【技术实现步骤摘要】
本专利技术涉及虚拟电厂，具体是一种基于虚拟电厂的分布式能源定价方法。
技术介绍
1、电力市场的经营和运行环境在最近几年里发生了巨大的改变。一方面，全球变暖和环保要求的提高，催生了对清洁能源，尤其是分布式能源的需求。另一方面，信息技术的进步，包括云计算、物联网技术和大数据分析，对电力行业提出了数据驱动的新型运营模式。在这样的背景下，电力市场的结构和模式也随之变化。以往固定的、由少数大型电力生产厂家主导的供电模式，已经逐渐被分布式的、清洁的、效率高的新型供电模式所替代。同时，由于需求端的多元化和个性化，电力市场的运营模式也由以往的“供大于求”的单一模式，转变为“供需平衡”的复杂模式。
2、在这种复杂的环境下，供电需求的不确定性、多元性和波动性，使得供电量的预测变得复杂和困难。而电力价格由于其与供电量的关系，并不是一个固定的，而是随着市场情况变化的动态值。而用户侧的需求也日渐多元化和个体化，使得电力市场的运营更加复杂和挑战性。因此，亟需构建一种基于数据驱动的、能准确预测供电量和合理定价的技术方案，以满足供需双方的诉求。
技术实现思路
1、为解决上述
技术介绍
中存在的问题，本专利技术采用以下技术方案：
2、一种基于虚拟电厂的分布式能源定价方法，包括步骤：
3、根据各分布式能源站点的历史供电数据构建供电预测模型；所述历史供电数据包括供电设备数据、环境数据和产电量数据；
4、将实时采集的当前供电设备数据、环境数据和天气预报数据经过数据平滑处理后输入
5、获取各分布式能源站点的成本函数，并根据所述各分布式能源站点的成本函数和最大产电量构建供电商总成本函数；
6、基于所述供电商总成本函数和用户效用函数构建主从博弈模型，对所述主从博弈模型进行求解得到供电商与用户侧的利益均衡点，基于所述利益均衡点进行定价。
7、作为本申请优选方案，所述供电设备数据包括设备类型、运行状态和输出功率；所述环境数据包括各分布式能源站点的温度、湿度、风速和日照强度。
8、作为本申请优选方案，所述构建供电预测模型，包括步骤：
9、收集各分布式能源站点的历史供电数据；
10、对所述历史供电数据进行数据清洗和数据转换，通过相关性分析筛选与产电量数据相关性最大的环境数据和供电设备数据，然后对筛选后的环境数据和供电设备数据进行数据平滑处理；
11、通过历史供电数据对神经网络进行训练，并通过测试集评估模型的预测性能。
12、作为本申请优选方案，所述数据平滑处理包括步骤：
13、分析数据的周期性时间序列特性，根据对先验知识和分析结果设定季节性数据周期；
14、根据季节性数据周期设定指数平滑算法的初始参数，将数据代入指数平滑算法计算得到数据预测值。
15、作为本申请优选方案，所述指数平滑算法为三次指数平滑算法，表示为：
16、st＝α*(yt-it-l)+(1-α)*(st-1+tt-1)，
17、tt＝β*(st-st-1)+(1-β)*tt-1，
18、it＝γ*(yt-st)+(1-γ)*it-l，
19、ft+h＝st+h*tt+it-l+(h mod l)，
20、其中，st为当前时刻的数据估计值，yt为当前时刻的数据观察值，l表示季节性数据周期，it-l为一个季节性数据周期之前的季节性指数，tt-1为上一时刻的趋势指数，α为水平平滑参数；tt为当前时刻的趋势指数，β为趋势平滑参数；it为当前时刻的季节性指数，γ为季节性平滑参数；it-l+(h mod l)为时刻t+h的季节性指数，ft+h为时刻t+h的数据预测值。
21、作为本申请优选方案，所述供电预测模型为lstm模型；所述lstm模型包括遗忘门、输入门、输出门和单元状态。
22、作为本申请优选方案，所述根据所述各分布式能源站点的成本函数和最大产电量构建供电商总成本函数，具体包括步骤：
23、获取各分布式能源站点的固定供电量，并设定最大产电量与固定供电量的差值为最大可调供电量；
24、根据固定供电量和成本函数计算总固定成本，根据总固定成本、最大可调供电量和成本函数构建供电商总成本函数。
25、作为本申请优选方案，所述供电商总成本函数表示为：
26、
27、0≤li,r≤li,max,
28、其中，ct表示总成本函数，n表示可选能源站点的个数；ci()表示第i能源站点的成本函数，li,f表示第i能源站点的固定供电量，li,r表示第i能源站点可调部分的供电量；li,max表示第i能源站点的最大可调供电量；
29、所述第i能源站点的成本函数为二次函数，表示为：
30、ci(li)＝aili2+bili+di,
31、li＝li,f+li,r,
32、其中，li表示第i能源站点的总供电量，ai、bi和di为第i能源站点预定的成本函数参数，ai,bi,di≥0。
33、作为本申请优选方案，所述用户效用函数采用二次函数，具体表示为：
34、
35、其中，l表示总供电量，μ表示预设的一次项满意度参数，∈表示预设的二次项满意度参数，∈＞0；表示用电量需求上限。
36、作为本申请优选方案，所述主从博弈模型的主体为供电商，从体为用户侧；所述供电商以最小化总成本为目标函数，所述用户侧以最大化用户效用为目标函数；所述主从博弈模型表示为：
37、
38、其中，lmin表示用户需求供电量的最小值，lmax表示用户需求供电量的最大值。
39、与现有技术相比，本专利技术具有如下有益效果：
40、本申请通过供电预测模型预测特定时段各分布式能源站点的最大产电量，使得在构建供电商总成本函数时，能准确地反映出各分布式能源站点的真实成本情况，从而在进一步通过构建主从博弈模型进行求解定价结果时，能获得更准确的定价结果，并且有助于提高市场效率，促进供需平衡；
41、本申请实施例通过指数平滑算法对原始的供电数据进行处理，可以有效地捕获数据中的水平成分、趋势成分以及季节成分，以将原始的供电量数据转变成了更具有规律性的数据序列，使得处理后的数据更加平稳，更利于lstm模型学习数据中的规律性；lstm模型则用于执行预测工作，利用其特有的长序列处理能力，进一步从数据中提取出丰富的趋势、周期性等信息，提高了产电量数据预测的准确性；
42、本申请实施例通过区分固定供电量和最大可调供电量，将能源站点的电力供应进行细化管理；固定供电量保证了基本的电力需求，在获取固定供电量之后，设定最大产电量与固定供电量的差值为最大可调供电量，将最大可调供电量用于灵活响应电力市场中的需求变化；通过按照变动成本和固定成本来调配供电，在满足电力市场需求的本文档来自技高网...
【技术保护点】
1.一种基于虚拟电厂的分布式能源定价方法，其特征在于：包括步骤：
2.根据权利要求1所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述供电设备数据包括设备类型、运行状态和输出功率；所述环境数据包括各分布式能源站点的温度、湿度、风速和日照强度。
3.根据权利要求1所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述构建供电预测模型，包括步骤：
4.根据权利要求3所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述数据平滑处理包括步骤：
5.根据权利要求4所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述指数平滑算法为三次指数平滑算法，表示为：
6.根据权利要求1所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述供电预测模型为LSTM模型；所述LSTM模型包括遗忘门、输入门、输出门和单元状态。
7.根据权利要求1所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述根据所述各分布式能源站点的成本函数和最大产电量构建供电商总成本函数，具体包括步骤：
8.根据权利要求7所述的基
9.根据权利要求8所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述用户效用函数采用二次函数，具体表示为：
10.根据权利要求9所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述主从博弈模型的主体为供电商，从体为用户侧；所述供电商以最小化总成本为目标函数，所述用户侧以最大化用户效用为目标函数；所述主从博弈模型表示为：
...【技术特征摘要】
1.一种基于虚拟电厂的分布式能源定价方法，其特征在于：包括步骤：
2.根据权利要求1所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述供电设备数据包括设备类型、运行状态和输出功率；所述环境数据包括各分布式能源站点的温度、湿度、风速和日照强度。
3.根据权利要求1所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述构建供电预测模型，包括步骤：
4.根据权利要求3所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述数据平滑处理包括步骤：
5.根据权利要求4所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述指数平滑算法为三次指数平滑算法，表示为：
6.根据权利要求1所述的基于虚拟电厂的分布式能源定价方法，其特征在于：所述供电预测模...
【专利技术属性】
技术研发人员：肖楚鹏，张海静，许静，王奎，胡文博，齐蓓，陆媛，朱亮亮，余梦，李强，李妍，吴书创，
申请(专利权)人：国网电力科学研究院武汉能效测评有限公司，
类型：发明
国别省市：
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。