电力市场环境下负荷零售商的最优购电方法

摘要

本发明公开了一种电力市场环境下负荷零售商的最优购电方法，包括以下步骤：售商采集所辖用户的每日96点历史负荷数据；基于时间维度选取各用户一年的负荷数据为特征向量进行聚类分析，将负荷分为典型的几类；根据聚类分析结果抽取各用户的每月典型负荷曲线；考虑不同用户的负荷特性在时序上的互补性，建立负荷优化聚合模型，通过优化购电方案，使得零售商经济效益最佳。本发明对电力市场下零售商的购电行为进行优化建模，为电力市场的运行提供了科学理论支持，充分发挥了其运行效率。

说明书

技术领域

本发明涉及电力系统控制领域，具体涉及一种电力市场环境下负荷零售商的最优购 电方法。

背景技术

为了更合理地配置资源，提高资源利用率，促进电力工业与社会、经济、环境的协 调发展，目前，许多国家的电力工业都在进行打破垄断、解除管制、引入竞争、建立电 力市场的电力体制改革。在我国，电力工业快速发展的同时，电力体制改革也逐步深入， 在发电领域已经逐步引入了竞争机制，即各发电公司按电价竞争上网的市场机制，即形 成了初步的电力市场化。

而随着改革的推进，售电侧也将逐步放开，引入竞争。在竞争性电力市场中，由于 交易费用的存在，大多数中小用户会向零售商购电，由零售商代表他们在批发市场上购 电。零售商通过与发电企业签订远期合同来保障用户大部分用电需求，不足部分在现货 市场进行购买。

另一方面，由于用户生产班制、设备启停时间等原因，用户的日负荷曲线总是波动 的，而不同用户间的负荷可能存在时序上的互补性，这种互补性有可能使不同用户的负 荷曲线相叠加后的负荷最大值要远小于这几个用户的最大负荷直接相加的结果。

发明内容

发明目的：为了解决现有技术的不足，本发明提供一种电力市场环境下负荷零售商 的最优购电方法，基于用户负荷特性的互补性对用户进行合理聚合，使每个聚合单元都 具有较大的负荷率，解决了现有技术的问题。

技术方案:电力市场环境下负荷零售商的最优购电方法，其特征在于：该方法包括 以下步骤：

1)零售商采集所辖用户的每日96点历史负荷数据；

2)数据预处理，剔除非正常数据；

3)基于时间维度选取各用户一年中每月的负荷数据为特征向量，将各月负荷分别 分类；

4)根据聚类分析结果，抽取各用户的每月典型负荷曲线：

$\left(\begin{array}{cc}{P}_{\mathrm{ijt}}=P_{\mathrm{ag},\mathrm{ikt}},\mathrm{if}& N_{\mathrm{ijk}}=\underset{k}{\max }\left(N_{\mathrm{ijk}}\right)\end{array}\right)---\left(1\right)$

式中：

P_ijt为用户i在月份j的典型负荷曲线；

P_ag,ikt为用户i的第k类聚类结果；

N_ijk为用户i在j月份属于第k类的天数；

5)考虑不同用户的负荷特性在时序上的互补性，确定m组用户负荷中每组成员的 构成，建立基于长期合同的负荷优化聚合模型：

$\max \underset{m}{\Sigma }\frac{\underset{t}{\Sigma }\underset{i}{\Sigma }{P}_{\mathrm{ijt}}{x}_{\mathrm{ijm}}/96}{\underset{t}{\max }\left(\underset{i}{\Sigma }{P}_{\mathrm{ijt}}{x}_{\mathrm{ijm}}\right)}---\left(2\right)$

$P_{\mathrm{sum},\mathrm{jmt}}=\underset{i}{\Sigma }{P}_{\mathrm{ijt}}{x}_{\mathrm{ijm}}---\left(3\right)$

$P_{\mathrm{pur},\mathrm{jm}}=\frac{1}{96}\underset{t=1}{\overset{96}{\Sigma }}{P}_{\mathrm{sum},\mathrm{jmt}}---\left(4\right)$

s.t P_pur,jm≥S_min   (5)

式中：

目标函数(2)为最大化m组用户的总负荷率，t为一天中每15分钟一个点的时刻 计时，总计96个时刻；

x_ijm为0-1优化变量，表示用户i的j月份负荷属于第m组；

P_sum,jmt为j月份第m组负荷曲线；

P_pur,jm为j月份第m组负荷的购电计划；

S_min为购电合同的购电下限值。

进一步的，所述步骤2)中数据预处理包括以下步骤：

2.1)认为短时间即相隔15min内的连续3个数据相对稳定，没有突变，结合统计 学原理，利用样本统计指标与设定阈值判断是否有非正常数据：

将某负荷点附近连续5个数据平均化，形成平滑后的负荷序列：

$x_{i,n,t}^{*}=\frac{1}{5}\underset{p=-2}{\overset{2}{\Sigma }}{x}_{i,n,t+p}---\left(6\right)$

式中：

x_i，n，t为用户i第n日t时刻的原始负荷数据；

为用户i第n日t时刻经平滑后的负荷数据；

2.2)如果原始数据与平滑后数据的误差满足则用户i第n日t 时刻的负荷数据x_i，n，t为非正常数据，其中δ为阈值，通常取0.08～0.15；

2.3)对非常数据进行如下修正：

$x_{i,n,t}^{,}=\frac{\alpha }{2}(x_{i,n,t-1}+x_{i,n,t+1})+\frac{\beta }{2}(x_{i,n,t-2}+x_{i,n,t+2})---\left(7\right)$

式中，x’_i,n,t为用户i第n日t时刻经修正后的负荷数据；α、β为自定义权值且 α+β＝1。

进一步的，所述步骤3)中对用户进行聚类分析包括以下步骤：

3.1)使用最短距离法、最长距离法、重心法、类平均法、离差平方和法和加权平 均法等不同距离计算方法进行系统聚类，得到每种方法下的聚类树及聚类中心；

各种方法的类间距离计算方法为：

最短距离法:D_KL＝min{d_ij:y_i∈G_k,y_j∈G_L}   (8)

最长距离法：D_KL＝max{d_ij:y_i∈G_k,y_j∈G_L}   (9)

重心法：$D_{\mathrm{KL}}^2=[d(\overline{y_K},\overline{y_L}){]}^2={(\overline{y_K}-\overline{y_L})}^{\prime }(\overline{y_K}-\overline{y_L})---\left(10\right)$

类平均法：$D_{\mathrm{KL}}^2=\frac{1}{n_K{n}_L}\underset{x_i\in G_k,x_j\in G_L}{\Sigma }{d}_{\mathrm{ij}}---\left(11\right)$

离差平方和法：$D_{\mathrm{KL}}^2=\frac{n_K{n}_L}{n_K+n_L}{(\overline{y_K}-\overline{y_L})}^{\prime }(\overline{y_K}-\overline{y_L})---\left(12\right)$

式中：

y_i为类中的元素，对应着每个用户每一天的96点负荷数据序列；

D_KL为类G_k与类G_L之间的距离；

d_ij为元素y_i与y_j间的距离；

和为类G_k与类G_L的重心；$\overline{y_k}=\frac{1}{n_k}\underset{i=1}{\overset{n_k}{\Sigma }}{y}_i,\overline{y_L}=\frac{1}{n_L}\underset{i=1}{\overset{n_L}{\Sigma }}{y}_i;$

n_K和n_L为类G_k与类G_L的元素个数；

3.2)计算每种系统聚类方法下的相关系数，选取聚类相关系数最大的方法得到聚 类中心作为下一步模糊C均值聚类的原始聚类中心；

3.3)采用模糊C均值聚类法进行第二次聚类：

3.3.1)根据聚类中心(第一次迭代中使用的是系统聚类方法获得的初始聚类中心， 后面的迭代过程使用的是更新的聚类中心)，由下式确定隶属度矩阵：

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\Sigma }}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{2/(q-1)}}---\left(13\right)$

d_ij＝||c_i-y_i||   (14)

式中，

u_ij为介于0，1之间，表示数据样本y_j关于第i类的隶属度；

c为聚类类数；

q为加权指数，q∈[1,∞)；

d_ij与y_j与第i类聚类中心c_i之间的距离，使用欧式距离：

$d_{\mathrm{ij}}=\left|\right|c_i-y_i\left|\right|=[\underset{t=1}{\overset{96}{\Sigma }}{(c_{\mathrm{it}}-y_{\mathrm{it}})}^2{]}^{1/2}---\left(15\right)$

式中，

c_it为聚类中心c_i的第t个数据点；y_it为数据样本y_j的第t个数据点；

3.3.2)计算价值函数：

$J(U,c_1,c_2,......,c_c)=\underset{i=1}{\overset{c}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^q{d}_{\mathrm{ij}}^2---\left(16\right)$

如果其值小于某个阀值或其相对于上一次迭代中价值函数值的该变量小于某个阀 值，则停止迭代；

3.3.2)计算新的聚类中心返回步骤3.3.1)。

进一步的，所述步骤5)中优化变量为x_ijm，是对用户进行优化分组，零售商对每组 负荷单独进行购电；约束条件为每份购电合同的购电量大于某一限制；所形成的优化购 电方案每月变化一次，一月中每天的购电量固定。，是对用户进行优化分组，零售商对 每组负荷单独进行购电；约束条件为每份购电合同的购电量大于某一限制；所形成的优 化购电方案每月变化一次，一月中每天的购电量固定。

有益效果：

本发明提供了一种电力市场环境下负荷零售商的最优购电方法，其优点是对于所辖 用户基于时间尺度进行聚类，并充分考虑用户的多样化用电行为抽取出每月的典型负荷 曲线，在此基础上对用户进行合理聚合，以聚合负荷为主体考虑其与售电方的远期购电 合同，聚合的依据为各组的综合负荷负荷率最大，从而保证零售商的经济效益最佳。为 电力市场运行提供科学理论支持。

附图说明

图1为本发明方法的总流程图

图2为系统聚类法流程图

具体实施方式

下面结合附图对本发明做更进一步的解释。如图1所示，一种电力市场环境下负荷 零售商的最优购电方法，包括以下步骤：

步骤1)零售商采集所辖用户的每日96点历史负荷数据；

步骤2)数据预处理，剔除非正常数据；预处理步骤具体为：

2.1)认为短时间即相隔15min内的连续3个数据相对稳定，没有突变，结合统计 学原理，利用样本统计指标与设定阈值判断是否有非正常数据：

将某负荷点附近连续5个数据平均化，形成平滑后的负荷序列：

$x_{i,n,t}^{*}=\frac{1}{5}\underset{p=-2}{\overset{2}{\Sigma }}{x}_{i,n,t+p}---\left(6\right)$

式中：

x_i，n，t为用户i第n日t时刻的原始负荷数据；

为用户i第n日t时刻经平滑后的负荷数据；

2.2)如果原始数据与平滑后数据的误差满足则用户i第n日t 时刻的负荷数据x_i，n，t为非正常数据，其中δ为阈值，通常取0.08～0.15；

2.3)对非常数据进行如下修正：

$x_{i,n,t}^{,}=\frac{\alpha }{2}(x_{i,n,t-1}+x_{i,n,t+1})+\frac{\beta }{2}(x_{i,n,t-2}+x_{i,n,t+2})---\left(7\right)$

式中，x’_i,n,t为用户i第n日t时刻经修正后的负荷数据；α、β为自定义权值且 α+β＝1。

步骤3)基于时间维度选取各用户一年中每月的负荷数据为特征向量，将各月负荷 分别分类；对用户进行聚类分析具体包括以下步骤：

3.1)使用最短距离法、最长距离法、重心法、类平均法、离差平方和法和加权平 均法等不同距离计算方法进行系统聚类，得到每种方法下的聚类树及聚类中心；

各种方法的类间距离计算方法为：

最短距离法:D_KL＝min{d_ij:y_i∈G_k,y_j∈G_L}   (8)

最长距离法：D_KL＝max{d_ij:y_i∈G_k,y_j∈G_L}   (9)

重心法：$D_{\mathrm{KL}}^2=[d(\overline{y_K},\overline{y_L}){]}^2={(\overline{y_K}-\overline{y_L})}^{\prime }(\overline{y_K}-\overline{y_L})---\left(10\right)$

类平均法：$D_{\mathrm{KL}}^2=\frac{1}{n_K{n}_L}\underset{x_i\in G_k,x_j\in G_L}{\Sigma }{d}_{\mathrm{ij}}---\left(11\right)$

离差平方和法：$D_{\mathrm{KL}}^2=\frac{n_K{n}_L}{n_K+n_L}{(\overline{y_K}-\overline{y_L})}^{\prime }(\overline{y_K}-\overline{y_L})---\left(12\right)$

式中：

y_i为类中的元素，对应着每个用户每一天的96点负荷数据序列；

D_KL为类G_k与类G_L之间的距离；

d_ij为元素y_i与y_j间的距离；

和为类G_k与类G_L的重心；$\overline{y_k}=\frac{1}{n_k}\underset{i=1}{\overset{n_k}{\Sigma }}{y}_i,\overline{y_L}=\frac{1}{n_L}\underset{i=1}{\overset{n_L}{\Sigma }}{y}_i;$

n_K和n_L为类G_k与类G_L的元素个数；

系统聚类法过程如图2所示，

3.2)计算每种系统聚类方法下的相关系数，选取聚类相关系数最大的方法得到聚 类中心作为下一步模糊C均值聚类的原始聚类中心；

3.3)采用模糊C均值聚类法进行第二次聚类：

3.3.1)根据聚类中心(第一次迭代中使用的是系统聚类方法获得的初始聚类中心， 后面的迭代过程使用的是更新的聚类中心)，由下式确定隶属度矩阵：

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\Sigma }}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{2/(q-1)}}---\left(13\right)$

d_ij＝||c_i-y_i||   (14)

式中，

u_ij为介于0，1之间，表示数据样本y_j关于第i类的隶属度；

c为聚类类数；

q为加权指数，q∈[1,∞)；

d_ij与y_j与第i类聚类中心c_i之间的距离，使用欧式距离：

$d_{\mathrm{ij}}=\left|\right|c_i-y_i\left|\right|=[\underset{t=1}{\overset{96}{\Sigma }}{(c_{\mathrm{it}}-y_{\mathrm{it}})}^2{]}^{1/2}---\left(15\right)$

式中，

c_it为聚类中心c_i的第t个数据点；y_it为数据样本y_j的第t个数据点；

3.3.2)计算价值函数：

$J(U,c_1,c_2,......,c_c)=\underset{i=1}{\overset{c}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^q{d}_{\mathrm{ij}}^2---\left(16\right)$

如果其值小于某个阀值或其相对于上一次迭代中价值函数值的该变量小于某个阀 值，则停止迭代；

3.3.2)计算新的聚类中心返回步骤3.3.1)。

步骤4)根据聚类分析结果，抽取各用户的每月典型负荷曲线：

$\left(\begin{array}{cc}{P}_{\mathrm{ijt}}=P_{\mathrm{ag},\mathrm{ikt}},\mathrm{if}& N_{\mathrm{ijk}}=\underset{k}{\max }\left(N_{\mathrm{ijk}}\right)\end{array}\right)---\left(1\right)$

式中：

P_ijt为用户i在月份j的典型负荷曲线；

P_ag,ikt为用户i的第k类聚类结果；

N_ijk为用户i在j月份属于第k类的天数；

5)考虑不同用户的负荷特性在时序上的互补性，确定m组用户负荷中每组成员的 构成，建立基于长期合同的负荷优化聚合模型：

$\max \underset{m}{\Sigma }\frac{\underset{t}{\Sigma }\underset{i}{\Sigma }{P}_{\mathrm{ijt}}{x}_{\mathrm{ijm}}/96}{\underset{t}{\max }\left(\underset{i}{\Sigma }{P}_{\mathrm{ijt}}{x}_{\mathrm{ijm}}\right)}---\left(2\right)$

$P_{\mathrm{sum},\mathrm{jmt}}=\underset{i}{\Sigma }{P}_{\mathrm{ijt}}{x}_{\mathrm{ijm}}---\left(3\right)$

$P_{\mathrm{pur},\mathrm{jm}}=\frac{1}{96}\underset{t=1}{\overset{96}{\Sigma }}{P}_{\mathrm{sum},\mathrm{jmt}}---\left(4\right)$

s.t P_pur,jm≥S_min   (5)

式中：

目标函数(2)为最大化m组用户的总负荷率，t为一天中每15分钟一个点的时刻 计时，总计96个时刻；

x_ijm为0-1优化变量，表示用户i的j月份负荷属于第m组；

P_sum,jmt为j月份第m组负荷曲线；

P_pur,jm为j月份第m组负荷的购电计划；

S_min为购电合同的购电下限值。

其中优化变量为x_ijm，是对用户进行优化分组，保证每组的负荷率都较大，零售商 对每组负荷单独进行购电；约束条件为每份购电合同的购电量大于某一限制；所形成的 优化购电方案每月变化一次，一月中每天的购电量固定。

以上所述仅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 应视为本发明的保护范围。