基于形态匹配的大用户直购电撮合模型

1、基于形态匹配的大用户直购电撮合模型胥威汀1，刘俊勇1，赵岩2，李磊2，刘友波1，姚珺玉11. 四川大学电气信息学院 智能电网四川省重点实验室，四川省 成都市 6100651；2. 上海市电力公司，上海市 浦东新区 200122Bilateral Patterns Technology Matching Model for Direct Power-Purchase TransactionXu Weiting1, Liu Junyong1, Zhao Yan 2, Li Lei2, Liu Youbo1, Yao Junyu1,1.School of Electrical Engineering

2、 and Information，Sichuan University，Chengdu 610065； 2.Shanghai Municipal Electric Power Company，Pudong New District，Shanghai 200122，ChinaABSTRACT: Traditional direct power-purchase transaction mostly based on the matching of bilateral quantity and prices of electricity. It is lack of effective means

3、 to optimizing the quality of electric transmission of direct power-purchase. This paper starts with the historical electric characteristic curves of the purchase and sales sides. An auxiliary model for transaction which is based on bilateral patterns technology matching is built in this paper. Dire

4、ct power-purchase scheme which is beneficial to grid dispatching and reserve reduction is discussed in the direct power-purchase market environment. Model uses multi-objective correlation analysis as the core, clustering process as the base, information entropy as the evaluation to construct a combi

5、nation method which can provide a reference of electric characteristic curve shape for making the direct power-purchase scheme. The data collected from a power company is used in this paper as an example of matching analysis. It verifies the validity of the model.KEY WORD: direct power-purchase tran

6、saction；matching；bilateral pattern摘要：传统大用户直购电交易多是基于双边电量和电价的撮合，缺乏优化直购电中电网运营的有效手段。本文单从直购双方电力特性曲线形态入手，提出了一种基于双边形态技术匹配的交易辅助模型，探讨了直购电市场环境下有利于电网调度、减少电网备用的直购方案的制定。模型以多目标关联度分析为核心，以聚类处理为基础，以熵值计算为评价方式，构建了一套为直购方案的制定提供电力特性曲线形态方面参考的方法。本文以某电力公司采集的数据为例进行匹配分析，验证了该模型的有效性。关键词：直购电交易；匹配；双边形态1 引言大用户直购电交易已成为当前研究热点。其研究涉及了

7、直购电的交易模式1、定价策略2和用户评价3。文献4引入价格弹性和现货市场提出了一种大用户直购定价模型；文献5讨论了电力市场双边交易中的不平衡量问题，并提出了整合不平衡量的方法；文献6对比总结了国内外大用户直购模式，对国内直购电交易提出了关于输配电价、用户准入以及交易空间等建议；可见，当前对大用户直购电交易的研究着重于电量和电价。基于量和价的撮合式交易有利于发配总量的平衡以及各方利益的协调，但对于直购电交易中的电网运营却未予以考虑。电监会关于完善电力用户与发电企业直接交易试点工作有关问题的通知中建议委托电网企业对直接交易余缺电量进行调剂，说明直购电交易中的确存在不确定性波动需要电网公司统筹平衡。

8、引入针对购售双边电力特性曲线形态的研究构建直购电交易模型是探讨该问题的有效方法。区别于传统基于电量和电价的撮合式交易模式，本文在精细划分购售两侧成员的基础上提出了一个基于关联度计算的直购电双边形态技术匹配模型。该模型能够使具有相似电力特性的发电和用户集群进行配对直购，使电网公司不需要因为大用户的负荷波动而过多地去实时控制发电曲线或调用备用，降低了电网运行的不确定性，而相应电厂和大用户只需按照各自计划发电、用电，维持其正常的电力行为。利用信息熵定义一个用于综合评价匹配方案的指标，为制定考虑电网高效运营的大用户直购电交易方案提供一定技术参考。2 双边形态技术匹配模型关键技术2.1 失真数据预处理本

9、文匹配分析的对象是直购电购售两侧的电力特性曲线，所以首先需要提取出客观合理的样本。由于受通信中断或干扰，样本数据失真难以避免。设短时内数据纵向相似，即3个连续数据的中点无突变，且附近同类日曲线横向相似。可通过样本统计指标及预设阈值判断失真数据。式(1)-(4)表示同类型日横向数据失真的判定与修正过程。 (1) (2) (3) (4)式中，为第n天第i点数据，N为数据集大小。式(3)利用原理进行失真判断。式(4)引入3个总和为1的权重1、1、1对数据进行修正。为附近2个横向负荷，为最近2个相似日负荷点。为判断纵向失真，将连续5个数据点平均化，形成平滑序列，利用式(5)-(7)处理纵向失真： (5

10、) (6) (7)式中，为失真阈值，用于判断纵向失真，取0.080.15。满足式(6)失真条件，则用式(7)对数据进行修正，参数满足。2.2 双边直购成员关联度计算关联分析法在模型中用于确定直购电交易匹配方案。购售两侧的曲线关联度若满足较高水平的关联阈值，其变化趋势则必然相似，则认为该组配对满足匹配要求。若方案中各组配对均满足对应阈值，则判断该方案为可行匹配方案，列入参考清单。关联分析的计算公式为7： (8)(9)式中，(0<<1)为分辨系数，取=0.5，n为曲线的维度，k为其中负荷值的序号，y0(k)为组合曲线的均值，yi(k)为各匹配组合方案的特性曲线。2.3 聚类算法及其评判

11、指标聚类算法在模型中主要起到按照电力特性划分直购电厂和大用户集的作用，属于匹配模型的优化模块。按照聚类集群直购的方式进行撮合交易能够在保证参与集完整性的同时提高匹配分析效率，并为按照双边电力特性拟定差别过网电价奠定基础。本小节即介绍实现聚类操作的一套组合算法。模型分析的对象是直购双边特性曲线形态。为去除数量级对形态分析的影响，首先需要对两侧数据进行归一化处理8。 (10)式中，li为归一化后i点数据，li min和li max分别为数据序列的最小值和最大值。归一化处理将用户负荷特性数据压缩在0,1区间中，并保持其特性。自组织映射神经网络（Self-Organizing Map, SOM）能够在

12、保持直购参与方电力特性的基础上实现n维曲线到2维平面点的数据降维，而K-means算法能对SOM输出平面的激活神经元进行聚类划分9。该组合在处理大型数据集时非常有效，它被广泛运用于与数据挖掘相关的问题中10。另外，为了设定合理的聚类划分数目，引入2个聚类效果评判指标：1) R2统计量(RSQ)： (11)式中，PG为G个类时的内离差平放的总和，T为总离差平方和： (12) (13)式中，xi为第i个负荷序列，CK为当前类，为各类的均值，为当前类的均值。R2越大，说明每类内的离差平方都较小，即数目越合适。2) 伪F统计量(PSF)： (14)式中，n为样本个数。类内离差平方和(分母)越小，类间平

13、方和(分子)越大，说明划分数目越合适，即F统计量出现峰值而类数G较小的情况11。2.4 基于信息熵的综合评价方法熵值法是在客观条件下，由评价指标值构成的判断矩阵来确定指标权重的方法12。在模型中用于对各直购方案短、中、长期相关度赋予权重，定义匹配度指标，以综合评价直购方案的匹配程度。熵值法的具体操作如下：建立n组直购电交易方案中m个关联指标的判断矩阵G = (bij)n×m(i=1,2,n，j=1,2,m)。关联指标属于大者为优指标，则矩阵的标准化公式为： (15)根据熵的定义，可确定关联指标的熵： (16)式中。则各指标的熵权i为： (17)3 直购电双边形态技术匹配模型3.1 直

14、购电双边形态的技术匹配流程从直购市场中电网企业的角度出发，以降低直购电交易过程中负荷波动的不确定性、节省系统备用为目的建立模型，撮合曲线相似的电厂和用户达成交易，约束随机波动，鼓励形态匹配。本文构建的双边形态技术匹配模型主要由数据输入、聚类模块、遍历组合配对、关联计算、权重设定等子模块组成。模型分析流程为：1）购售两侧的计划曲线提交到形态匹配平台之后，经过预处理和聚类，数据集被划分为数个典型的形态类别。各类内叠加量变形不变，以集群参与直购则不影响形态匹配的效果，并能优化样本，提高形态分析效率；2）遍历叠加购售两侧的组合，计算形态关联度，提取出满足阈值要求的匹配方案，详见2.2节；3）成功纳入备

15、选的匹配方案通过对其内部多组配对的关联度分析，得到评价该方案的相关度指标，详见2.3节；4）结合方案的中、长期特性的相关度，运用信息熵算法对其赋予权重，得出一个匹配度指标，对方案双边电量和负荷形态匹配程度作总体评价。关于完善电力用户与发电企业直接交易试点工作有关问题的通知要求发电企业、大用户应当将负荷曲线事先报电网企业，由电网企业安全校核后纳入系统平衡。电网企业可事先对上报的曲线进行以上形态匹配分析，得出各种交易方案的匹配度指标，供撮合、定价、激励等参考。3.2 匹配方案评价指标的定义假设聚类划分之后，购售两侧分别有m和n个集群参与匹配。在匹配模块中，分别对它们取1m和1n个集群进行遍历叠加，

16、任意一组组合方式都与另一侧的方案进行关联度分析；对于剩下的参与集群，继续遍历匹配，直到有一侧参与直购的对象集合为0；多次配对均满足关联阈值的方案列入备选，输入接下来的功能模块。集群组合使曲线形态多样化，避免了因为购售两侧形态单一而缺乏相应匹配的情况，增强了模型的适应性。3.3 匹配方案的实现匹配方案中的每一组购售配对都对应了一个形态关联度，如何分配各关联度的权重以客观的评价整个匹配方案的吻合程度，这里引入直购两侧的电量因素，定义了一个多目标关联度指标： (18)式中，ei为方案中每组配对所能消纳的直购电量，er为购售两侧所有未消纳的余量曲线进行配对所能完成的直购电量，ci和R分别为对应的关联度

17、。该指标用于对方案的短期负荷曲线相关度和中长期电量曲线相关度进行定量的评价。4 模型应用算例4.1 直购电参与成员精细划分算例所需数据来源于某电力公司负荷数据采集系统。初始数据集为18个电厂和46个大用户。首先对购售两侧进行SOM降维映射，显示为灰色的神经元即为激活神经元，如图1所示。图中，灰度越大表示在此激活的成员数量越多。SOM输出平面上相邻的神经元代表具有相近特性的样本。利用K-mean划分激活神经元，可得到聚类结果。较优的聚类数利用RSQ和PSF统(A)(B)图1 购售两侧在SOM输出平面的聚类效果Fig.1 Clustering effect of power purchase an

18、d sale sides on the SOM output plane图2 购售两侧精细划分的类数判定统计量曲线Fig.2 Statistics curves of cluster number judgment of bilateral elaborate division计量进行测试，如图2所示。按照RSQ尽量大，PSF出现峰值而类数较小的原则，电厂和用户集群分别取较合适的8类和10类。K-mean划分结果见图2中的一系列实线，其中十字形标志为各类别聚类中心。各类内的成员有名值叠加，即可得到以集群方式参与匹配的8条电厂曲线和10条大用户曲线。4.2 直购匹配方案及其多目标关联度分析设定关

19、联阈值为0.85。8个电厂和10个用户集群分别作遍历叠加，计算各配对及余量曲线的关联度，按照式(18)得出整个方案的相关度指标。算例以效果较好的第36和第37套方案为例，如表1所示，表中数字为相应侧的集群编号，编号对应曲线详见图3。表1 优质匹配方案及其关联度Tab.1 High quality matching scheme and its correlation degree方案序号电厂组合方案用户组合方案曲线形态关联度362/6/81/3/4/5/6/7/80.98811/3/5/72/90.92014100.8896匹配余量匹配余量0.9494372/6/81/3/5/6/7/8/90

20、.98803/5/72/4/100.96001/4+匹配余量匹配余量0.8996注：匹配余量为方案中所有已配对的购售组合未能消纳的直购量曲线。图3 购售两侧聚类分析结果Fig.3 Clustering results of bilateral sides匹配方案效果如图4、5所示。图中实线为电厂集群组合发电曲线，虚线为用户集群组合负荷曲线。(A)是以标幺值体现的形态匹配效果，(B)是与之对应的有名值曲线。两组图的最后一对曲线均为购售两侧匹配余量与未匹配集群的负荷曲线之和。图4 第36套直购电匹配方案效果图示Fig.4 Effect graphs of the 36th direct purch

21、ase schem图5 第37套直购电匹配方案效果图示Fig.5 Effect graphs of the 37th direct purchase scheme由图可见，方案中达成匹配的购售电曲线都具有非常相似的形态特性，其变化的时段、趋势都较为吻合。但仅仅分析其形态相似程度是不够的，考虑每一组匹配所能消纳的直购电量，利用式(18)，方可较为客观的评价匹配方案的相关度。见表2。表2 优质匹配方案相关度指标计算的参数与结果Tab.2 Parameters and results of relative degree calculation of the high quality matchin

22、g scheme方案参数项123余量相关度36关联度0.98810.92010.88960.9494消纳量(MWh)5075.763686.641178.595326.5637关联度0.98800.96000.8996消纳量(MWh)5075.7644885703.6注：消纳值为任意时刻购售电的较小值，消纳量为消纳值的积分。4.3 直购电匹配方案的评价同样，用多目标关联分析法可以得到所有方案的中、长期电量曲线相关度。按照式(15)(17) 计算出短中长期相关度熵权：0.405、0.285和0.311，进而得出方案总体匹配评价指标，见表3。表3 优质匹配方案评价指标的生成Tab.3 Evalua

23、tion indexes generation of the high quality matching scheme方案序号短期相关度中期相关度长期相关度匹配度360.950560.637480.992340.87435370.946750.558680.992360.85036熵权0.404580.284900.31053匹配度反映了直购电交易双方多种时段电力特性的相关程度。若按照特性相关程度较高的方案进行直购电交易，对电网稳定运行、减少备用调度、提高机组利用率无疑是有益的。表4为按照匹配度最优的原则列写的直购电方案清单。表4 最优匹配度方案清单Tab.4 List of the high

24、est matching degree scheme方案序号购电组合售电组合匹配度242/6/8；1/3/5/7；41/3/4/5/6/8；2/7/9；100.87547362/6/8；1/3/5/7；41/3/4/5/6/7/8；2/9；100.87435372/6/8；3/5/71/3/5/6/7/8/9；2/4/100.85036311/2/6/8；5/71/3/4/8/9/10；2/5/6/70.84662261/2/6；5/71/3/4/8/9/10；2/5/6/70.84408392/5/6；1/72/3/4/5/8/9/10；1/6/70.83977注：各方案中的购售组合按照先后

25、顺序依次配对。该清单按照匹配度大小排序，可以结合安全性、经济性以及各种约束条件为优质的大用户直购电交易方案的制定提供科学的理论支持。5 结束语探讨考虑电网运营的直购电交易模式，引入购售双边曲线形态的匹配进行方案制定是其可行切入点。文章把数据挖掘中的聚类、关联和信息熵计算有机结合起来，构建了一种基于形态的技术匹配模型。其中，提出了一个多目标关联度指标，用于量化整套直购电交易方案的相关度；定义了一个匹配度指标，用于评价方案多种时段的相关程度。模型虽不能独立分析出满足各方面约束的直购电交易方案，但其最后列出的清单可为考虑直购双边电力特性的交易撮合方式提供参考。达成形态匹配的交易方案不仅能够降低网络的

26、不确定性、减少备用、保证直购参与者的正常电力行为，并能为辅助服务的评估和奖惩过网电价的制定奠定基础。参 考 文 献 1 陈西颖大用户与发电企业直接交易算法探讨J电力系统自动化，2008，32(24)：100-1032 韩正华，周渝慧基于博弈论的电力市场双边交易智能体谈判策略J电力系统自动化，2007，31(1)：20-253 牛东晓，李金超，李金颖基于信息熵的电力大用户优先级组合评价J电力需求侧管理，2008，10(2)：16-204 Xia Lei，Junyong Liu，Liang DuAnalysis on Large Consumer Price Models in Electricity MarketCIEEE Electric Utility Deregulation and Restructuring and Power Technologies，2008， 426-4305 Enrico De Tuglie， Francesco TorelliLoad Following Control Schemes for Deregulated Energy MarketsJIEEE Transactions on Power Systems2006，21(4)：1691-16986 Li Hong-dong，Fe