【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。