[发明专利]基于数据驱动的现货市场电价风险评估系统

说明书

本发明公开基于数据驱动的现货市场电价风险评估系统，包括数据获取模块、机组出力和传输线路潮流计算模块、样本识别模块、第一电价计算模块、第二电价计算模块；本发明构建了DC‑OPF问题的GP替代模型来识别LMP计算的关键信息。通过求解一组线性方程组，提出了一种模型‑数据混合EPRA方法。该方法在不影响EPRA精度的前提下，显著提高了EPRA的效率。

技术领域

本发明涉及电力市场领域，具体是基于数据驱动的现货市场电价风险评估系统。

背景技术

为减少污染和温室气体排放，可再生能源的高比例渗透已成为智能电网的基本特征之一。随着可再生能源的发展和边际节点电价(LMP)方法的采用，现货市场充满负荷和可再生能源波动带来的不确定性。上述不确定性因素导致电价剧烈波动，给电力市场参与者带来严重的运营和规划风险。

与电力生产和使用中的不确定性相比，电价的波动更大，更加难以预测。因此，电价风险评估(Electricity price risk assessment，EPRA)对市场参与者至关重要。可靠的评估方法是现货市场运行和风险控制的基础。目前的研究主要集中在电价波动引起的风险上，基于蒙特卡罗模拟、均值-方差模型等方法分析电力市场的价格风险。对于EPRA，需要评估LMP的期望值和标准差，以支持独立系统运营商(Independent system operators，ISOs)的市场风险控制。通常，基于直流最优潮流(DC-OPF)模型可以得到LMP，该模型由功率平衡约束和传输约束的拉格朗日乘子导出，包括能量分量和阻塞分量。概率最优潮流(Probabilistic optimal power flow，POPF)能够综合考虑现货市场中各种不确定性，从而成为评估放松管制电力市场中LMP的有效工具。

为了解决POPF问题，现有研究主要有两种计算方法，即基于模型的方法和基于数据的方法。基于模型的方法大致可以分为分析法和模拟法。典型的分析方法，如点估计法，根据不确定性变量的概率密度函数(probability density function，PDF)构造代表性样本。根据代表性样本的OPF解可以得到EPRA结果，这在计算上是有效的，但需要复杂的数学推导和严格的假设。典型的模拟方法包括蒙特卡罗模拟法，该方法对大量随机生成的样本求解OPF模型，获得EPRA结果。这种方法的结果是可靠的，但存在巨大计算负担。

近年来，基于数据驱动的机器学习方法在POPF计算中得到了广泛的应用，为实现高精度、高效率的EPRA提供了一条新的思路。数据驱动方法的核心思想是构造一个数据驱动的替代模型，建立OPF问题输入系统运行状态与输出OPF解之间的函数映射关系，从而大大提高了POPF问题的计算效率。现有文献基于历史数据和离线模拟，提出了一种求解最优潮流问题的深度神经网络(deep neural network，DNN)方法。然而，现有适用POPF问题的数据驱动方法对于EPRA问题仍存在技术差距。首先，需要离散的拉格朗日乘子来计算LMP，这是现有POPF数据驱动方法无法提供的。其次，深度学习需要大量的训练样本，这与当前现货市场的实践不匹配。第三，基于数据驱动的POPF结果存在固有的学习误差，可能造成EPRA结果不可信。综上所述，亟需研究一种兼顾计算精度和速度的现货市场电价风险数据驱动评估装置。

发明内容

本发明的目的是提供基于数据驱动的现货市场电价风险评估系统，包括数据获取模块、机组出力和传输线路潮流计算模块、样本识别模块、第一电价计算模块、第二电价计算模块。

所述数据获取模块获取电力系统运行数据，并输入到机组出力和传输线路潮流计算模块、样本识别模块中。

所述机组出力和传输线路潮流计算模块存储有DC-OPF高斯过程替代模型。

所述机组出力和传输线路潮流计算模块将电力系统运行数据输入到DC-OPF高斯过程替代模型中，得到机组出力和传输线路潮流，从而识别边际机组和阻塞传输线路。

所述机组出力和传输线路潮流计算模块将机组出力、传输线路潮流、边际机组和阻塞传输线路传输至样本识别模块中。