分段函数，该函数由三个参数决定，分别是：死区阈值、线性段斜率和饱和区阈值。不同类型的用户响应将以不同的参数体现出来。
在此引入负荷转移率的概念：定义负荷转移率为实施峰谷电价后，用户负荷从高电价时段向低电价时段转移量与高电价时段负荷之比。假设负荷转移率与峰平、峰谷、平谷之间的电价差是成比例的。基于大量的历史数据计算峰、平、谷不同时段的电价差和负荷转移率，可拟合出向用户实际的响应曲线逼近的分段函数曲线，如图2所示，横坐标表示不同时段的电价差，纵坐标表示负荷转移率：
Figure GDA0004125979690000141
上式中，Δpab为时段a和时段b的电价差，hab为电价差的饱和区阈值，lab为电价差的死区阈值，Kab为负荷转移过程中线性区的斜率，λmax为最大负荷转移率；
同理可得，等效净负荷的峰时段到平时段负荷转移率λfp、等效净负荷的峰时段到谷时段负荷转移率λfg、等效净负荷的平时段到谷时段负荷转移率λpg，并由此得到执行分时电价后各时段的负荷为：
Figure GDA0004125979690000142
上式中，Tf、Tp、Tg分别代表峰平谷三个时段，Lk0,Lk为执行分时电价前、后的负荷；
Figure GDA0004125979690000143
为执行分时电价前各个时段的等效净负荷平均值。
步骤7.3、构建约束条件：
约束条件1、时间约束：
T＝Tf+Tp+Tg＝24  (20)
约束条件2、电量(负荷)约束：
L＝Lf+Lp+Lg  (21)
约束条件3、为了使用户积极地将高峰时的负荷转移向低谷时段，实施分时电价后用户电费支出等于小于实施分时电价前支出成本：
Figure GDA0004125979690000144
Figure GDA0004125979690000151
U0≥UTOU  (24)；
约束条件4、为避免实施分时电价之后，峰谷电价差别太大，出现用户响应过度，峰谷倒置；或者峰谷电价不明显，用户响应不足，达不到预期目标，故而限定峰谷电价比的范围：
Figure GDA0004125979690000152
上式中，k1和k2是限制峰谷电价比的常数，在我国，峰谷电价比的取值一般在2～5之间。
步骤8、采用NSGA-II算法对分时电价模型进行多目标求解，如图3所示，得到Pareto最优解集，并对目标函数进行评价，选出最优解。
步骤8.1：读入等效净负荷数据，进行算法参数设置和变量范围设置，设置参数包括最优个体系数、种群大小、最大进化代数、适应度函数偏差；变量范围指决策变量(峰、平、谷电价的允许范围)；
步骤8.2：随机产生初始种群P0并进行非支配排序；
步骤8.3：非支配排序后经过选择、交叉、变异三个基本操作得到第一代子代种群；
步骤8.3：将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算；
步骤8.4：根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
步骤8.5：通过选择、交叉、变异三个基本操作得到下一代子代种群，并执行步骤8.3，直至达到最大进化代数。
步骤8.6：迭代结束后得到Pareto最优解集，并根据下述方法选出最优解；首先利用式(26)对对Pareto最优解集中的峰谷差和用户不满意度数据进行标准化处理；式中xi为待标准化数值，xj为标准化后的数值，MIN＝min(xi)。
Figure GDA0004125979690000161
进行数据标准化后，根据峰谷差与用户不满意度两个精度指标的重要程度，设置峰谷差与用户不满意度的权重；最后对Pareto最优解中所有点的两个评价指标进行加权计算，加权值最小的点即为最优解。
通过以上方式，本发明一种分时电价制定方法，建立待预测时刻的离散概率分布函数，挖掘相邻时段风电功率序列间的相关关系对风电功率区间进行预测，能提升风功率预测精度，减小与实际风功率的差距；通过预测区间与随机抽样结合将区间预测的不确定性转化为确定性场景，并运用二分K-means缩减场景，不仅准确性高效，而且无需寻找复杂的替代模型，能提高计算效率，解决了区间预测结果与分时电价定制相结合问题；在考虑多场景的情况下，采用整数规划法划分峰平谷时段，可有效处理时段的连续性问题；基于消费者心理学响应的基础上以峰谷差最小和用户满意度最小建立多目标优化分时电价模型，采用NSGA-II多目标方法对模型参数进行寻优，得到分时电价模型的非劣解集；与未考虑风电不确定性的方法相比，充分考虑风功率的随机性，并有效地指导用户对分时电价做出响应，实现均衡***负荷、削峰填谷的目标，同时保证用户的用电习惯不受影响。

Claims (7)

1.一种分时电价制定方法，其特征在于，包括以下步骤：
步骤1、利用风电场连续风功率样本预测待预测时刻的风电功率区间；
步骤2、在所述待预测时刻风电功率区间内随机抽样生成100组风功率场景；
步骤3、采用二分K-means聚类算法缩减场景为10组风功率场景；
步骤4、在用户负荷中加入步骤3得到的风功率场景，生成净负荷场景图；
步骤5、采用0-1整数规划将净负荷场景中的峰谷时段划分为H个时间段，再将H个时间段划分为峰、平、谷时段；
步骤6、计算风功率场景期望，生成等效净负荷曲线；
步骤7、根据等效净负荷构建分时电价模型，其中，目标函数为实行峰谷电价后***等效净负荷峰谷差最小、用户用电不满意度最小；
步骤8、采用NSGA-II算法对所述分时电价模型进行多目标求解，得到Pareto最优解集，并对目标函数进行评价，选出最优解。
2.根据权利要求1所述的一种分时电价制定方法，其特征在于，所述步骤1具体包括：
步骤1.1、设置条件数τ、分割区间数K，置信水平β；
步骤1.2、根据风电场连续风功率样本和对应边缘分布函数得到离散概率分布函数
Figure FDA0004125979670000011
步骤1.3、将所述离散概率分布函数
Figure FDA0004125979670000012
的概率Pj由大到小依次进行累加，假设当累加到j＝q时，
Figure FDA0004125979670000013
则在置信度水平β下的边缘分布函数位于区间
Figure FDA0004125979670000014
所属子区间的并集内，通过逆函数计算得到待预测时刻风电功率区间
Figure FDA0004125979670000021
3.根据权利要求1或2所述的一种分时电价制定方法，其特征在于，还包括采用PIAW、PICP指标对所述待预测时刻风电功率区间进行精度评价。
4.根据权利要求1所述的一种分时电价制定方法，其特征在于，所述步骤3具体包括：
步骤3.1、先将100组风功率场景组成簇；
步骤3.2、从簇表中选取所述簇；
步骤3.3、采用K-means算法对该簇进行二分得到两个簇；
步骤3.4、重复步骤3.3，直至达到预置实验次数；
步骤3.5、从步骤3.4得到的簇中选取总误差最小的两个簇；
步骤3.6、将步骤3.5得到的两个簇添到簇表中；
步骤3.7、重复步骤3.2-3.6，直到簇表中含有10个簇。
5.根据权利要求1所述的一种分时电价制定方法，其特征在于，所述步骤5具体包括：
步骤5.1、将净负荷场景中的峰谷时段划分为H个时间段，假设i为某一划分时段的开始时刻，j为结束时刻，定义对象i、j之间的距离为dij，则矩阵[dij]为N×N矩阵，行列标为0,1,…N-1；
所述峰谷时段划分为H个聚类时段的模型的目标函数为
Figure FDA0004125979670000022
上式中，zij为0-1变量，当某时段开始时刻为i，结束时刻为j时，zij值为1，否则为0；Dij为同一个时间段中所有dij的和：
Figure FDA0004125979670000031
上式中，mod为取模运算；
所述峰谷时段划分为H个聚类时段的模型的约束条件为：
Figure FDA0004125979670000032
Figure FDA0004125979670000033
步骤5.2、将H个时间段划分为峰、平、谷时段。
6.根据权利要求1所述的一种分时电价制定方法，其特征在于，所述步骤6具体包括：
步骤6.1、步骤3得到的所述风功率场景得期望为：
Figure FDA0004125979670000034
上式中，θ表示某一可能存在的风功率场景，
Figure FDA0004125979670000035
为每个场景的概率值，Pwind为风电出力功率，θw为风功率场景集；
步骤6.2、实行峰谷电价前等效净负荷表达式为：
Figure FDA0004125979670000036
上式中，Q(t)为用户负荷。
7.根据权利要求1所述的一种分时电价制定方法，其特征在于，所述步骤7具体包括：
步骤7.1、根据等效净负荷构建目标函数：
目标函数1、实行峰谷电价后***峰、谷时段的等效净负荷差最小：
min C＝min[max L(t)-min L(t)]     (16)；
上式中，L(t)为实施峰谷电价之后的***等效净负荷；
目标函数2、用户用电不满意度最小：
Figure FDA0004125979670000041
上式中，
Figure FDA0004125979670000042
表示t时段用户用电量的变化率；
步骤7.2、计算负荷转移率，并根据历史数据拟合得到用户响应曲线：
Figure FDA0004125979670000043
上式中，Δpab为时段a和时段b的电价差，hab为电价差的饱和区阈值，lab为电价差的死区阈值，Kab为负荷转移过程中线性区的斜率，λmax为最大负荷转移率；
同理可得，等效净负荷的峰时段到平时段负荷转移率λfp、等效净负荷的峰时段到谷时段负荷转移率λfg、等效净负荷的平时段到谷时段负荷转移率λpg，由此得到执行分时电价后各时段的负荷为：
Figure FDA0004125979670000044
上式中，Tf、Tp、Tg分别代表峰平谷三个时段，Lk0,Lk为执行分时电价前、后的负荷；
Figure FDA0004125979670000045
为执行分时电价前各个时段的等效净负荷平均值；
步骤7.3、构建约束条件：
约束条件1、时间约束：
T＝Tf+Tp+Tg＝24     (20)；
约束条件2、负荷约束：
L＝Lf+Lp+Lg      (21)；
约束条件3、实施分时电价后用户电费支出小于等于实施分时电价前支出成本：
Figure FDA0004125979670000051
Figure FDA0004125979670000052
U0≥UTOU     (24)；
约束条件4、限定实施分时电价后峰谷电价比：
Figure FDA0004125979670000053
上式中，k1和k2是限制峰谷电价比的常数。
CN202010350680.5A 2020-04-28 2020-04-28 一种分时电价制定方法 Active CN111598612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010350680.5A CN111598612B (zh) 2020-04-28 2020-04-28 一种分时电价制定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010350680.5A CN111598612B (zh) 2020-04-28 2020-04-28 一种分时电价制定方法

Publications (2)

Publication Number Publication Date
CN111598612A CN111598612A (zh) 2020-08-28
CN111598612B true CN111598612B (zh) 2023-04-18

Family

ID=72185584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010350680.5A Active CN111598612B (zh) 2020-04-28 2020-04-28 一种分时电价制定方法

Country Status (1)

Country Link
CN (1) CN111598612B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112271721B (zh) * 2020-09-24 2022-12-20 西安理工大学 一种基于条件Copula函数的风电功率预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069236A (zh) * 2015-08-13 2015-11-18 山东大学 考虑风电场节点空间相关性的广义负荷联合概率建模方法
CN105244870A (zh) * 2015-10-16 2016-01-13 西安交通大学 一种快速计算电网风电场弃风率及机组发电量的方法
CN106485362A (zh) * 2016-10-18 2017-03-08 江苏省电力试验研究院有限公司 一种基于高维风电预测误差模型及降维技术的发电调度方法
CN107681691A (zh) * 2017-09-30 2018-02-09 太原理工大学 计及不确定性因素的风电并网***运行可靠性评估方法
CN107798426A (zh) * 2017-10-16 2018-03-13 武汉大学 基于原子分解和交互式模糊满意度的风功率区间预测方法
CN107944622A (zh) * 2017-11-21 2018-04-20 华北电力大学 基于连续时段聚类的风电功率预测方法
EP3343496A1 (en) * 2016-12-28 2018-07-04 Robotina d.o.o. Method and system for energy management in a facility
CN109066651A (zh) * 2018-07-20 2018-12-21 国网四川省电力公司经济技术研究院 风电-负荷场景的极限传输功率的计算方法
CN110112779A (zh) * 2019-05-17 2019-08-09 华北电力大学 基于多状态概率分布的电采暖消纳风电测算模型

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070128899A1 (en) * 2003-01-12 2007-06-07 Yaron Mayer System and method for improving the efficiency, comfort, and/or reliability in Operating Systems, such as for example Windows
US7590589B2 (en) * 2004-09-10 2009-09-15 Hoffberg Steven M Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference
US8874477B2 (en) * 2005-10-04 2014-10-28 Steven Mark Hoffberg Multifactorial optimization system and method

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069236A (zh) * 2015-08-13 2015-11-18 山东大学 考虑风电场节点空间相关性的广义负荷联合概率建模方法
CN105244870A (zh) * 2015-10-16 2016-01-13 西安交通大学 一种快速计算电网风电场弃风率及机组发电量的方法
CN106485362A (zh) * 2016-10-18 2017-03-08 江苏省电力试验研究院有限公司 一种基于高维风电预测误差模型及降维技术的发电调度方法
EP3343496A1 (en) * 2016-12-28 2018-07-04 Robotina d.o.o. Method and system for energy management in a facility
CN107681691A (zh) * 2017-09-30 2018-02-09 太原理工大学 计及不确定性因素的风电并网***运行可靠性评估方法
CN107798426A (zh) * 2017-10-16 2018-03-13 武汉大学 基于原子分解和交互式模糊满意度的风功率区间预测方法
CN107944622A (zh) * 2017-11-21 2018-04-20 华北电力大学 基于连续时段聚类的风电功率预测方法
CN109066651A (zh) * 2018-07-20 2018-12-21 国网四川省电力公司经济技术研究院 风电-负荷场景的极限传输功率的计算方法
CN110112779A (zh) * 2019-05-17 2019-08-09 华北电力大学 基于多状态概率分布的电采暖消纳风电测算模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Yutian LIU ; Rui FAN ; Vladimir TERZIJA ; .Power system restoration: a literature review from 2006 to 2016.Journal of Modern Power Systems and Clean Energy.2016,(第03期),全文. *
马瑞 ; 王京生 ; .智慧社区多能流随机响应面模型预测控制方法.电力***自动化.2018,(第04期),全文. *

Also Published As

Publication number Publication date
CN111598612A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
Hu et al. A new clustering approach for scenario reduction in multi-stochastic variable programming
CN113572206B (zh) 一种风电出力区间预测方法
Karadede et al. Breeder hybrid algorithm approach for natural gas demand forecasting model
Rodrigues et al. The daily and hourly energy consumption and load forecasting using artificial neural network method: a case study using a set of 93 households in Portugal
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN102999791A (zh) 一种电力行业中基于客户分群的电力负荷预测方法
Yuan et al. Conditional style-based generative adversarial networks for renewable scenario generation
CN112184479B (zh) 一种水库群调度规则型式和参数对气候变化的适应性研究方法
CN109508826A (zh) 基于梯度提升决策树的电动汽车集群可调度容量预测方法
CN111598612B (zh) 一种分时电价制定方法
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及***
Karunathilake et al. Artificial neural networks for daily electricity demand prediction of Sri Lanka
CN116861776A (zh) 基于电-能源-碳关联模型的碳排放近实时计算方法
CN115759458A (zh) 基于综合能源数据处理和多任务深度学习的负荷预测方法
Amarasinghe et al. Kernel density estimation based time-dependent approach for analyzing the impact of increasing renewables on generation system adequacy
CN114285086B (zh) 基于改进蚁群算法的电化学储能电站能量调度方法及***
Souhe et al. Forecasting of electrical energy consumption of households in a smart grid
CN106295877B (zh) 一种智能电网电能使用量预测方法
Härtel et al. Minimizing energy cost in pv battery storage systems using reinforcement learning
CN113659631A (zh) 考虑时变特性的风光电站群出力描述方法
CN111177881A (zh) 含光热-光伏发电电力***随机生产模拟方法
Catalão et al. Short-term wind power forecasting using a hybrid evolutionary intelligent approach
Caliano et al. Consumption based-only load forecasting for individual households in nanogrids: A case study
Zhang et al. Time-of-use pricing model considering wind power uncertainty
Tang et al. LASSO-based single index model for solar power generation forecasting

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
GR01 Patent grant
GR01 Patent grant