專利名稱：一種采用協(xié)同粒子群算法的電力市場ace仿真方法
技術領域：
本發(fā)明屬于電力系統(tǒng)及其自動化領域，具體涉及一種采用協(xié)同粒子群算法的電力 市場ACE仿真方法。
背景技術：
電力市場仿真研究的方法主要分為基于代理的計算經(jīng)濟學(代理 Agent-BasedComputational Economics，簡稱ACE)仿真和實驗經(jīng)濟學實驗。實驗經(jīng)濟學實 驗由相關的人員來進行實驗，雖能更真實模擬出的電力市場交易實際情況，但易受干擾，得 出的結(jié)果往往不收斂，不能對一些因素進行定性說明；而基于代理的仿真方法主要是通過 智能算法來代理發(fā)電公司進行競價策略選擇，然后根據(jù)每次出清的結(jié)果來研究電力市場的 各類問題。計算機仿真非常理性，盡管與實際市場情況有些差別，但能清晰地反映出每一個 因素的影響。電力市場ACE仿真中的智能體是對人的學習與決策行為的模擬。現(xiàn)有研究工 作中對人的學習能力的模擬主要采用遺傳算法或強化學習的方法。目前國內(nèi)對于代理的仿 真方法的研究成果并不多，對許多問題的研究才剛剛開始。計算經(jīng)濟學(代理Agent-Based Computational Economics，簡稱 ACE)實驗中各 代理Agent代表著每個市場參與者，代理Agent應基于它本身的信息和對于市場環(huán)境的認 識做出最優(yōu)決策，整個電力市場仿真屬于一個動態(tài)博弈過程。因此，對每個代理做出最優(yōu)策 略所選的智能算法有較高的要求。目前智能算法中很難對實際的電力市場進行仿真的能 力。市場成員仿真是模擬市場參與者的市場行為，是實現(xiàn)電力市場ACE仿真關鍵一個 環(huán)節(jié)。電力市場是一個開放的、多方博弈的復雜動態(tài)系統(tǒng)，市場成員的市場行為具有不確定 性和相互影響等特征。電力市場成員仿真需要采用多代理技術，通過系統(tǒng)結(jié)構設計和建模， 將電力市場成員抽象為智能主體代理Agent，這些代理Agent能夠自主地對電力系統(tǒng)和電 力市場運行情況進行感知、分析、推理和判斷，并通過和相關代理Agent進行協(xié)商、以及自 學習、自適應的規(guī)劃能力，制定各自的交易策略和方案。協(xié)同進化的特點與MAS的特點相適 應。因此，本發(fā)明采用協(xié)同粒子群算法的電力市場ACE仿真方法更能接近于電力市場的實 際，為電力市場的研究提供方法和工具。

發(fā)明內(nèi)容
本發(fā)明的目的是克服上述不足提出一種采用協(xié)同粒子群算法的電力市場ACE仿 真方法。其本質(zhì)是使用具有有限理性的和自適應的代理表示各個市場成員，并通過個體的 代理在計算機上進行交互作用(即仿真)，獲得市場運行的特征描述。一種采用協(xié)同粒子群 算法的電力市場ACE仿真方法中各代理Agent代表著每個市場參與者，代理Agent應基于 它本身的信息和對于市場環(huán)境的認識做出最優(yōu)決策，整個電力市場仿真屬于一個動態(tài)博弈 過程。粒子群優(yōu)化算法在電力系統(tǒng)有著廣泛的應用，而在智能代理報價應用很少，本發(fā)明一 種采用協(xié)同粒子群算法的電力市場ACE仿真方法，具體技術方案如下
3
一種采用協(xié)同粒子群算法的電力市場ACE仿真方法，使用具有有限理性的和自適 應的代理表示各個市場成員，并通過個體的代理在計算機上進行交互作用，獲得市場運行 的特征描述；一種采用協(xié)同粒子群算法的電力市場ACE仿真方法中各代理Agent代表著每 個市場參與者，代理Agent應基于它本身的信息和對于市場環(huán)境的認識做出最優(yōu)決策，整 個電力市場仿真屬于一個動態(tài)博弈過程，為電力市場仿真研究提供方法，具體包括以下步 驟(1)各獨立的代理Agent根據(jù)市場信息，選擇使得獲得期望利潤最大的策略作為 最優(yōu)策略；(2)代理Agent將各自的最優(yōu)策略遞交給交易中心；(3)交易中心根據(jù)市場需求確定各代理Agent的發(fā)電量和電價，并將所需信息反 饋給各代理Agent，在ACE模型中，采用代理Agent來代理市場參與者；各代理Agent根據(jù)市場信息，以自身收益最大化為目標選擇競標策略，將所選最 優(yōu)競標策略遞交給交易中心PX;交易中心PX根據(jù)各代理Agent的競標策略、市場需求負 荷、電網(wǎng)輸電約束等對電力市場進行出清，確定各發(fā)電公司的發(fā)電量和電價，最后將各代理 Agent競標結(jié)果和下一輪交易需公開的信息反饋給各發(fā)電公司，至此本輪的電力交易全部 結(jié)束，然后重復上述過程進行下一輪交易。其中，在電力市場ACE仿真中，所有的決策選取、交易出清、信息反饋等計算均由 計算機完成，其中每個代理Agent的決策方案選用協(xié)同粒子群智能算法進行優(yōu)化處理，所 述協(xié)同粒子群算法在電力市場ACE仿真方法中的代理應用過程如下(1)根據(jù)市場成員代理Agent的個數(shù)確定種群的規(guī)模M，每個種群對應一個發(fā)電公 司；每個種群有N個粒子，每個粒子代表該發(fā)電公司的一個報價策略方案；(2)對每個種群進行編碼，根據(jù)成本曲線隨機產(chǎn)生初始種群If0.
9(3)在第i個種群內(nèi)部獨立進行速率位移操作，所述速率位移操作依據(jù)自身速率 和自身尋找到的最優(yōu)位置以及種群內(nèi)部尋找到的最優(yōu)位置更新自身位置，產(chǎn)生新的個體 X'(4)種群i選取其他種群上一輪的報價策略作為它們各自的代表共同構成整個市 場的報價策略；(5)根據(jù)市場出清數(shù)據(jù)算出種群i的期望利潤，以期望利潤值作為個體X' i的適 應值。重復步驟(3) (5)，直到滿足種群內(nèi)部的進化代數(shù)；(6)判斷是否完成一次完整協(xié)同過程的條件若i < M，表示未完成一次完整的協(xié) 同過程，移到下一個種群(i = i+Ι)，返回步驟(3)繼續(xù)進行；否則轉(zhuǎn)到步驟(7)；(7) 一次協(xié)同過程完成后相當于所有種群進化一次，每個種群將選擇所有粒子中 適應值最大的個體作為本次進化的最優(yōu)策略進行報價，然后交易中心根據(jù)每個種群的報價 和需求曲線算出本次協(xié)同進化后的市場出清價格，并將市場價格反饋給每個種群。各種群 根據(jù)市場價格算出本次交易的產(chǎn)量和利潤，并輸出本輪的所有數(shù)據(jù)，至此一輪的報價和結(jié) 算完成；(8)用t表示當前進化次數(shù)，Tmax表示需要進化的總次數(shù)，若t> Tmax，程序結(jié)束；否 則，t = t+Ι，轉(zhuǎn)到步驟(3)進行下一輪的進化。本發(fā)明技術方案的優(yōu)點是
4
(1)本發(fā)明一種采用協(xié)同粒子群算法的電力市場ACE仿真方法為電力市場仿真研 究提供新的方法和工具；(2) 一種采用協(xié)同粒子群算法的電力市場ACE仿真方法具有自治性、主動性、社會 性，能根據(jù)市場環(huán)境的變化進行感知、分析、推理和判斷，以及自學習、自適應的能力，仿真 的結(jié)果更接近于實際的電力市場。


下面結(jié)合附圖對本發(fā)明進一步說明。圖1 電力市場ACE仿真模型圖2 協(xié)同粒子群算法框架圖3 協(xié)同粒子群算法代理價格曲線
具體實施例方式電力市場成員建模要求代理能根據(jù)市場運行情況進行感知、分析、推理和判斷以 及自學習、自適應，以制定各自的交易策略和方案。本案例從代理過程的過程對一種采用協(xié) 同粒子群算法的電力市場ACE仿真方法進行了試驗，試驗組織如下通過電力市場仿真建 模平臺，建立東北區(qū)域電力市場試驗場景，交易類型選月度集中競價交易，試驗中有28家 電廠參與市場月度集中競價，總可上網(wǎng)容量為0. 1214億MWh。協(xié)同進化過程既充分發(fā)揮每個代理的自主能動性，又在進化中通過協(xié)作或?qū)惯M 行相互學習和自我完善，從而達到整個群體協(xié)同進化的目的。方法中協(xié)同粒子群算法代理 的平均申報電價曲線和市場出清邊際電價曲線如圖3所示。從圖中可以看出，各代理根據(jù)市場出清信息，為了獲取更大的期望利潤不斷調(diào)整 自己的報價策略，在這過程中市場邊際電價穩(wěn)步下降，經(jīng)過多輪以后各代理對市場有了更 充分地認知，報價水平逐步逼近市場期望數(shù)據(jù)，這主要表現(xiàn)在報價策略的微小調(diào)整，可引起 邊際電價較大的波動。報價策略調(diào)整的原因是市場有新的數(shù)據(jù)產(chǎn)生，市場期望數(shù)據(jù)的不斷 修正，各代理也在不斷調(diào)整自己的報價策略，這決定了該算法的學習過程一個不斷小幅震 蕩的過程(以下試驗數(shù)據(jù)中申報電價和邊際電價都是多輪小幅震蕩數(shù)據(jù)的平均值)，在試驗條件完全相同的情況下，一個試驗采用協(xié)同粒子群代理算法，另一個試驗 采用Q-Iearning算法，通過多次試驗得出的平均數(shù)據(jù)如表1，從表中數(shù)據(jù)可以看出，協(xié)同粒 子群算法代理的平均申報電價比Q-Learning算法代理高4. Syuan/MWh，相應市場出清電價 高8. Syuan/MWh，說明協(xié)同粒子群算法代理的報價策略更傾向于獲取更大的利潤，愿意冒風 險。相比較而言，協(xié)同粒子群代理算法的報價策略特性偏向激進型。表1不同代理算法的結(jié)果比較
5
以上說明一種采用協(xié)同粒子群算法的電力市場ACE仿真方法具有自治性、主動 性、社會性，仿真結(jié)果更接近于實際的電力市場，為電力市場仿真研究提供了新的方法和工具。
權利要求
一種采用協(xié)同粒子群算法的電力市場ACE仿真方法，其特征在于使用具有有限理性的和自適應的代理表示各個市場成員，并通過個體的代理在計算機上進行交互作用，獲得市場運行的特征描述；一種采用協(xié)同粒子群算法的電力市場ACE仿真方法中各代理Agent代表著每個市場參與者，代理Agent應基于它本身的信息和對于市場環(huán)境的認識做出最優(yōu)決策，整個電力市場仿真屬于一個動態(tài)博弈過程，為電力市場仿真研究提供方法，具體包括以下步驟(1)各獨立的代理Agent根據(jù)市場信息，選擇使得獲得期望利潤最大的策略作為最優(yōu)策略；(2)代理Agent將各自的最優(yōu)策略遞交給交易中心；(3)交易中心根據(jù)市場需求確定各代理Agent的發(fā)電量和電價，并將所需信息反饋給各代理Agent，在ACE模型中，采用代理Agent來代理市場參與者；各代理Agent根據(jù)市場信息，以自身收益最大化為目標選擇競標策略，將所選最優(yōu)競標策略遞交給交易中心PX；交易中心PX根據(jù)各代理Agent的競標策略、市場需求負荷、電網(wǎng)輸電約束等對電力市場進行出清，確定各發(fā)電公司的發(fā)電量和電價，最后將各代理Agent競標結(jié)果和下一輪交易需公開的信息反饋給各發(fā)電公司，至此本輪的電力交易全部結(jié)束，然后重復上述過程進行下一輪交易。
2.如權利要求1所述的方法，其特征在于在電力市場ACE仿真中，所有的決策選取、交 易出清、信息反饋等計算均由計算機完成，其中每個代理Agent的決策方案選用協(xié)同粒子 群智能算法進行優(yōu)化處理，所述協(xié)同粒子群算法在電力市場ACE仿真方法中的代理應用過 程如下(1)根據(jù)市場成員代理Agent的個數(shù)確定種群的規(guī)模M，每個種群對應一個發(fā)電公司； 每個種群有N個粒子，每個粒子代表該發(fā)電公司的一個報價策略方案；(2)對每個種群進行編碼，根據(jù)成本曲線隨機產(chǎn)生初始種群.，(3)在第i個種群內(nèi)部獨立進行速率位移操作，所述速率位移操作依據(jù)自身速率和自 身尋找到的最優(yōu)位置以及種群內(nèi)部尋找到的最優(yōu)位置更新自身位置，產(chǎn)生新的個體X' i ；(4)種群i選取其他種群上一輪的報價策略作為它們各自的代表共同構成整個市場的 報價策略；(5)根據(jù)市場出清數(shù)據(jù)算出種群i的期望利潤，以期望利潤值作為個體X'i的適應值。 重復步驟(3) (5)，直到滿足種群內(nèi)部的進化代數(shù)；(6)判斷是否完成一次完整協(xié)同過程的條件若i< M，表示未完成一次完整的協(xié)同過 程，移到下一個種群(i = i+Ι)，返回步驟(3)繼續(xù)進行；否則轉(zhuǎn)到步驟(7)；(7)一次協(xié)同過程完成后相當于所有種群進化一次，每個種群將選擇所有粒子中適應 值最大的個體作為本次進化的最優(yōu)策略進行報價，然后交易中心根據(jù)每個種群的報價和需 求曲線算出本次協(xié)同進化后的市場出清價格，并將市場價格反饋給每個種群。各種群根據(jù) 市場價格算出本次交易的產(chǎn)量和利潤，并輸出本輪的所有數(shù)據(jù)，至此一輪的報價和結(jié)算完 成；(8)用t表示當前進化次數(shù)，Tfflax表示需要進化的總次數(shù)，若t> Tmax，程序結(jié)束；否則， t = t+Ι，轉(zhuǎn)到步驟(3)進行下一輪的進化。
全文摘要
本發(fā)明主要是一種采用協(xié)同粒子群算法的電力市場ACE仿真方法。電力市場ACE仿真中采用多代理系統(tǒng)(Multi代理Agent System，MAS)，獨立的代理(代理Agent)之間進行智能行為的協(xié)調(diào)，更能體現(xiàn)人類的社會智能。采用協(xié)同粒子群算法的代理模塊根據(jù)市場信息以自身收益最大化為目標選擇競標策略提交給所述交易中心，所述交易中心模塊根據(jù)市場需求確定各代理模塊的發(fā)電量和電價，并將所需信息反饋給各代理模塊，各代理模塊根據(jù)反饋的結(jié)果再調(diào)整自身策略，如此循環(huán)，直至達到一個平衡的狀態(tài)；其特征在于代理模塊采用協(xié)同粒子群智能方法，各個代理模塊具有自治性、主動性、反應性、社會性，為電力市場ACE仿真提供了新的方法。
文檔編號G06Q10/00GK101916400SQ20101023933
公開日2010年12月15日 申請日期2010年7月29日 優(yōu)先權日2010年7月29日
發(fā)明者史述紅, 周海明, 李偉剛, 王文, 王海寧, 陳乃仕 申請人:中國電力科學研究院