本发明涉及电力自动化领域,特别涉及一种基于前景理论的售电商智能代理投标行为建模方法。
背景技术:
近年来,基于代理的建模技术被广泛应用于电力市场仿真研究,通过将电力市场中的发电企业和其他参与者建模为具有一定学习决策能力的计算机智能代理,人们在决策过程中,经常使用直观推断方法将一些复杂的决策问题简化为一些简单的判断。但坎尔曼和特维尔斯基等人通过大量精心设计的社会学、心理学实验识别出这些经验规则的原理,发现以这些经验规则为主要特征的直观判断会产生严重的系统性错误和偏差,据此提出前景理论。坎尔曼和特维尔斯基认为,通常情况下概率和价值评估等主观判断,决策行为依赖与有限的可供利用的数据,这些一局直观推断与经验规则得到的信息会产生系统性偏误。情景理论从行为心理学的角度分析人的决策问题,充分考虑了心理因素对决策的影响,其核心是人在面对未来的不确定性进行决策时是否总是理性的,坎尔曼和特维尔斯基的研究认为:人往往会出现系统性错误而偏离经济学的最有行为假定模式,因而结论是否定的。
公开号cn107957867a的发明公开了一种电力零售市场模型建模方法及系统,包括:基于预先建立的模型对象定义模型树的层次结构;根据模型树的层次结构,生成模型树配置文件;选择模型树配置文件,基于模型树配置和模型对象定义,生成对应的模型树实例。通过上述方案实现对三类售电公司业务、不同区域市场规则的自适应支撑,能够灵活定制模型层次结构,满足售电系统各类业务需求,同时满足售电系统与交易平台、营销系统、配电系统等交互。
现有技术无法体现不同售电商的决策偏好,不够逼近实际市场。
技术实现要素:
针对现有技术无法体现不同售电商的决策偏好,不够逼近实际市场的问题,本发明提供了一种基于前景理论的售电商智能代理投标行为建模方法,体现真实市场中不同售电商的决策偏好,丰富售电商智能代理的多样性,为市场仿真提供多种备选代理模型,使仿真场景尽可能逼近实际市场,本发明提出了一种基于前景理论的售电商智能代理投标行为建模方法,依据最大化前景值,实现售电商决策行为的有效模拟。
以下是本发明的技术方案。
一种基于前景理论的售电商智能代理投标行为建模方法,包括以下步骤:
步骤s01:选择售电商前景值及回报函数;
步骤s02:初始化售电商代理的策略空间的行为函数及选择概率;
步骤s03:按照轮盘赌方式选择竞价策略;
步骤s04:市场出清并计算售电商的回报函数值;
步骤s05:更新行为函数及选择概率,如选择概率大于预设值则结束,如小于预设值则回到步骤s03。
作为优选,所述步骤s01中的售电商包括中间商型售电商、大用户型售电商及扩张型售电商。
作为优选,所述中间商型售电商的前景值v1=ν(a1)π(ps),其中π(ps)为决策权重函数恒为1,ν(a1)为价值函数,
作为优选,所述大用户型售电商的前景值v2=ν(a2)π(ps),π(ps)为1,价值函数
其中节省的电费a2=pload,2·(πset,2-πclear),πset,2为目录电价,pload,2是负荷预测电量,a20为单位电量期望差价。大用户型售电商,以集中出清节省的电费期望值为投标依据。
作为优选,所述扩张型售电商的前景值v3=ν(a3)π(ps),π(ps)恒为1,价值函数
营业额a3=pbuy,3·πclear,其中πclear为出清价,pbuy,3是购买电量,a30为购买电量的期望值。对于竞争市场中的扩张型售电商,其短期经营目标不是扩大利润,而是扩大营业额,从而扩大自身在市场中的影响力,甚至是在亏本的情况下扩大营业额。因此,以营业额的期望值为投标依据。
作为优选,所述回报函数rt=vi(i=1,2,3)。
作为优选,所述步骤s02中行为函数
作为优选,所述步骤s03中,轮盘赌即根据各策略选择概率形成各策略对应的选择概率区间,然后随机生成一个(0,1)区间的随机数,判断此随机数位于哪一个选择概率区间,从而选择此概率区间对应的策略。
作为优选,所述步骤s05中,预设值为0.99。
综上所述,本发明能够解决集中竞价交易中售电商的决策行为模拟问题,丰富了售电商智能代理的多样性,为市场仿真提供多种售电商代理模型,尽可能体现真实市场中不同售电商的决策偏好,使搭建的市场仿真场景更接近实际市场。
附图说明
图1为本发明的流程图。
具体实施方式
以下将根据具体实施例对本技术方案作进一步阐述。
实施例:
一种基于前景理论的售电商智能代理投标行为建模方法,包括以下步骤:
步骤s01:选择售电商前景值及回报函数;
步骤s02:初始化售电商代理的策略空间的行为函数及选择概率;
步骤s03:按照轮盘赌方式选择竞价策略;
步骤s04:市场出清并计算售电商的回报函数值;
步骤s05:更新行为函数及选择概率,如选择概率大于预设值则结束,如小于预设值则回到步骤s03。
本实施例中,所述步骤s01中的售电商包括中间商型售电商、大用户型售电商及扩张型售电商。
本实施例中,所述中间商型售电商的前景值v1=ν(a1)π(ps),其中π(ps)为决策权重函数恒为1,ν(a1)为价值函数,
本实施例中,所述大用户型售电商的前景值v2=ν(a2)π(ps),π(ps)为1,价值函数
其中节省的电费a2=pload,2·(πset,2-πclear),πset,2为目录电价,pload,2是负荷预测电量,a20为单位电量期望差价。大用户型售电商,以集中出清节省的电费期望值为投标依据。
本实施例中,所述扩张型售电商的前景值v3=ν(a3)π(ps),π(ps)恒为1,价值函数
营业额a3=pbuy,3·πclear,其中πclear为出清价,pbuy,3是购买电量,a30为购买电量的期望值。对于竞争市场中的扩张型售电商,其短期经营目标不是扩大利润,而是扩大营业额,从而扩大自身在市场中的影响力,甚至是在亏本的情况下扩大营业额。因此,以营业额的期望值为投标依据。
本实施例中,所述回报函数rt=vi(i=1,2,3)。
本实施例中,所述步骤s02中行为函数
本实施例中,所述步骤s03中,轮盘赌即根据各策略选择概率形成各策略对应的选择概率区间,然后随机生成一个(0,1)区间的随机数,判断此随机数位于哪一个选择概率区间,从而选择此概率区间对应的策略。
本实施例中,所述步骤s05中,预设值为0.99。
综上所述,本实施例能够解决集中竞价交易中售电商的决策行为模拟,丰富了售电商智能代理的多样性,为市场仿真提供多种售电商代理模型,尽可能体现真实市场中不同售电商的决策偏好,使搭建的市场仿真场景更接近实际市场。
应当说明的是,该具体实施例仅用于对技术方案的进一步阐述,不用于限定该技术方案的范围,任何基于此技术方案的修改、等同替换和改进等都应视为在本发明的保护范围内。