一种基于机器学习算法的用户中长期交易购电量优化方法技术

一种基于机器学习算法的用户中长期交易购电量优化方法，首先考虑用户年度与月度交易需求，分析影响用电量的因素；再提出年度合约最优购电量模型与年度总最优购电量模型，得到合约电量分解计划；接着根据模型采用Q学习算法进行求解；最后得到年度合约与年度总最优交易购电量结果，并进行分析比较。相比现有方法，本方法考虑影响用户用电量的因素，使得电量分解结果更适用于实际；机器学习算法更适合求解月度购电量不确定的问题，使过程和结果更合理。理。理。

【技术实现步骤摘要】
一种基于机器学习算法的用户中长期交易购电量优化方法


[0001]本专利技术属于电力系统电量分解
，具体涉及一种基于机器学习算法的用户中长期交易购电量优化方法。

技术介绍

[0002]江苏省于2017年开启电力市场建设，发展速度极快，目前交易规模和用户数量均居全国首位。2019年电力市场交易规模为3000亿千瓦时，2020年预计为3150亿千瓦时。
[0003]江苏省电力市场交易主要分为年度、月度和月内交易。市场用户通过这三种交易品种购买的总电量为合同电量，根据《江苏省电力中长期交易则(暂行)》文件(苏监能市场【2017】149号)，合同执行偏差电量无法按照本规则规定的方法解决时，江苏将适时启动电力现货市场建设，建立以电力中长期交易和现货交易相结合的市场化电力电量平衡机制。而在规定的时间段内，若电力用户实际使用电量和合同电量相差过大，将会受到偏差考核。根据江苏市场规则，2019年实施季度考核，2020年实行月度考核，偏差考核采用“月结月清”的模式。目前，市场用户一般凭经验去参加电力市场化交易，这难免会导致用户在电量与电价预测上存在较大的偏差，增加偏差考核量，从而显著提高了购电成本。
[0004]近年来，随着电力市场不断持续的改革以及深入地完善，需求侧也在不断地开放。为了避免传统电网的垄断，市场中逐渐开放大用户自由选择发电企业的权利。在与可供电的发电企业进行直接购电的同时，大用户的选择对象增大，双方也可以通过集中竞价的模式获得各自的期望最优收益。因此，研究大用户在电力市场中与发电企业进行直购电的交易策略，对于完善电力市场竞争体制以及优化购售双边的最终收益等问题具有重要的意义。
[0005]在此背景下，亟需研究用户参与月度竞价和月内交易市场的报价策略与交易占比分析的相关问题，需要基于电力市场运行现状，研究其多用户的运行特性，分析用户的风险与效益偏好。通过对直购电用户月度电量和月内交易市场价格的预测，能帮助用户在避免偏差考核的情况下最大程度降低购电成本；通过对中长期交易电力市场与电力现货市场背景下不同风险与效益偏好类型用户的交易策略分析，针对用户参与市场进行经济效益评估，提出合理的用户交易策略配置方案，对于提高用户参与市场的综合效益，提升电力市场优化运行效率具有重要意义。

技术实现思路

[0006]本专利技术的目的在于克服现有技术中的不足，提供一种基于机器学习算法的用户中长期交易购电量优化方法，能够考虑到月度竞价电价不确定性因素的影响，使得电量分配结果更具有说服力，用Q学习方法求解可以让结果更合理，求解过程更加快捷。
[0007]一种基于机器学习算法的用户中长期交易购电量优化方法，包括如下步骤：
[0008]步骤1，考虑用户年度与月度交易需求，分析影响用电量的因素；
[0009]步骤2，根据步骤1的分析，提出年度合约与年度总最优购电量模型，得到合约电量
分解计划；
[0010]步骤3，对建立的最优购电量模型采用Q学习算法进行求解；
[0011]步骤4，得到年度合约与年度总最优交易购电量结果，并进行分析比较，确认是否符合用户用电特性。
[0012]进一步地，步骤1中，年度用电量影响因素包括年度用电量历史数据、月度用电量历史数据、供需比和供电成本；月度用电量影响因素包括月度用电量历史曲线、月度电量价格历史曲线和偏差考核。
[0013]进一步地，步骤2中，设定偏差考核费用规则，月度实际用电量与月度合同电量偏差在
±
3％内无考核费用，偏差在
±
(3％
‑
10％)内执行一档考核费用，偏差在
±
10％以上执行二档考核费用；根据该偏差考核费用规则来进行总购电成本的计算，分五段来计算每段的购电成本和偏差考核费用来构成总购电成本。
[0014]进一步地，年度合约最优购电量模型如下：
[0015][0016]式中，E(C
c,t
)为年度合约购电量成本；Q
y,t
为年度合约分解到第t月的购电量；P
y,t
为年度合约分解到第t月的购电价格；Q
d,t
为大用户月用电量预测值，为一非负连续性随机变量，满足区间[a,b]内的均匀分布，该区间[a,b]表示积分的积分区间，a和b分别代表积分下限与积分上限；F(Q
d,t
)为Q
d,t
的分布函数；P
up,t
、P
2up,t
、P
do,t
和P
2do,t
分别为 103％
‑
110％、110％以上、90％
‑
97％和97％以下预定电量的偏差考核价格，P
up,t
和P
do,t
取省燃煤机组标杆电价的10％，P
2up,t
和P
2do,t
取省燃煤机组标杆电价的20％。
[0017]进一步地，年度总最优购电量模型如下：
[0018][0019]式中，E(C
m,t
)为年度总购电量成本；Q
z,t
为第t月的月度竞价购电量；P
z,t
为第t月的月度竞价价格。
[0020]进一步地，步骤3中，Q学习算法具体内容如下：
[0021]系统状态向量s
k
由决策时刻t
k
、年度合约分解到第t月的购电价格P
y,t
和第t月的月度竞价价格P
z,t
组成；系统动作集a
k
由年度长协分解到第t月的电量Q
y,t
和第t月的月度竞价购电量组成。
[0022]系统代价r
k
为目标函数也就是年度合约购电量成本E(C
c,t
)最小和年度总购电量成本E(C
m,t
)最低。
[0023]Q学习算法具体步骤如下：
[0024]步骤3
‑
1，初始化Q值表，将学习率α、折扣因子γ、动作a
k
、状态s
k
、贪心概率ε排列；
[0025]步骤3
‑
2，随机初始化系统状态s
k
，将Q值存放在Q值表内；
[0026]步骤3
‑
3，贪心策略为：
[0027][0028]如果随机产生的数random(0,1)小于贪心概率ε时，选择随机动作 a
random
并执行，随机得到下一个状态s
randomk+1
；否则选取贪心策略，选择当前Q值表最小对应的动作a
greedy
并执行，得到了下一个状态 s
greedyk+1
和下一步的动作a
greedyk+1
，同时得到最新的系统代价r
k
；
[0029]步骤3
‑
4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习算法的用户中长期交易购电量优化方法，其特征在于：所述方法包括如下步骤：步骤1，考虑用户年度与月度交易需求，分析影响用电量的因素；步骤2，根据步骤1的分析，提出年度合约与年度总最优购电量模型，得到合约电量分解计划；步骤3，对建立的最优购电量模型采用Q学习算法进行求解；步骤4，得到年度合约与年度总最优交易购电量结果，并进行分析比较，确认是否符合用户用电特性。2.根据权利要求1所述的一种基于机器学习算法的用户中长期交易购电量优化方法，其特征在于：步骤1中，年度用电量影响因素包括年度用电量历史数据、月度用电量历史数据、供需比和供电成本；月度用电量影响因素包括月度用电量历史曲线、月度电量价格历史曲线和偏差考核。3.根据权利要求1所述的一种基于机器学习算法的用户中长期交易购电量优化方法，其特征在于：步骤2中，设定偏差考核费用规则，月度实际用电量与月度合同电量偏差在
±
3％内无考核费用，偏差在
±
(3％
‑
10％)内执行一档考核费用，偏差在
±
10％以上执行二档考核费用；根据该偏差考核费用规则来进行总购电成本的计算，分五段来计算每段的购电成本和偏差考核费用来构成总购电成本。4.根据权利要求3所述的一种基于机器学习算法的用户中长期交易购电量优化方法，其特征在于：年度合约最优购电量模型如下：式中，E(C
c,t
)为年度合约购电量成本；Q
y,t
为年度合约分解到第t月的购电量；P
y,t
为年度合约分解到第t月的购电价格；Q
d,t
为大用户月用电量预测值，为一非负连续性随机变量，满足区间[a,b]内的均匀分布，该区间[a,b]表示积分的积分区间，a和b分别代表积分下限与积分上限；F(Q
d,t
)为Q
d,t
的分布函数；P
up,t
、P
2up,t
、P
do,t
和P
2do,t
分别为103％
‑
110％、110％以上、90％
‑
97％和97％以下预定电量的偏差考核价格，P
up,t
和P
do,t
取省燃煤机组标杆电价的10％，P
2up,t
和P
2do,t
取省燃煤机组标杆电价的20％。5.根据权利要求3所述的一种基于机器学习算法的用户中长期交易购电量优化方法，其特征在于：年度总最优购电量模型如下：
式中，E(C
m,t
)为年度...

【专利技术属性】
技术研发人员：付蓉，陈金辉，张哲，季娟，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：