本发明涉及竞价方法技术领域,特别是涉及一种博弈购电竞价方法、系统、终端设备及存储介质。
背景技术:
在电力市场建设初期,电力交易的报价环节采用单边报价模式,仅由发电侧报价,用电侧不参与报价环节,作为市场价格接受者。但随着市场建设的推进,单边报价模式虽然可以规避风险保持市场稳定性,但是忽略了市场配置作用,不能调动起各市场主体的积极性。对此为进一步深化电力市场改革,需要逐步放开用户侧参与电力市场,形成有竞争性的双边交易,市场应采用双边报价模式。
现有的发电商基于电价预测的竞价方法,即单边预测方法,通过对电力市场中相应的电价进行预测,发电公司需要报一个比预测电价略低的价格,但由于电价的影响因素比较多而且关系错综复杂,基于该原理的竞价策略存在弊端。单边预测方法,例如时间序列法、神经网络方法,都难以达到理想的预测效果,可能出现较大的误差。相比于单边报价市场模式,用户侧竞争放开后市场电价的预测难度更大,原因在于各购电商为适应发、购电同时竞价的市场模式,其负荷需求和购电申报价格之间将会做出调整,调整的结果将使负荷需求和购电申报价格之间具有更大的弹性,即“负荷电价弹性”,它的增大将使市场电价的预测难度大为增加。因此,基于电价预测的购电商竞价方法将可能出现较大的误差。
技术实现要素:
本发明提供一种博弈购电竞价方法、系统、终端设备及存储介质,基于信息完全非合作博弈方法论,提高各购电商利润。
本发明一个实施例提供一种博弈购电竞价方法,包括:
输入相关参数,建立购电竞价行为模型;其中,所述相关参数包括:预设容量段的申报价格pis、第s类负荷的预测值qis;
根据所述购电竞价行为模型,建立双层模型;所述双层模型包括:购电利润模型和市场出清模型;
基于强化粒子群算法求解双层模型,得到nash均衡点。
进一步地,所述购电竞价行为模型由以下公式确定:
pis=ki(ei*qis+fi);
其中,pis为预设容量段的申报价格、qis为第s类负荷的预测值、ki为购电商i的竞价策略、ei为一次项系数、fi为常数项系数。
进一步地,
进一步地,所述购电利润模型由以下公式确定:
max∏i(ri,qix)=ui(qix)-riqix-fi(q)
s.t.0≤qix≤qixs
pis=ki(ei*qis+fi)
其中,ri为购电商i的市场出清价、qix为购电商i的市场出清容量、∏i为购电商i获得的利润,通过ri和qix确定;ui(qix)为购电商i的售电收益函数;fi(q)为售电商i与出清容量无关的固定成本;qixs为购电商i市场出清最大容量值,为s类负荷的预测值总和,即
进一步地,所述市场出清模型由以下公式确定:
其中,pis为购电商i的申报价格、qis为购电商i的申报段容量、λjk为发电商j的申报价格、pjk为发电商j的申报段容量、tl为线路l的潮流转移系数、fl为流入线路l的潮流;
进一步地,所述基于强化粒子群算法求解双层模型,包括:
通过各购电商的k决策变量i组合成均衡点,设置其初值(k10,k20,…,ki0),各决策变量初值均在其策略空间内随机选定初值;
通过强化粒子群算法计算独立优化决策kit;其中,
若满足
进一步地,所述通过强化粒子群算法计算独立优化决策kit包括:
输入购电商i的报价策略ki作为各粒子的位置变量,进行种群初始化;
计算粒子速度,确定所述粒子位置;
以购电商i收益∏i为各粒子的适应度,通过双层模型求解更新后各粒子的适应值,并择优对比各粒子当前最优值及全局最优值;
iter达到设置的最大次数itermax或者粒子已经搜索到购电商i报价策略ki的最佳值,终止搜索;其中,
所述种群初始化由以下公式确定:
所述计算粒子速度由以下公式确定:
所述粒子位置由以下公式确定:
ωiter+1=ωinitial-(ωend-ωinitial)*iter/itermax
本发明一个实施例提供一种博弈购电竞价装置,包括:
购电竞价行为模型建立模块,用于输入相关参数,建立购电竞价行为模型;其中,所述相关参数包括:预设容量段的申报价格pis、第s类负荷的预测值qis;
双层模型建立模块,用于根据所述购电竞价行为模型,建立双层模型;所述双层模型包括:购电利润模型和市场出清模型;
求解双层模型模块,用于基于强化粒子群算法求解双层模型,得到nash均衡点。
本发明一个实施例提供一种计算机终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的一种博弈购电竞价方法。
本发明一个实施例提供一种存储介质,包括:所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任一项所述的一种博弈购电竞价方法。
与现有技术相比,本发明实施例的有益效果在于:
本发明提供的一种博弈购电竞价方法,其特征在于,包括:输入相关参数,建立购电竞价行为模型;其中,所述相关参数包括:预设容量段的申报价格pis、第s类负荷的预测值qis;根据所述购电竞价行为模型,建立双层模型;所述双层模型包括:购电利润模型和市场出清模型;基于强化粒子群算法求解双层模型,得到nash均衡点。本申请提供的一种博弈购电竞价方法,借鉴发电商边际成本曲线的概念,建立购电商简化处理的竞价行为模型,基于信息完全非合作博弈方法论,以各购电商利润最大为目标,结合市场出清模型搭建双层博弈模型;最后针对所建双层模型,提出一种改进强化粒子群算法进行求解,实现市场价格精准预测。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的一种博弈购电竞价方法的流程图;
图2是本发明某一实施例提供的一种博弈购电竞价装置的结构图;
图3是本发明某一实施例提供的一种购电商i的申报曲线的示意图;
图4是本发明某一实施例提供的一种3机9节点系统接线图的示意图;
图5是本发明某一实施例提供的购电商在仿真过程中的竞价博弈过程的示意图;
图6是本发明某一实施例提供的购电商在仿真过程中的竞价博弈过程收获利润的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
第一方面。
请参阅图1,本发明实施例提供一种博弈购电竞价方法,包括:
s10、输入相关参数,建立购电竞价行为模型;其中,所述相关参数包括:预设容量段的申报价格pis、第s类负荷的预测值qis。
在某一具体实施方式中,假设购电商i共有s类负荷,则按市场规则则拟报s个容量段,即该购电商在每个交易日的申报信息为(pis,qis),s=1,...,s,如图3所示,其中,pis为预设容量段的申报价格,qis为第s类负荷的预测值,由于申报信息中存在多个参数,这在实践中很难同时优化求解并应用到竞价行为中,对此,本发明引进参数ki进行简化,并假设购电商的边际申报价格和边际申报容量满足线性关系,即pis=ki(ei*qis+fi)(1)
其中,ei、fi为已知量,分别为一次项系数和常数项系数;ki为购电商i的竞价策略。若ki等于1,则为按边际关系报价;若ki小于1,则其为低于边际关系报价;若ki大于1,则其为高于边际关系报价;且ki一般需要满足报价上下限,具体如下:
其中,
s20、根据所述购电竞价行为模型,建立双层模型;所述双层模型包括:购电利润模型和市场出清模型。
在某一具体实施方式中,双边竞价模式下,市场出清结果是由各发电商和购电商的竞价行为共同决定的,由于本发明主要对售电商的竞价行为进行分析,因此对发电商的竞价行为进行了简化,并假设各发电商均按其边际成本进行申报。对此,针对各购电商,分别建立其利润最大化的双层模型,所述双层模型包括购电利润模型和市场出清模型,其中,所述购电利润模型由以下公式确定:
max∏i(ri,qix)=ui(qix)-riqix-fi(q)
s.t.0≤qix≤qixs
pis=ki(ei*qis+fi)
其中,ri为购电商i的市场出清价、qix为购电商i的市场出清容量、∏i为购电商i获得的利润,通过ri和qix确定;ui(qix)为购电商i的售电收益函数;fi(q)为售电商i与出清容量无关的固定成本;qixs为购电商i市场出清最大容量值,为s类负荷的预测值总和,即
所述市场出清模型由以下公式确定:
其中,pis为购电商i的申报价格、qis为购电商i的申报段容量、λjk为发电商j的申报价格、pjk为发电商j的申报段容量、tl为线路l的潮流转移系数、fl为流入线路l的潮流;
s30、基于强化粒子群算法求解双层模型,得到nash均衡点。
基于信息完全非合作博弈理论模拟了市场中各售电商主体的博弈竞价行为,在博弈过程中,将各售电商的竞价策略作为优化求解量,并采用强化粒子群智能算法进行求解。在每一次迭代过程中,售电商都选择强化粒子群智能算法寻找自身的竞价策略。强化粒子群算法中采用变权重以及变步长的方式,从而提高了其局部收敛能力。当强化粒子群算法的适应度值达到最大时,此时终止改变购电商自身的竞价策略。当市场中所有购电商主体都不改变其竞价策略时,市场就达到了nash均衡状态。
在某一具体实施方式中,以各购电商的决策变量ki组合成均衡点,并设置其初值(k10,k20,…,ki0),各决策变量初值均在其策略空间内随机选定初值。
记博弈中各发电机组第t轮优化的结果为(k1t,k2t,…,kit)。具体地,在第t轮优化时,各发购电商根据上一轮的优化结果(k1t-1,k2t-1,…,kit-1),通过强化粒子群算法进行独立优化决策kit,即
1、种群粒子初始化
输入购电商i的报价策略ki作为各粒子的位置变量,进行种群初始化,具体如下:
其中,
2、种群粒子更新
计算粒子速度
确定所述粒子位置
其中,
3、计算粒子适应度,并进行择优对比选择
以购电商i收益∏i为各粒子的适应度,通过双层模型求解更新后各粒子的适应值,并择优对比各粒子当前最优值及全局最优值。
4、终止条件判断
假如满足终止条件,如iter达到设置的最大次数itermax或者粒子已经搜索到购电商i报价策略ki的最佳值,则终止搜索;否则返回步骤2继续进行迭代循环。
将步骤2)所得中各发购电商的最优策略kit告知其余购电商,即更新均衡点最优值(k1t,k2t,…,kit)。
判断是否找到nash均衡点。若各发购电商在相邻2次得到的最优解相同,即,则表明在该策略下,任何购电商都不能通过独立改变策略而获得更多的收益,达到了nash均衡。
根据市场均衡状态,计算并输出各购电商的竞价行为、收益等结果。
在某一具体实施方式中,以3机9节点系统中各用户为一购电商,分别构建其双层博弈模型,并利用强化粒子群算法进行求解,仿真结果如图4所示,其中,各购电商竞价参数具体如表1所示。
表1各购电商的竞价参数
图5展示了各购电商在仿真过程中的竞价博弈过程;图6则描述了其博弈过程中对应的利润情况。
第二方面。
请参阅图2,本发明实施例提供一种博弈购电竞价装置,包括:购电竞价行为模型建立模块10、双层模型建立模块20、求解双层模型模块30。
购电竞价行为模型建立模块10,用于输入相关参数,建立购电竞价行为模型;其中,所述相关参数包括:预设容量段的申报价格pis、第s类负荷的预测值qis;双层模型建立模块20,用于根据所述购电竞价行为模型,建立双层模型;所述双层模型包括:购电利润模型和市场出清模型;求解双层模型模块30,用于基于强化粒子群算法求解双层模型,得到nash均衡点。
第三方面。
本发明实施例提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现所述的一种博弈购电竞价方法。
第四方面。
本发明实施例提供一种存储介质,包括:所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的一种博弈购电竞价方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。