一种需求侧响应自学习价格预测方法与流程

1.本发明涉及电改能源交易领域，尤其是涉及一种需求侧响应自学习价格预测方法。


背景技术：

2.需求响应(demand response，简称dr)即电力需求响应的简称，是指当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。
3.申请号为201910993660.7的发明专利申请公开一种基于共享随机优化的需求侧资源定价方法及系统，该方法首先对随机生成的n个场景中的每个场景计算有、无需求响应下的微电网运营成本；再根据有、无需求响应下的微电网运营成本计算微电网运营商的收益，并对n个场景下的收益从大到小进行排序，选取其中保证孤岛型微电网运营商不亏钱收益；从而根据所述不亏钱收益确定需求侧响应价格。但是，该方法存在如下问题：
4.(1)现有技术是从多场景运营成本分析，从大到小的排序，确定需求侧响应价格，收集多个运营场景的成本难度极高，并且各运营商自身情况复杂，运营成本不一。
5.(2)需求侧相应价格的出清机制，不是单一运营成本的分析，涉及到多维度影响价格出清，工作日、非工作日、天气情况、电力供需情况、需求侧响应资金池等因素，现有专利未考虑多种因素。
6.(3)现有技术只考虑了运营商自己的利润最大化运行机制，算法比较单一。
7.公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。


技术实现要素：

8.本发明提出一种需求侧响应自学习价格预测方法，其从多维度需求侧响应价格出清机制，目的得到一个大概率价格区间，一个预测价格值，为更好的为需求侧响应交易制定策略。
9.为了实现上述目的，本发明采用以下技术方案：
10.本发明提供一种需求侧响应自学习价格预测方法，所述预测方法包括如下步骤：
11.s1：首先建立需求侧响应价格区间，并将价格区间划分成n个价格区间：p1，p2，p3,
…
pn；
12.s2：拿取历史价格p
x
，x＝1，2，3，
…
n,这些历史价格会落在建立好的价格区间内，每个价格区间会有落点概率，选取概率最大的区间，在落点最密集的p
x
附近，建立新的价格概率区间：【p
x
,pn】；
13.s3：继续加入历史价格，落点在【p
x
,pn】内直接形成一个大概率py，则新的价格大概率区间为：【p
x
,py】；
14.s4：每次历史价格输入，落点及概率区间都会重新划分，概率区间百分比持续增大，无限接近100％，最终计算一个算数平均值，即预测价格
15.优选地，如果对周末价格进行预测，则拿取周末历史价格作为数据源，如果对工作日价格进行预测，则拿取工作日历史价格作为数据源；按照步骤1到步骤4会得到一个价格大概率区间【p
xz
,p
yz
】，最终计算一个算数平均值z为周一，周二，周三，周四，周五，周六，周日。
16.优选地，在进行价格预测是加入天气影响因素，抽取历史典型日天气温度相同或相近的日期历史价格作为数据源；按照步骤一到步骤四，会得到一个价格大概率区间【p
xr
,p
yr
】，最终计算一个算数平均值】，最终计算一个算数平均值r为天气温度，且相差
±
5℃。
17.优选地，按电力供需关系，给出调整系数k1，供应紧张，k1值越大，反之越小；调整系数k1的计算公式为：
[0018][0019]
其中，q需为需求响应量，p均为平均价格，p
to#
为分时电价，p
rtp
为实时电价，p
cpp
为尖峰电价，q
casp
为容量/辅助服务计划响应量，q
il/dsb
为可中断负荷比需求侧竞价的响应量，q
edr
为紧急需求响应量。
[0020]
优选地，按需求侧响应资金池，给出调整系数k2，资金池越大，k2值越大，反之越小，k2为调度结算调整系数，其范围为：0.8-1.3；最终的预测价格为：
[0021][0022]
采用上述技术方案，本发明具有如下有益效果：
[0023]
本发明从多维度需求侧响应价格出清机制，自学习模型算法，结合全市场因素以价格分布概率区间的方式呈现，预测更准确，更有指导意义。本发明目的得到一个大概率价格区间，一个预测价格值，为更好的为需求侧响应交易制定策略。
附图说明
[0024]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]
图1为本发明的需求侧响应自学习价格预测方法模型图。
具体实施方式
[0026]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施
例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0027]
结合图1所示，本实施例提供一种需求侧响应自学习价格预测方法，所述预测方法包括如下步骤：
[0028]
s1：首先建立需求侧响应价格区间，并将价格区间划分成n个价格区间：p1，p2，p3,
…
pn；
[0029]
s2：拿取历史价格p
x
，x＝1，2，3，
…
n,这些历史价格会落在建立好的价格区间内，每个价格区间会有落点概率，选取概率最大的区间，在落点最密集的p
x
附近，建立新的价格概率区间：【p
x
,pn】；
[0030]
s3：继续加入历史价格，落点在【p
x
,pn】内直接形成一个大概率py，则新的价格大概率区间为：【p
x
,py】；
[0031]
s4：每次历史价格输入，落点及概率区间都会重新划分，概率区间百分比持续增大，无限接近100％，最终计算一个算数平均值，即预测价格
[0032]
本发明中，如果对周末价格进行预测，则拿取周末历史价格作为数据源，如果对工作日价格进行预测，则拿取工作日历史价格作为数据源；按照步骤1到步骤4会得到一个价格大概率区间【p
xz
,p
yz
】，最终计算一个算数平均值z为周一，周二，周三，周四，周五，周六，周日。
[0033]
本发明中，在进行价格预测是加入天气影响因素，抽取历史典型日天气温度相同或相近的日期历史价格作为数据源；按照步骤一到步骤四，会得到一个价格大概率区间【p
xr
,p
yr
】，最终计算一个算数平均值r为天气温度，且相差
±
5℃。
[0034]
本发明中，按电力供需关系，给出调整系数k1，供应紧张，k1值越大，反之越小；调整系数k1的计算公式为：
[0035][0036]
其中，q
需
为需求响应量，p
均
为平均价格，p
to#
为分时电价，p
rtp
为实时电价，p
cpp
为尖峰电价，q
casp
为容量/辅助服务计划响应量，q
il/dsb
为可中断负荷比需求侧竞价的响应量，q
edr
为紧急需求响应量。
[0037]
基于价格的dr是指用户响应零售电价的变化并相应地调整用电需求,包括分时电价(time-of-usepricing，tou)、实时电价(real-timepricing,rtp)、和尖峰电价(criticalpeakpricing，cpp)；基于激励的dr是指dr实施机构通过制定确定性的或者随时间变化的政策,来激励用户在系统可靠性受到影响或者电价较高时及时响应并削减负荷,包括直接负荷控制(directloadcontrol，dlc))、可中断负荷(interruptibleload，il)、需求侧竞价(demandsidebidding，dsb)、紧急需求响应(emergencydemandresponse，edr)和容量/辅助服务计划(capacity/ancillaryserviceprogram，casp)。
[0038]
本发明中，按需求侧响应资金池，给出调整系数k2，资金池越大，k2值越大，反之越小，k2为调度结算调整系数，其范围为：0.8-1.3；最终的预测价格为：
[0039][0040]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。