基于大数据论的互联网+智慧电力营销的优化调度方法与流程

本发明涉及电力系统技术领域，具体地说是一种基于大数据论的互联网+智慧电力营销的优化调度方法。

背景技术：

基于互联网、云计算、大数据等先进信息技术，充分结合国家电力公司电力营销服务、购售电、分布式光伏发电等核心业务，开展关键核心技术的研究与应用工作，突破技术瓶颈，更好地实现电网与用户的互动，提高能效水平，发展壮大“互联网+”新型业态。

利用物联网、云计算、大数据等先进技术，结合电力营销服务、购售电、分布式光伏发电等核心业务，构建新型电力营销形态，选择电改试点省(自治区)开展应用验证，实现绿色电力的点到点交易、实时配送和补贴结算，促进电子商务、互联网金融健康发展，引导电力企业和电力客户拓展市场，发展壮大“互联网+”新型业态，打造新的经济增长点。

技术实现要素：

针对现有技术的不足，本发明提供一种基于大数据论的互联网+智慧电力营销的优化调度方法，克服现有的联网+电力销售方的参与者，如何实现电力客户、电力企业各自的优化目标的问题，解决以往优化电力营销中无法实现多优化主体分别优化的问题。

本发明为实现上述目的所采用的技术方案是：

一种基于大数据论的互联网+智慧电力营销的优化调度方法，包括：

步骤1：建立互联网+智慧电力营销的供能设备模型，并确认供能设备模型的约束条件；

步骤2：根据互联网+智慧电力营销的结构，分析其内部的电力企业和电力客户的优化目标；

步骤3：建立互联网+智慧电力营销的并行大数据模型，对互联网+智慧电力营销进行优化调度。

所述建立互联网+智慧电力营销的供能设备模型包括：建立可调度分布式电源的模型、建立不可调度分布式电源的模型、建立辅助供能设备的模型、建立蓄能设备的模型；其中

所述可调度分布式电源的模型为：

pi,ddg(t)＝δi,ddg·f(qi,gas(t))

其中，pi,ddg(t)是t时刻可调度分布式电源的出力；δi,ddg是可调度分布式电源的开关状态，取值为1和0；qi,gas(t)是t时刻可调度分布式电源消耗的购售电量；f(qi,gas(t))是可调度分布式电源产生的电量与消耗的购售电量的对应关系；

所述不可调度分布式电源的模型包括：包括光伏发电与风力发电，光伏发电与风力发电在t时刻的出力根据历史数据进行预测；

所述辅助供能设备包括供冷设备和供热设备；辅助供能设备的模型为：

pi,au(t)＝g(pi,in(t))

其中，pi,au(t)是t时刻辅助设备的出力；pi,in(t)是t时刻辅助设备的输入；g(pi,in(t))是辅助设备的出力与输入的对应关系；

所述蓄能设备包括蓄电池，蓄冷设备，蓄热槽；蓄能设备的模型为：

其中，δt为t时刻到(t+1)时刻的间隔；ei,esd(t)为在t时刻蓄能设备储存的能量，单位为kwh；pi,esd,in(t)为t时刻的蓄能功率，单位为kw；pi,esd,out(t)为t时刻的放能功率，单位为kw；ηi,esd,in为蓄能效率；ηi,esd,out为放能效率；μi,esd为能量损失系数。

所述确认供能设备模型的约束条件包括：

首先，建立供能设备的约束，然后，建立供能设备的运行机理约束。

所述建立供能设备的约束包括：

建立可调度分布式电源的约束：

pi,ddg,min·δi,ddg≤pi,ddg(t)≤pi,ddg,max·δi,ddg

-ri,ddg,max≤pi,ddg(t+1)-pi,ddg(t)≤ri,ddg,max

其中，pi,ddg,min和pi,ddg,max分别是可调度分布式电源的出力最小值和最大值，ri,ddg,max是可调度分布式电源的出力值变化的最大值；pi，ddg(t+1)是t+1时刻可调度分布式电源的出力；

建立不可调度分布式电源的约束：

考虑到弃风率与弃光率，光伏发电与风力发电的出力值限制为：

0≤pi,wt(t)≤pi,wt,max

0≤pi,pv(t)≤pi,pv,max

其中，pi,wt(t)与pi,pv(t)分别是t时刻风力发电与光伏发电的出力；pi,wt,max与pi,pv,max分别是风力发电与光伏发电出力的最大值；

建立辅助功能设备的约束：

0≤pi,au(t)≤pi,au,max

其中，pi,au,max是辅助供能设备的出力最大值；

建立蓄能设备的约束：

ei,esd,min≤ei,esd(t)≤ei,esd,max

δi,esd,in(t)·pi,esd,in,min≤pi,esd,in(t)≤δi,esd,in(t)·pi,esd,in,max

δi,esd,out(t)·pi,esd,out,min≤pi,esd,out(t)≤δi,esd,out(t)·pi,esd,out,max

δi,esd,in(t)+δi,esd,out(t)≤1

其中，ei,esd,min与ei,esd,max分别为蓄能设备的容量最小值与最大值；pi,esd,in,min与pi,esd,in,max分别为蓄能设备的蓄能功率的最小值与最大值；pi,esd,out,min与pi,esd,out,max分别为蓄能设备的放能功率的最小值与最大值；δi,esd,in(t)为t时刻蓄能设备的蓄能状态，取值为0时表示不工作，取值为1时表示蓄能；δi,esd,out(t)为t时刻蓄能设备的放能状态，取值为0时表示不工作，取值为1时表示放能，且蓄能设备的蓄能、放能不能同时进行。

所述供能设备的运行机理约束包括：供需平衡约束和潮流约束，其中

供需平衡约束包括电平衡约束、热平衡约束和冷平衡约束；

潮流约束包括电压约束和功率约束。

所述互联网+智慧电力营销的结构为：

互联网+智慧电力营销是在一个有限区域内，该区域内包括若干个电力客户以及若干个电力企业；

电力客户，通过各自的供能设备提供用户负荷需求；和/或

从电力企业购入电能，提供给用户；和/或

从其他电力客户处购入冷、热能源，提供给用户；和/或

将该电力客户多余的电能卖给电力企业，多余的冷、热能源卖给其他电力用户；

电力企业，将电能供应给电力客户，和/或

从电力客户购入电能。

电力企业的优化目标为：

cu(t)＝f(pu(t))

其中，pu(t)表示电力企业生产的电能量；cu(t)表示对应的电能生产成本；pu,in(t)和pu,out(t)分别表示电力企业从电力客户购入和售出的电价；t是优化调度的时间周期；ψu是电力企业的运行成本；

电力客户的优化目标为：

ci,ddg(t)＝f(pi,ddg(t))

其中，ci,ddg(t)表示可调度分布式电源的电能生产成本；ci,om,ddg(t)、ci,om,pv(t)、ci,om,wt(t)、ci,om,au(t)、ci,om,esd(t)依次表示可调度电源设备、光伏、风电、辅助设备和蓄电池的单位出力的运行维护成本；pi,in(t)和pi,out(t)分别表示电力客户从电力企业或者其他电力客户购入和售出的电价，pi,in(t)和pi,out(t)分别表示电力企业从电力客户购入和售出的能源量；ψi是电力客户的使用成本。

所述建立互联网+智慧电力营销的并行大数据模型，对互联网+智慧电力营销进行优化调度包括：

步骤3.1：在互联网+智慧电力营销的供能设备模型中，输入优化调度的信息与相关参数；

步骤3.2：互联网+智慧电力营销内的电力企业与电力客户，根据各自的优化目标，确定大数据策略集；

步骤3.3：设置电力客户的大数据均衡点初始值，并将大数据均衡点初始值提供给电力企业；

步骤3.4：电力客户与电力企业之间进行主从大数据，电力企业计算相应的收益与能源价格，并告知电力客户；

步骤3.5：各电力客户之间存在非合作大数据，引入波动惩罚函数，

其中，是第k次博弈迭代的波动惩罚函数；是第k次博弈迭代的波动惩罚因子；波动惩罚函数量化了各可调度供能设备的波动值；分别是第k次博弈迭代中t时刻的电力客户的蓄能功率、蓄能设备的出力、可调度设备的出力、辅助设备的出力；分别是第k-1次博弈迭代中t时刻的电力客户的蓄能功率、蓄能设备的出力、可调度设备的出力、辅助设备的出力；

步骤3.6：电力客户并行优化，优化的目标函数为电力客户的用能成本和惩罚成本，其中，是第k次博弈迭代的电力客户的用能成本，电力客户得到第k次迭代的最优运行计划，并将该最优运行计划传递给电力企业；

步骤3.7：根据最优运行计划，判断电力企业与对应的电力客户的大数据是否达到均衡，若达到均衡，则输出该最优运行计划，否则，返回步骤3.4。

所述均衡为各可调度供能设备在连续两次迭代中的波动范围均不大于阈值，包括：

可调度分布式电源在连续两次迭代中的波动范围不大于可调度分布式电源的波动阈值；

其中，ε1是可调度分布式电源的波动阈值；为第k次博弈迭代中t时刻的可调度设备的出力，为第k-1次博弈迭代中t时刻的可调度设备的出力，

蓄能设备在连续两次迭代中的波动范围不大于蓄能设备蓄能功率的波动阈值、蓄能设备放能功率的波动阈值；

其中，ε2是蓄能设备蓄能功率的波动阈值，ε3是蓄能设备放能功率的波动阈值；分别是第k次博弈迭代中t时刻的电力客户的蓄能功率、蓄能设备的出力；分别是第k-1次博弈迭代中t时刻的电力客户的蓄能功率、蓄能设备的出力；

辅助设备在连续两次迭代中的波动范围不大于辅助设备的波动阈值，

其中，ε4是辅助设备的波动阈值，是第k次博弈迭代中t时刻的辅助设备的出力；是第k-1次博弈迭代中t时刻的辅助设备的出力。

本发明具有以下有益效果及优点：

本发明通过建立互联网+智慧电力营销的供能设备的模型，确定其的运行约束，并得到互联网+智慧电力营销内电力客户与电力企业的优化目标，建立互联网+智慧电力营销内的电力企业与电力客户之间、电力客户之间的大数据模型，实现互联网+智慧电力营销的优化调度，有效解决以往优化调度中无法实现多优化主体分别优化的问题，实现电力客户用能成本最小化，电力企业供能收益最大化的目标，方法巧妙，具有良好的应用前景。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

如图1所示为本发明的方法流程图。

一种基于大数据论的互联网+智慧电力营销的优化调度方法，包括以下步骤，

步骤(a)，建立互联网+智慧电力营销的供能设备模型，并确认其的约束条件；

步骤(b)，根据互联网+智慧电力营销的结构，分析其内部的电力企业和电力客户的优化目标；

步骤(c)，建立互联网+智慧电力营销的并行大数据模型，实现互联网+智慧电力营销的优化调度。

前述的基于大数据论的互联网+智慧电力营销的优化调度方法，步骤(a)，建立互联网+智慧电力营销的供能设备模型，包括以下步骤，

(a11)，建立可调度分布式电源的模型，该模型表示如下，

pi,ddg(t)＝δi,ddg·f(qi,gas(t))；

其中，pi,ddg(t)是t时刻可调度分布式电源的出力；δi,ddg是可调度分布式电源的开关状态，取值为1和0；qi,gas(t)是t时刻可调度分布式电源消耗的购售电量；f(qi,gas(t))是可调度分布式电源产生的电量与消耗的购售电量的对应关系；

(a12)，建立不可调度分布式电源的模型：

不可调度分布式电源，包括光伏发电与风力发电，光伏发电与风力发电在t时刻的出力根据历史数据进行预测；

(a13)，建立辅助供能设备的模型：

辅助供能设备，包括供冷设备和供热设备，该模型表示如下，

pi,au(t)＝g(pi,in(t))；

其中，pi,au(t)是t时刻辅助设备的出力；pi,in(t)是t时刻辅助设备的输入；g(pi,in(t))是辅助设备的出力与输入的对应关系；

(a14)，建立蓄能设备的模型：

蓄能设备，包括蓄电池，蓄冷设备，蓄热槽，该模型表示如下，

其中，δt为t时刻到(t+1)时刻的间隔；ei,esd(t)为在t时刻蓄能设备储存的能量，单位为kwh；pi,esd,in(t)为t时刻的蓄能功率，单位为kw；pi,esd,out(t)为t时刻的放能功率，单位为kw；ηi,esd,in为蓄能效率；ηi,esd,out为放能效率；μi,esd为能量损失系数。

前述的基于大数据论的互联网+智慧电力营销的优化调度方法，步骤(a)，并确认其的约束条件，包括以下步骤，

(a21)，建立供能设备的约束：

可调度分布式电源的约束如下，

pi,ddg,min·δi,ddg≤pi,ddg(t)≤pi,ddg,max·δi,ddg

-ri,ddg,max≤pi,ddg(t+1)-pi,ddg(t)≤ri,ddg,max

其中，pi,ddg,min和pi,ddg,max分别是可调度分布式电源的出力最小值和最大值，ri,ddg,max是可调度分布式电源的出力值变化的最大值；pi，ddg(t+1)是t+1时刻可调度分布式电源的出力；

不可调度分布式电源的约束如下，

考虑到弃风率与弃光率，光伏发电与风力发电的出力值限制为：

0≤pi,wt(t)≤pi,wt,max

0≤pi,pv(t)≤pi,pv,max

其中，pi,wt(t)与pi,pv(t)分别是t时刻风力发电与光伏发电的出力；pi,wt,max与pi,pv,max分别是风力发电与光伏发电出力的最大值；

辅助供能设备的约束如下，

0≤pi,au(t)≤pi,au,max

其中，pi,au,max是辅助供能设备的出力最大值；

蓄能设备的约束如下，

ei,esd,min≤ei,esd(t)≤ei,esd,max

δi,esd,in(t)·pi,esd,in,min≤pi,esd,in(t)≤δi,esd,in(t)·pi,esd,in,max

δi,esd,out(t)·pi,esd,out,min≤pi,esd,out(t)≤δi,esd,out(t)·pi,esd,out,max

δi,esd,in(t)+δi,esd,out(t)≤1

其中，ei,esd,min与ei,esd,max分别为蓄能设备的容量最小值与最大值；pi,esd,in,min与pi,esd,in,max分别为蓄能设备的蓄能功率的最小值与最大值；pi,esd,out,min与pi,esd,out,max分别为蓄能设备的放能功率的最小值与最大值；δi,esd,in(t)为t时刻蓄能设备的蓄能状态，取值为0时表示不工作，取值为1时表示蓄能；δi,esd,out(t)为t时刻蓄能设备的放能状态，取值为0时表示不工作，取值为1时表示放能，且蓄能设备的蓄能、放能不能同时进行；

(a22)，建立供能设备的运行机理约束：

供需平衡约束，包括：电平衡约束，热平衡约束，冷平衡约束；

潮流约束，包括：电压约束与功率约束。

前述的基于大数据论的互联网+智慧电力营销的优化调度方法，步骤(b)，根据互联网+智慧电力营销的结构，分析其内部的电力企业和电力客户的优化目标，包括以下步骤，

(b1)，分析互联网+智慧电力营销的结构：

互联网+智慧电力营销的区域内有若干个电力客户以及电力企业，电力客户可通过各自的供能设备满足用户负荷需求，也可从电力企业购入电能满足用户负荷需求，或者从其他电力客户购入冷、热能源满足用户负荷需求，且该电力客户的多余电能可卖给电力企业，多余的冷、热能源可卖给其他电力客户；电力企业的可发电供应给各电力客户，也可从电力客户购入电能；

(b2)，确定电力企业与电力客户的优化目标：

对于电力企业，包括运营成本需要考虑电能生产成本、购入电能成本以及出售电能的收入，优化目标如下：

cu(t)＝f(pu(t))

其中，pu(t)表示电力企业生产的电能量；cu(t)表示对应的电能生产成本；pu,in(t)和pu,out(t)分别表示电力企业从电力客户购入和售出的电价；pu,in(t)和pu,out(t)分别表示电力企业从电力客户购入和售出的电能；t是优化调度的时间周期；ψu是电力企业的运行成本；

对于电力客户，包括用能成本需要考虑供能设备的维护费用，可调度分布式电源生产电能的成本，从电力企业和其他电力客户购入能源的成本，向电力企业和其他电力客户出售能源的收益，优化目标如下：

ci,ddg(t)＝f(pi,ddg(t))

其中，ci,ddg(t)表示可调度分布式电源的电能生产成本；ci,om,ddg(t)、ci,om,pv(t)、ci,om,wt(t)、ci,om,au(t)、ci,om,esd(t)依次表示可调度电源设备、光伏、风电、辅助设备和蓄电池的单位出力的运行维护成本；pi,in(t)和pi,out(t)分别表示电力客户从电力企业或者其他电力客户购入和售出的能源价格，pi,in(t)和pi,out(t)分别表示电力企业从电力客户购入和售出的能源量；ψi是电力客户的使用成本。

前述的基于大数据论的互联网+智慧电力营销的优化调度方法，步骤(c)，建立互联网+智慧电力营销的并行大数据模型，实现互联网+智慧电力营销的优化调度，包括以下步骤，

(c1)，在步骤(a)得到的互联网+智慧电力营销的供能设备模型输入优化调度的信息与相关参数；

(c2)，互联网+智慧电力营销内的电力企业与电力客户，根据步骤(b)得到的各自的优化目标，确定大数据策略集；

(c3)，设置电力客户的大数据均衡点初始值，并将大数据均衡点初始值提供给电力企业；

(c4)，电力客户与电力企业之间进行主从大数据，电力企业计算相应的收益与能源价格，并将该价格告知电力客户；

(c5)，各电力客户之间存在非合作大数据，引入波动惩罚函数，

其中，是第k次博弈迭代的波动惩罚函数；是第k次博弈迭代的波动惩罚因子；波动惩罚函数量化了各可调度供能设备的波动值；分别是第k次博弈迭代中t时刻的电力客户的蓄能功率、蓄能设备的出力、可调度设备的出力、辅助设备的出力；分别是第k-1次博弈迭代中t时刻的电力客户的蓄能功率、蓄能设备的出力、可调度设备的出力、辅助设备的出力；

(c6)，电力客户并行优化，优化的目标函数为电力客户的用能成本和惩罚成本，具体表示为：

其中，是第k次博弈迭代的电力客户的用能成本，电力客户得到第k次迭代的最优运行计划，并将该最优运行计划传递给电力企业；

(c7)，根据最优运行计划，判断电力企业与对应的电力客户的大数据是否达到均衡，若达到均衡，则输出该最优运行计划，否则，返回步骤(c4)继续执行。

前述的基于大数据论的互联网+智慧电力营销的优化调度方法，(c7)，根据最优运行计划，判断电力企业与对应的电力客户的大数据是否达到均衡，均衡的标准是各可调度供能设备在连续两次迭代中的波动范围均小于等于阈值，具体如下：

可调度分布式电源在连续两次迭代中的波动范围小于等于可调度分布式电源的波动阈值，

其中，ε1是可调度分布式电源的波动阈值；为第k次博弈迭代中t时刻的可调度设备的出力，为第k-1次博弈迭代中t时刻的可调度设备的出力，

蓄能设备在连续两次迭代中的波动范围小于等于蓄能设备蓄能功率的波动阈值、蓄能设备放能功率的波动阈值，

其中，ε2是蓄能设备蓄能功率的波动阈值，ε3是蓄能设备放能功率的波动阈值；分别是第k次博弈迭代中t时刻的电力客户的蓄能功率、蓄能设备的出力；分别是第k-1次博弈迭代中t时刻的电力客户的蓄能功率、蓄能设备的出力；

辅助设备在连续两次迭代中的波动范围不大于辅助设备的波动阈值，

其中，ε4是辅助设备的波动阈值，是第k次博弈迭代中t时刻的辅助设备的出力；是第k-1次博弈迭代中t时刻的辅助设备的出力。