一种需求侧响应用户集选择策略的制作方法

1.本发明属于需求侧响应交易技术领域，具体涉及一种需求侧响应用户集选择策略。


背景技术：

2.目前，需求响应一般都是需求响应中心提出需求，向用户发出邀约，用户应答后，需求响应中心对用户进行审核并发出通知，用户在规定时间内参与响应，管理平台对响应结果进行公示，省电力公司汇总年度需求响应执行结果，测算补贴费用，上报发改委备案，完成补贴费用发放，在进行需求侧响应时，当需求侧响应处于不饱和竞争状态时，即所有应答响应的用户申报的响应量小于需求量时，接收所有申报价格低于补贴最高限额的用户参与需求侧响应，但是当需求侧响应处于饱和竞争状态时，即所有应答响应的用户申报的响应量大于需求量时，目前的方法是按照参与响应用户申报价格进行从低到高排序选择满足需求响应量的用户来参与需求响应，但存在一些用户并未履约的情况，会导致实际完成的响应量可能会比较低，未完成的响应量需要通过其他方式弥补，总体花销可能更大，且整个补贴费用发放过程较繁琐，发放周期长，效率较低。


技术实现要素：

3.本发明的目的是为了克服现有技术的不足，而提供一种需求侧响应用户集选择策略，能够择优选择响应用户，进而提高用户实施约定响应的履约积极性，同时能自动结算补贴费用，缩短补贴费用发放周期，提高效率。
4.本发明采用的技术方案为：一种需求侧响应用户集选择策略，包括如下步骤：
5.s1：基于优先权机制，构建需求侧响应饱和用户竞争模型；
6.s2：构建需求响应中心的补贴费用加权模型；
7.s3：对需求响应中心的补贴费用加权模型进行优化；
8.s4：基于区块链技术，对需求侧响应用户自动筛选和补贴结算。
9.进一步的，所述步骤s1中，构建需求侧响应饱和用户竞争模型具体为：
10.所述需求侧响应饱和用户竞争模型采用优先权机制表示，优先权由用户履约情况表示，即采用用户履约率对用户响应执行效果进行量化，履约概率λ
i
表示如下：
[0011][0012]
其中，t
itotal
为用户i历史参与需求响应的次数，t
ivalid
为用户i参与需求响应确认有效的次数，即实际响应量大于等于申报响应量80％的次数。
[0013]
进一步的，所述步骤s2具体为：
[0014]
在用户饱和情况下，第i个用户参与需求侧响应时，其补贴费用加权表示如下：
[0015][0016]
其中，p
i
为约定响应用户i的报价，
[0017]
因此，补贴费用加权表示为：
[0018][0019]
其中，
[0020][0021]
x
i
∈{0,1}
[0022]
num
i
∈{0,1,2}
[0023][0024]
上式中，x
i
是选择因子，用来表征用户i是否被选择来执行需求侧响应，当x
i
＝0时，表示需求响应中心不选择用户i执行需求侧响应，当x
i
＝1时，表示需求响应中心选择用户i执行需求侧响应，c
i
为用户i申报响应容量，c为总的需求响应量，为第i个用户单日约定响应次数，为第i个用户单日响应总时长。
[0025]
进一步的，所述步骤s3中，采用bpso算法对需求响应中心的补贴费用加权模型进行优化。
[0026]
进一步的，所述步骤s3中，对需求响应中心的补贴费用加权模型进行优化，具体为对补贴费用加权中的选择因子进行优化。
[0027]
进一步的，所述对补贴费用加权中的选择因子进行优化，包括如下步骤：
[0028]
s3
‑
1：初始化粒子群，具体如下：
[0029]
随机生成一组由0、1元素组成的m
×
n的矩阵，作为粒子的初始位置，其中m为种群数，即粒子个数，每一个粒子对应一组解集，n为维度，即每个粒子的决策变量个数，
[0030]
s3
‑
2：随机生成每一个粒子的初始速度，通过下式随机生成：
[0031]
v1＝
‑
v
max
2*v
max
.*rand()
[0032]
式中，v
max
为最大速度，rand()为区间[0,1]的随机数，
[0033]
s3
‑
3：利用bpso算法，对粒子速度进行更新，其更新公式如下表示：
[0034]
v
i
＝ω
i
·
v
i
c1·
rand()
·
(pbest
i
‑
x
i
) c2·
rand()
·
(gbest
i
‑
x
i
)
[0035]
式中，v
i
为第i次迭代粒子的速度，c1，c2为常数，pbest
i
为个体最优粒子位置，gbest
i
为全局最优粒子位置，x
i
表示第i次迭代粒子的位置，用来做选择因子，
[0036]
s3
‑
4：根据线性递减权值策略，得出第i次迭代的惯性权重ω
i
，ω
i
表示如下：
[0037]
ω
i
＝ω
max
‑
((ω
max
‑
ω
min
)./g).*g
i
[0038]
其中，ω
max
为最大惯性权重，即设置的初始惯性权重值，ω
min
为最小惯性权重，即为设置的最终惯性权重值，g为最大迭代次数，g
i
表示当前迭代次数，
[0039]
s3
‑
5：利用sigmoid函数，根据粒子的速度，对该粒子的位置进行更新，该粒子的位置是由sigmoid函数生成的[0,1]区间的数，表示如下：
[0040][0041]
将s(v
i
)与区间[0,1]生成的随机数rand()进行比较，当s(v
i
)大于等于rand()时，当前位置发生改变，即若当前位置为0，则变化为1，若为1，则变化为0，当s(v
i
)小于rand()时，当前位置不发生改变，即若当前位置为1则为1，当前位置为0则为0，具体表示如下：
[0042][0043]
进一步的，所述步骤s4具体为：将需求响应中心的补贴费用加权模型提前写入区块链的智能合约中，当需求响应被触发后，自动执行用户筛选操作，并通知给用户，在完成响应任务后，将需求响应结果通知给用户确认，确认无误后，自动结算补贴费用，并更新用户履约情况，对交易数据存证上链。
[0044]
本发明的有益效果：
[0045]
1、本发明构建了补贴费用加权模型并采用bpso算法对其进行优化，能够择优选择响应用户，有利于规范用户行为，促进用户参与响应积极性，进而提高用户足时、足量实施约定响应的概率。
[0046]
2、本发明采用区块链中的智能合约技术，提前写入补贴费用加权模型，能够根据响应情况自动结算补贴费用，提高结算效率，缩短补贴费用的发放周期。
附图说明
[0047]
图1为本发明的流程图；
[0048]
图2为基于区块链技术的整个需求侧响应交易流程图；
[0049]
图3为决策响应容量随响应容量变化的仿真曲线图；
[0050]
图4为预计补贴费用随响应容量变化的仿真曲线图；
[0051]
图5为预测实际响应容量随响应容量变化的仿真曲线图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。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，以下结合实施例具体说明。
[0053]
如图1所示，本发明包括如下步骤：
[0054]
s1：基于优先权机制，构建需求侧响应饱和用户竞争模型，具体为：
[0055]
所述需求侧响应饱和用户竞争模型采用优先权机制表示，优先权由用户履约情况表示，即采用用户履约率对用户响应执行效果进行量化，履约概率λ
i
表示如下：
[0056][0057]
其中，t
itotal
为用户i历史参与需求响应的次数，t
ivalid
为用户i参与需求响应确认有效的次数，即实际响应量大于等于申报响应量80％的次数；
[0058]
s2：构建需求响应中心的补贴费用加权模型，具体为：
[0059]
在用户饱和情况下，第i个用户参与需求侧响应时，其补贴费用加权表示如下：
[0060][0061]
其中，p
i
为约定响应用户i的报价，
[0062]
因此，补贴费用加权表示为：
[0063][0064]
其中，
[0065][0066]
x
i
∈{0,1}
[0067]
num
i
∈{0,1,2}
[0068][0069]
上式中，x
i
是选择因子，用来表征用户i是否被选择来执行需求侧响应，当x
i
＝0时，表示需求响应中心不选择用户i执行需求侧响应，当x
i
＝1时，表示需求响应中心选择用户i执行需求侧响应，c
i
为用户i申报响应容量，c为总的需求响应量，num
i
为第i个用户单日约定响应次数，为第i个用户单日响应总时长；
[0070]
s3：采用bpso算法对需求响应中心的补贴费用加权模型r进行优化，具体为对补贴费用加权中的选择因子进行优化，包括如下步骤：
[0071]
s3
‑
1：初始化粒子群，具体如下：
[0072]
随机生成一组由0、1元素组成的m
×
n的矩阵，作为粒子的初始位置，其中m为种群数，即粒子个数，每一个粒子对应一组解集，n为维度，即每个粒子的决策变量个数，
[0073]
s3
‑
2：随机生成每一个粒子的初始速度，通过下式随机生成：
[0074]
v1＝
‑
v
max
2*v
max
.*rand()
[0075]
式中，v
max
为最大速度，rand()为区间[0,1]的随机数，
[0076]
s3
‑
3：利用bpso算法，对粒子速度进行更新，其更新公式如下表示：
[0077]
v
i
＝ω
i
·
v
i
c1·
rand()
·
(pbest
i
‑
x
i
) c2·
rand()
·
(gbest
i
‑
x
i
)
[0078]
式中，v
i
为第i次迭代粒子的速度，c1，c2为常数，pbest
i
为个体最优粒子位置，gbest
i
为全局最优粒子位置，x
i
表示第i次迭代粒子的位置，用来做选择因子，
[0079]
s3
‑
4：根据线性递减权值策略，得出第i次迭代的惯性权重ω
i
，ω
i
表示如下：
[0080]
ω
i
＝ω
max
‑
((ω
max
‑
ω
min
)./g).*g
i
[0081]
其中，ω
max
为最大惯性权重，即设置的初始惯性权重值，ω
min
为最小惯性权重，即为设置的最终惯性权重值，g为最大迭代次数，g
i
表示当前迭代次数，
[0082]
s3
‑
5：利用sigmoid函数，根据粒子的速度，对该粒子的位置进行更新，该粒子的位置是由sigmoid函数生成的[0,1]区间的数，表示如下：
[0083][0084]
将s(v
i
)与区间[0,1]生成的随机数rand()进行比较，当s(v
i
)大于等于rand()时，当前位置发生改变，即若当前位置为0，则变化为1，若为1，则变化为0，当s(v
i
)小于rand()时，当前位置不发生改变，即若当前位置为1则为1，当前位置为0则为0，具体表示如下：
[0085][0086]
s4：基于区块链技术，对需求侧响应用户自动筛选和补贴结算，具体为：
[0087]
将需求响应中心的补贴费用加权模型提前写入区块链的智能合约中，当需求响应被触发后，自动执行用户筛选操作，并通知给用户，在完成响应任务后，将需求响应结果通知给用户确认，确认无误后，自动结算补贴费用，并更新用户履约情况，对交易数据存证上链，即基于区块链技术的整个需求侧响应交易流程图如图2所示。
[0088]
以下对本发明进行进一步说明：
[0089]
针对需求侧响应不饱和用户竞争阶段，假设需求响应中心发布某次需求侧响应后，有50个用户应答了该需求，并申报其响应容量和价格。这50个用户的申报容量、申报价格、历史参与响应次数、历史有效响应次数以及历史平均完成百分比如表1所示，该数据是在河南省电力公司不饱和竞争响应的相关数据基础上，在合理取值范围内随机生成的。
[0090]
表1申报响应用户信息
[0091]
[0092][0093]
在实验中采用bpso算法对需求响应中心补贴费用加权模型进行优化，有关bpso算
法的相关参数设置如表2所示，
[0094]
表2 bpso算法参数
[0095][0096]
实验结果分析：当约定响应用户申报响应总量低于响应量时，所有应答用户都将参与需求侧响应，不足的部分将启动实时响应，当约定响应用户申报响应总量远远高于需求响应量时，需求响应中心综合考虑用户报价、履约概率等因素，选择使得需求响应中心补贴费用加权最小的用户响应方案，当用户报价、履约概率相同的情况下，按照fcfg原则，优先选择先确认响应的用户。
[0097]
针对饱和需求侧响应阶段用户选择策略，本发明提出的考虑履约情况的补贴费用加权模型，优先选择加权小的用户参与响应，将该策略作为方案一；将目前大多数电力公司采用的不考虑履约情况，按照补贴费用最小排序，从小到大选择的策略作为方案二。为了证明所提优化模型的有效性，对两种方案的决策响应容量、补贴费用、按概率预测实际响应容量进行对比分析。
[0098]
按照上述对补贴费用加权中的选择因子进行优化的步骤，即随机生成一组由0、1元素组成的m
×
n的矩阵，作为粒子的初始位置，在matlab中依次对上述步骤进行仿真验证，得到决策响应容量随响应容量变化曲线如图3所示，图3给出了不同需求响应容量下，运行两种方案，所得决策响应容量的情况，由图3可知，不管是方案一还是方案二所获得的决策响应容量都高于需求响应容量，这是因为在排序过程中，很难获得恰好满足需求的容量，所以一般情况下，决策响应容量大于需求响应容量，由于方案一响应用户选择更灵活，能根据需求进行选择，而方案二采用补贴费用最小排序，从小到大选择，变通性差，因此在大多数情况下，方案一所获得的决策响应容量低于方案二所获得的决策响应容量。
[0099]
预计补贴费用随响应容量变化曲线如图4所示，图4给出了两种运行方案下补贴费用响应容量的变化曲线，总体来看，补贴费用随着响应容量的增加而增加，由于方案二按照申报费用最小排序，从小到大选择，而方案一是综合考虑申报费用和履约情况，根据方案一所选用户并非全部是申报费用最小的用户，因此方案一的补贴费用一般情况下高于方案二。
[0100]
预测实际响应容量随响应容量变化曲线如图5所示，图5按照上文中履约概率λ
i
的公式所确定的履约概率为依据，预估用户按此概率实际响应的容量随需求响应容量的变化曲线，实际响应容量随需求响应容量的增加而增加，对于方案二来说，其变化基本呈线性，但对于方案一来说，随着需求响应容量的增加，其变化趋势逐渐变缓，这是因为履约概率高的用户在需求响应容量较低的时候有更高的几率被选择，当需求响应容量较高时，更多的低概率履约用户被选择，因而其实际响应容量增长趋势变缓。
[0101]
图5中的预测实际响应容量是按照所选用户历史完成度预估的响应容量，当以完成需求响应为目标时，按照约定响应优先，实时响应保底的原则，约定响应未完成的需求响
应量由实时响应来完成，此处以需求响应容量为2.5
×
105kw为例，方案一的实际响应容量为213833.33kw，需要36166.67kw的实时响应，方案二的实际响应容量为155276.93kw，需要94723.07kw的实时响应，假设第一档实时响应用户共申报响应容量5
×
104kw，剩余响应量则由第二档实时响应用户来完成，则方案一的实时响应补贴费用为36166.67
×
2.5＝90416.68元，因此，方案二的实时响应补贴费用可以表示为50000
×
2.5 (94723.07
‑
50000)
×2×
2.5＝328615.35元，综合约定响应和实时响应的补贴费用，方案一的总费用为521499.65元，方案二的总费用为670666.74元，方案一远低于方案二，假设第一档实时响应用户申报响应容量可以满足补充方案一和方案二的剩余响应量的需求，方案一的实时响应补贴费用为36166.67
×
2.5＝90416.68元，而方案二的实时响应补贴费用为94723.07
×
2.5＝236807.68元，综合约定响应和实时响应的补贴费用，方案一的总费用为521499.65元，方案二的总费用为578859.07元，方案一所需费用仍低于方案二，因此，本发明所述策略在提高用户实施约定响应的履约率的情况下能够减少补贴费用的支出，证明了补贴费用加权模型优化的有效性。
[0102]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。