基于马尔可夫决策链的电力市场实时电价优化方法

摘要

本发明涉及电价优化技术领域，具体涉及基于马尔可夫决策链的电力市场实时电价优化方法，包括以下步骤：S1：通过马尔科夫链建立有限阶段实时电价模型；S2：建立所有工业园区用户和供电商在时段t内的总报酬值；S3：工业园区用户与供电商所代表的需求侧和供应侧效用之和最大化的实时电价优化模型，并采用粒子群法进行优化。本发明通过马尔科夫链决策过程对这种双向影响以及用户用电状态的转移性进行描述，形成工业园区用户的用电特征；考虑用户用电和供电商供电的前后关联性，以社会福利最大化为目标建立数学模型，最后利用粒子群算法对马尔可夫链建立的模型进行求解，得出实时电价的策略优势。

说明书

技术领域

本发明涉及电价优化技术领域，具体涉及基于马尔可夫决策链的电力市场实时电价优化方法。

背景技术

近几年来国内外一些学者对实时电价进行了大量研究，在上网电价、输电定价和辅助服务定价等方面进行了大量研究。求解实时电价定价问题主要围绕以供电商供电成本最小、用户总效用最大为目标的社会福利最大化模型，从全社会角度来看，社会福利最大化模型能充分调动用户参与电力运行的积极性.很多学者所提出的实时电价模型基础上，考虑不同情况得到了一些扩展形式.将原有的优化模型中的二次效用函数替换为对数效用函数，利用对偶次梯度算法进行求解。G.Asadi,M.Gitizadeh and A.Roosta,"Welfaremaximization under real-time pricing in smart grid using PSO algorithm,"考虑了相同供应商对应不同需求侧类型的情况，需求侧分为商业用户和居民用户，不同类型用户的电价不同；L.P.Qian,Y.J.A.Zhang,J.Huang and Y.Wu,"Demand ResponseManagement via Real-Time Electricity Price Control in Smart Grids,"加入常用家具电器的影响，考虑多阶段的社会福利最大化模型。

上述提到的研究大多忽略了用户用电以及供电商供电的前后关联性实时电价的优势没有被完美展现，也都没有给出应用于工业园区的技术方案。

发明内容

为了解决上述问题，本发明提供了基于马尔可夫决策链的电力市场实时电价优化方法，具体技术方案如下：

基于马尔可夫决策链的电力市场实时电价优化方法，包括以下步骤：

S1：通过马尔科夫链建立有限阶段实时电价模型；

S2：计算所有工业园区用户和供电商在时段t内的总报酬值；

S3：建立工业园区用户与供电商所代表的需求侧和供应侧效用之和最大化的实时电价优化模型，并采用粒子群法进行优化，得到最优的实时电价。

优选地，所述步骤S1中用马尔可夫决策链过程表示如下：

{T,S

其中各符号定义如下：T为决策时段，即一天中的决策时段：

T＝{1,2,3,4,…,N},N＜∝； (2)

S

S

R

R

p

这里是一组s*r的矩阵，其中P

优选地，所述步骤S2中总报酬值设为F

采用工业园区用户的用电效用减去发电成本作为总报酬值，具体如下：

其中，U(ω

优选地，所述U(ω

优选地，发电成本C

C

其中，a

优选地，对于T≥0，策略电价R

其中，V

优选地，所述实时电价优化模型，目标函数如下：

L

优选地，所述粒子群算法中粒子位置转移公式为：

R

式中，k是迭代次数，R

V

上式是粒子转移速度更新公式，R

本发明的有益效果为：本发明通过马尔科夫链决策过程对这种双向影响以及用户用电状态的转移性进行描述，形成工业园区用户的用电特征；考虑用户用电和供电商供电的前后关联性，以社会福利最大化为目标建立数学模型，最后利用粒子群算法对马尔可夫链建立的模型进行求解，得出实时电价的策略优势。本发明得到最优的实时电价，可以指导售电方进行实时电价定价。

附图说明

图1为本发明中粒子算法的流程示意图；

图2为各时段的用电总负荷图；

图3为各时段的需求侧与供应侧的总效用值曲线图；

图4为24h的各时段的最优分段电价无线图；

图5为不同电价时各时段的需求侧负荷变化；

图6为固定电价下和实时电价下各时段社会福利值；

图7为不同电价状态下用户用电成本对比图。

具体实施方式

为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：

基于马尔可夫决策链的电力市场实时电价优化方法，包括以下步骤：

S1：通过马尔科夫链建立有限阶段实时电价模型；用马尔可夫决策链过程表示如下：

{T,S

其中各符号定义如下：T为决策时段，即一天中的决策时段：

T＝{1,2,3,4,…,N},N＜∝； (2)

S

S

R

R

p

这里是一组s*r的矩阵，其中P

S2：计算所有工业园区用户和供电商在时段t内的总报酬值；总报酬值设为 F

采用工业园区用户的用电效用减去发电成本作为总报酬值，具体如下：

其中，U(ω

所述U(ω

发电成本C

C

其中，a

对于T≥0，策略电价R

其中，V

实时电价优化模型，目标函数如下：

L

所述粒子群算法中粒子位置转移公式为：

R

式中，k是迭代次数，R

V

上式是粒子转移速度更新公式，R

决策周期为一天中的24个小时，即T＝{1,2,…,24}，工业园区用户用电状态即每小时可能的用电负荷为S

其中，r

其他参数取值为：购电愿望ω

表1工业园区用户负荷需求量

图2给出了各时段的用电总负荷，可以看出在总用电负荷中，除个别时段负荷极小外，其他时段都较为平稳波动，并未出现极峰用电量。

图3给出了各时段的需求侧与供应侧的总效用值，可以看出各时段的总社会福利值波动规律与用电总负荷波动规律基本一致。图4给出了24h的各时段的最优分段电价，可以看出，电价主要是在1.5～3.2元之间波动，平均电价是在2.3元，处于合理变化区，并未出现极端的价位。

针对最优电价的效果，对固定电价下的用电负荷和用电效用进行了数值模拟，固定电价分别采用0.5元、1.5元、2元、3元电价进行24小时模拟仿真得出不同时间段时不同电价对需求侧用电量的影响，如图5。同时将不同电价环境下造成的供应侧与需求侧的社会福利之和的比较结果呈在图6。

图5中是不同电价时各时段的需求侧负荷变化，可以看出实时电价的用电量处于中间水平，并在最高电价和最低电价中间进行波动，反映出实时电价会对用户侧的负荷具有积极影响，有利于实现错峰用电、削峰填谷。图6为固定电价下和实时电价下各时段社会福利值，可以看出实时电价情况下各时段用电总效用远高于其他五种固定电价，这也从另一方面说明了实时电价可以得到优化电价，有助于实现社会福利最大化，可以帮助工业园区用户侧和供电商相关利益得到最大化。

对于售电商而言，通过实时电价和典型工业园区负荷在24小时分布的情况，实时电价可以很好的改善负荷用电成本，实现利益最大化。(假设售电商的购电成本为定值)，如图7所示，以实时电价和2元电价对用户用电成本进行分析对比，根据实验数据，83.3％的情况下实时电价相对于2元电价可以大幅度降低用户的用电成本。

本发明中马尔可夫决策链过程建立的有限阶段实时电价模型可以有效应对每个工业园区用户用电行为，可以实现最优实时电价达到需求侧和供应侧总效用最大化的目标。采用粒子群算法对本文的电价优化模型进行求解得出实时电价可以引导用户合理用电、错峰用电。站在售电商的角度，将2元电价与实时电价的用户用电成本进行对比分析，实时电价可以有效降低用户的用电成本，将售电商的利益达到最大化。

为有效应对每个工业园区用户用电行为差异，本发明利用马尔可夫决策链过程建立了有限阶段实时电价模型，以使得最优实时电价达到需求侧和供应侧总效用最大化的目标。因目标函数是一非连续性函数，传统优化算法不易求解，故采用了粒子群算法对本文优化模型进行求解，并在之后进行了相应的数值模拟仿真试验，并将其与固定电价进行了结果比较。

综上所述，本文所提出的实时定价机制在工业园区用户错峰用电、避开用电高峰期的同时，在保障供电最大利益的情况下还可以保证自己的用电成本降低，使得社会福利最大化。

本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。