您的位置:      首页  /  售电  /  售电数据  /  基于粒子群的算法的购电策略建模...
基于粒子群的算法的购电策略建模研究
2019-11-04 09:50:59
摘要:新型售电公司作为电改以来连接发电侧和用户的枢纽,其顺利运作是推动电改的重要一环。就当前而言,通过优化购电策略达到降低成本,做大价差是售电公司提升利润的重要手段。

(四川通威绿能电力有限公司,610093 成都 )

(Sichuan Tongwei Green Energy Power Co., Ltd.  610093  Chengdu)

     摘要:新型售电公司作为电改以来连接发电侧和用户的枢纽,其顺利运作是推动电改的重要一环。就当前而言,通过优化购电策略达到降低成本,做大价差是售电公司提升利润的重要手段。本文结合四川省2019年电力市场交易规则,利用数学建模进行购电策略研究,将决策抽象为带有约束条件的最优问题。利用粒子群算法(PSO)求解模型,得到最优购电策略。

     关键词:购电策略 数学建模 粒子群算法 四川交易规则

     The Research on Power Purchase Strategy Based on Particle Swarm Optimization

     Abstract: As a hub for power generation and users, the new power sales company is an important part of promoting electric power reform. As far as the current situation is concerned, optimizing the power purchase strategy to reducing costs and make large price differences is an important means for power companies to increase profits. This paper combines the power market trading rules of Sichuan Province in 2019 and uses mathematical modeling to study power purchase strategy. We abstracte decisions as optimal problems with constraints. Using the algorithm of particle swarm optimization, the optimal power purchasing strategy is obtained.

     Keywords: power purchase strategy, mathematical modeling, particle swarm optimization, trading rules of Sichuan

     0.背景简介

     自国务院2015年3月15日9号文发布以来,全国以9号文为指导[1],深化供给侧结构性改革,稳健推进电力市场建设。社会资金流向电力行业,诸多售电公司应运而生。对于售电公司而言,购电成本是公司盈利的关键因素。如何制定并执行购电策略,是压缩成本、挖掘利润的关键点。售电公司在确定用户需求量之后,怎样组合年度交易与月周交易(后期将演化为现货交易),是购电策略的核心之一。本文就四川省2019年电力市场常规直购的年度交易与月周交易如何组合,进行数学建模研究,并结合粒子群算法求解出最优的购电策略。

    数建.png

数建2.png

    数建3.png 

数建4.png

     2.算法原理及伪代码

     粒子群算法借鉴群鸟觅食,研究粒子群通过如何变更运动轨迹(运动位置、运动速度)逼近最优位置。其结果通常具有不确定性,因此在第3部分算例中,针对不确定性进行补充,完善求解方法。

     2.1 粒子群算法原理

     在粒子群算法中,存在一群粒子,粒子在属于可行解空间中进行运动。粒子群运动的目标是达到最优解,如在群鸟觅食中,找到食物最多的地点。其运动方向主要参考三个方向,粒子惯性方向、粒子指向自身周围最优位置方向、粒子指向所有粒子中最优位置方向。三个向量参考一定系数进行矢量叠加,便是各粒子方向,各粒子沿着矢量叠加方向运动,最终找出最优解。

数建5.png

数建6.png通1.png

数建7.png    

 

数建8.png

     3.算例演示

     3.1 算例求解

     结合例子群算法,参考购电策略建模,现在给出算例。对于各售电公司而言,年度用电总需求 、价格参数 和 为商业机密,因此本文规避实例研究,算例演示中参考如下原则:1.年度交易市场用户电价参考标杆电价288元/兆瓦时,月周交易电价参考标杆价执行丰(288*0.76)枯(288*1.245)浮动;2.需求量参考发电侧水电企业分月发电能力[9],随机选取若干电厂求和,见表1。

表1 随机选取三家水电企业

单位:兆瓦时

通2.png

     假设某售电企业当前总需求电量为表1合计部分,结合粒子群算法。本文利用R语言进行编程处理,具体代码可见附件。参考下表执行购电策略,可以使得购买成本最小,单价为228.80元/兆瓦时,购电策略见表2。

表2 基于粒子群算法求解的最优购电策略

单位:兆瓦时、元/兆瓦时

通3.png

     3.2 启发式算法不确定性处理

     将实验迭代次数设置为10000,实验多次后,发现迭代次数通常是20次便可以基本完成收敛,也存在极少迭代次数需要60次完成收敛。因此,实验改进参数,设置100次迭代能很好完成收敛,图2为某次求解收敛过程。

 通4.png

图2 粒子群算法求解均价变化过程

     实际在测试过程中,出现局部收敛情况也较为突出,即存在计算结果中采购单价偏离228.80元/兆瓦。以表1数据为基础,对其100次计算结果进行统计,计算结果表明全局收敛次数为77次。令其全局收敛与否为伯努利分布,采用极大释然估计[10]求解:求取全局最优概率为 ,具体计算结果分布图参考图3。

通5.png

图3 计算结果分布

     由于粒子群计算结果不稳定,因此在求解中,建议多次实验取最优。参考全局收敛概率为0.7,建议重复计算次数为10。取10次最优结果中最优值为计算结果,相应得到全局最优解概率为: 。

     4.总结

     本文借助数学工具,以建模作为手段,结合四川省2019年电力市场常规直购交易规则,将购电策略抽象为数学模型,通过建模求解得到最优购电策略。在求解时,基于求解对象多变量及其复杂性考虑,放弃传统的解析解,转向数值解。借助启发式算法——粒子群算法求解模型。文中亦存在不足之处:1、电价参数选取仅参考标杆电价,而没有依据实际情况给出参数。因此,后期研究在此基础上,可将如何选取参数作为研究方向,此处建议结合先验分布和抽样数据进行评估,即售电公司参考专家组评估和历史数据给出相应参数;2、文章视角局限于售电公司,未从发电侧角度思考如何制定售电策略。发电侧制定售电策略与售电公司相反,将文中适应度评价修改:销售均价越高,适应度越高;3、建模过程中,仅考虑单目标的问题,决策未权衡风险-收益,仅以最低成本作为求解方向。因此后期研究可以增加风险目标函数,求解多目标问题。

     [参考文献]

     [1]中共中央国务院关于进一步深化电力体制改革的若干意见[A].中国农机工业协会风能设备分会《风能产业》(2015年第4期)[C].2015.

     [2]关于印发2019年四川电力交易指导意见的通知[Z].四川能源监管办,四川省经济和信息化厅.2019.1

     [3]Thomas H.Cormen,Charles E.Leiserson,Ronald L.Rivest,Clifford Stein.算法导论(第三版)[M].北京:机械工业出版社,2012.12:53-56.

     [4]《运筹学》教材编写组.运筹学(第四版)[M].北京:清华大学出版社,2012.4:531-533

     [5]Eberhart RC,Kennedy J.A new optimizer using particle swarm theory. Proceedings of the Sixth International Symposium on Micro Machine and Human Science[J].IEEE service center,Piseataway,NJ,Nagoya,Japan,1995:39-43

     [6]刘建华. 粒子群算法的基本理论及其改进研究[D].中南大学博士论文,2009:17-19

     [7]吴涛. 粒子群及量子行为粒子群优化算法的改进研究[D].西南交通大学博士论文, 2014:14-16

     [8]潘峰,李位星,高琪.粒子群优化算法与多目标优化[M].北京:北京理工大学出版社

     [9]关于发布水电企业2019年分月发电能力的通知[Z].四川电力交易中心有限公司.2019.2

     [10]盛骤,谢式千,潘承毅. 概率论与数理统计(第四版) [M].北京:高等教育出版社,2008.1:


电力会展
电力企业