北极星

搜索历史清空

  • 水处理
您的位置:电力配售电能源服务技术正文

深度文章|泛在电力物联网环境下综合能源型售电公司参与电力市场竞争的报价策略研究

2019-12-19 15:37来源:电网技术关键词:泛在电力物联网售电公司电力市场收藏点赞

投稿

我要投稿

20.png

31.png

32.png

5 算例分析

本文选择电力市场发展较成熟的美国 PJM 市场的相关数据做算例验证。为体现泛在电力物联网大数据特性的影响,本文选取 2016 年 8 月 28 日—2016 年 10 月 15 日的 48 节点和 96 节点 2 组历史电价数据 ( 量纲为 $) , 2010 年 1 月 1 日— 2016 年 10 月15 日 48 节点和 96 节点 2 组历史负荷数据 ( 量纲为MW) ,以及 2013 年 1 月 1 日— 2016 年 10 月 22 日气象因素数据 ( 日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量 ) 为样本,使用Matlab2014a 编程实现算例求解。

5.1 短期负荷预测

根据第 2 节的模型和方法可得到 2016 年 10 月16 — 22 日计及气象因素影响的负荷值。将依托泛在物联网数据平台前后的负荷预测曲线,即 48 节点的负荷预测曲线和 96 节点的负荷预测曲线与预测输入平均值进行对比,对应曲线见图 4 。此外,MAPE 和 MSE 的对比分析见表 1 。

33.png

如图 4 所示,依托泛在物联网数据平台前后的预测曲线,从某些细节 ( 如图 4 的时段 1~100 和时段300~400) 可见,通过泛在物联网提供的更准确数据,预测曲线会更贴近预测输入均值。且表 1 显示,利用泛在数据的 MAPE 和 MSE 值比传统数据情况下整体更小,因此证明了计及气象因素可在一定程度上提高短期负荷预测精度。

34.png

5.2 短期电价预测

待聚类的样本中的特性指标包括历史日的同一预测点电价,同一预测点负荷,市场参与者数量,发电燃料成本和气象类型值,以及 10 月 16 日待预测日的各预测点负荷,市场参与者数量,发电燃料成本和气象类型值。考虑泛在电力物联网大数据支持前后,待聚类的每个样本中的特性指标从 9 个变为 29 个。通过对样本集进行模糊聚类,分别选取7 类和 27 类与 16 日欧式距离最短的类别作为 2 个神经网络的输入样本。最大迭代次数为 3000 次,交叉概率 P c =0.9 ,变异概率 P m =0.001 。

利用 2 个神经网络分别对 10 月 16 日 48 个点进行实时电价预测。图 5 为经过利用泛在数据前后的出清电价预测值和真实电价值的三维对比图。图 6为三者对比的平面图,即图 5 的正视图。

35.png

根据图 6 结合计算结果可见,利用泛在电力物联网数据得到的 GA-BP 神经网络预测值与真实值的 MAPE 为 3.42%~4.45% ,常规的电价预测值与真实值的 MAPE 为 7.76%~10.12% 。可知依托泛在电力物联网的大数据平台可以更加准确的对电价进行预测,为售电公司报价提供更精确的指导。

原标题:泛在电力物联网环境下综合能源型售电公司 参与电力市场竞争的报价策略研究
投稿与新闻线索:陈女士 微信/手机:13693626116 邮箱:chenchen#bjxmail.com(请将#改成@)

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。

泛在电力物联网查看更多>售电公司查看更多>电力市场查看更多>