本發(fā)明涉及虛擬電廠資源調(diào)度，具體為一種基于用戶間多種博弈關系的虛擬電廠調(diào)度與優(yōu)化方法。

背景技術：

1、隨著微電網(wǎng)靈活經(jīng)濟運營模式的發(fā)展，虛擬電廠因其能夠有效應對大量分布式能源接入電網(wǎng)帶來的安全與可靠性挑戰(zhàn)，逐漸受到廣泛關注。虛擬電廠通過整合大量分散的能源資源，參與需求響應，不僅提升了電力系統(tǒng)的供需平衡能力，還顯著減輕了能源投資的壓力。為了在復雜多變的環(huán)境中實現(xiàn)有效的響應策略，制定針對性的虛擬電廠調(diào)度策略顯得尤為重要。

2、傳統(tǒng)虛擬電廠調(diào)度中，參與用戶通常各自獨立響應，不受其他用戶的影響。然而，用戶之間的相互關系往往錯綜復雜，可能采取協(xié)商合作、非合作等多種參與方式，這些方式對響應策略有著重要影響。充分考慮用戶之間的博弈關系及其影響，能夠大幅提升響應評估的準確性，從而增強虛擬電廠需求響應的有效性。

技術實現(xiàn)思路

1、解決的技術問題：

2、針對現(xiàn)有技術的不足，本發(fā)明提供了一種基于用戶間多種博弈關系的虛擬電廠調(diào)度與優(yōu)化方法，具備優(yōu)化整體調(diào)度效果，實現(xiàn)更高效的虛擬電廠響應能力，通過用戶特性分析、博弈建模和優(yōu)化求解，實現(xiàn)了對虛擬電廠響應策略的創(chuàng)新優(yōu)化等優(yōu)點，解決了上述技術的問題。

3、技術方案：

4、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種基于用戶間多種博弈關系的虛擬電廠調(diào)度與優(yōu)化方法，包括以下步驟：

5、步驟一、用戶特性分析及相似性刻畫：特征包括數(shù)值型特征和類別型特征，數(shù)值型特征為：歸一化處理歷史負荷數(shù)據(jù)和地理位置信息，提取需求時段的負荷數(shù)據(jù)、變異系數(shù)和平均負荷，類別型特征為：行業(yè)屬性、歷史有效響應情況和企業(yè)規(guī)模，將所有特征拼接成一個綜合特征向量；

6、所述行業(yè)屬性為獨熱編碼；

7、所述歷史有效響應情況為計算有效響應概率分布；

8、所述企業(yè)規(guī)模為標簽編碼，分為大、中、小三類；

9、步驟二、用戶相似性計算：使用kl散度計算用戶間有效響應概率分布的差異，使用歐氏距離計算其他特征的差異，結合kl散度和歐氏距離，得到用戶間的綜合相似度；

10、步驟三、用戶間博弈模型：根據(jù)用戶間的相似度，計算用戶合作的概率，當合作概率高于特定數(shù)值時，用戶合作；否則，用戶獨立參與；

11、步驟四、響應收益期望模型：計算獨立用戶參與需求響應的收益；合作用戶對則引入合作修正因子，考慮用戶合作時的額外收益，計算合作用戶對的總期望響應容量和收益；

12、步驟五、優(yōu)化目標與約束：目標位最大化虛擬電廠的總期望收益，約束條件為需求總容量約束：所有用戶的響應容量總和等于總需求響應量；非負約束：用戶的響應容量非負；

13、步驟六、模型求解與優(yōu)化：使用cplex優(yōu)化求解器，找到最優(yōu)的容量分配策略，提升虛擬電廠的需求響應有效性和收益水平。

14、優(yōu)選的，所述步驟一中特征提取，對于數(shù)值型特征，含歷史負荷數(shù)據(jù)及地理位置信息，首先對數(shù)據(jù)進行歸一化處理，地理位置信息以歸一化后的數(shù)據(jù)作為特征loi,lai，分別是用戶i的經(jīng)度與緯度，對于歷史負荷，提取對應需求時段[t1，t2]的負荷數(shù)據(jù)，根據(jù)需求日期，過濾得到相似日對應需求時段的負荷數(shù)據(jù)序列，相似日以同一星期日期為標準，計算各時段的變異系數(shù)，平均負荷，分別記為vai,pai；

15、對于類別型特征行業(yè)屬性，進行獨熱編碼處理，設n個用戶中總共有m各行業(yè)類型，用戶i的行業(yè)特征為m緯向量zi＝[0,…,0,1i,0,…,0],其中1i＝1，表示第i個元素為1。

16、優(yōu)選的，所述步驟一中對于類別型特征歷史有效響應情況，計算有效響應概率分布，記用戶有效響應比例為隨機變量xi，基于用戶歷史申報容量與有效響應容量，按以下方式計算有效響應比例：

17、申報容量ai大于有效響應容量bi,

18、申報容量ai小于等于有效響應容量bi,有效響應概率為ci＝1；

19、將區(qū)間[0,1]劃分成l個區(qū)間基于用戶i歷史響應情況數(shù)據(jù)，統(tǒng)計每次響應在各區(qū)間的有效響應次數(shù)，在l較大時每個區(qū)間內(nèi)視為一個常量是合理的，即在區(qū)間隨機恒變量等于這個區(qū)間ci有效響應概率的平均值，設各區(qū)間有效響應次數(shù)為ni,k,k＝0,…,l-1,表示用戶i在區(qū)間k的次數(shù),記總次數(shù)為

20、基于經(jīng)驗分布計算用戶i的有效響應分布pri為：

21、

22、對于企業(yè)規(guī)模，依規(guī)模大小分成大中小三個類別規(guī)模，然后利用標簽編碼對規(guī)模進行數(shù)值化，用戶i的規(guī)模特征為3維向量si＝[0,…,0,1i,0,…,0],其中1i＝1，表示第i個元素為1。

23、優(yōu)選的，所述步驟一中數(shù)值型特征，含歷史負荷數(shù)據(jù)及地理位置信息，首先對數(shù)據(jù)進行歸一化處理，地理位置信息以歸一化后的數(shù)據(jù)記作為特征loi,lai，分別是用戶i的經(jīng)度與緯度，對于歷史負荷，提取對應需求時段[t1，t2]的負荷數(shù)據(jù)，根據(jù)需求日期，過濾得到相似日對應需求時段的負荷數(shù)據(jù)序列，相似日以同一星期日期為標準，計算各時段的變異系數(shù)，平均負荷，分別記為vai,pai；

24、所述步驟一中類別型特征行業(yè)屬性，進行獨熱編碼處理，設n各用戶中總共有m各行業(yè)類型，用戶i的行業(yè)特征為m緯向量zi＝[0,…,0,1i,0,…,0],其中1i＝1，表示第i個元素為1。

25、優(yōu)選的，所述用戶相似性刻畫計算為：對于有效響應概率函數(shù)，計算各用戶之間的kl散度，通過散度量化用戶參與響應的有效性的差異指標，對于用戶i與用戶j，散度計算為：

26、

27、對于其他特征，通過上面已經(jīng)轉化到數(shù)值型特征后，融合成一個多維特征向量，記為[loi,lai,vai,pai,si,zi].利用歐式舉例就算用戶間的差異，對于用戶i與用戶j，記作ri,j；

28、計算總體相似性，klmax＝maxi,jkli,j,rmax＝maxi,jri,j,用戶i與用戶j相似度通過下式計算

29、優(yōu)選的，所述步驟三中用戶間博弈模型構建為：

30、首先基于相似度建立合作概率映射，對于用戶i與用戶j之間的相似度si,j，映射為合作概率pi,j，構造映射函數(shù)如下

31、

32、其中γ為平滑參數(shù)，θ為合作相似度閾值，當pi,j高于特定數(shù)值時用戶間合作，低于閾值時用戶獨立參與，為簡化模型，每個用戶只與合作概率最高的用戶進行合作。

33、優(yōu)選的，響應收益期望模型構建為：

34、在聚合商不考慮合作之前用戶i與用戶j的有效響應分布分別為pri與prj，給用戶下發(fā)調(diào)度指標qi與qj后，聚合商基于分布pri與prj對各用戶期望有效響應進行評估，總有效響應容量評估量為qipri+qjprj，聚合商考慮存在合作的兩個用戶，有更好的響應保證，需用新的策略對用戶i與用戶j的期望有效響應容量進行評估，首先引入合作修正因子ρi,j，用于量化合作對兩個用戶有效響應的增強效果，通過基于用戶間的相似性與合作緊密度來刻畫，具體為：

35、ρi,j＝∈pi,j(1-exp(-β(qi+qj)))

36、其中∈,β調(diào)整系數(shù)，反映合作對響應的增強程度。qi+qj是用戶間的響應水平，響應水平越高，修正因子響應的就較大，表示合作對容量響應作用越大?；谛拚蜃樱瑢捎脩羝谕憫萘窟M行修正如下(qipri+qjprj)(ρi,j+1)，得到合作用戶對集合c與獨立響應用戶集合s。

37、優(yōu)選的，所述步驟四中總的預期收益計算表達式如下

38、合作用戶對集合c：

39、∑(i,j)∈c(qipri+qjprj)(ρi,j+1)p；

40、獨立響應用戶集合s：

41、∑k∈sqkprkp。

42、優(yōu)選的，所述總的預期收益計算模型進行構建與分析后得到調(diào)度目標函數(shù)如下

43、maxh(q1,…,qn)＝∑(i,j)∈c(qipri+qjprj)(ρi,j+1)p+∑k∈sqkprkp。

44、優(yōu)選的，約束條件為：

45、需求總容量約束：q1+…+qn＝q；

46、非負約束：qi≥0,i＝1,…,n。

47、與現(xiàn)有技術相比，本發(fā)明提供了一種基于用戶間多種博弈關系的虛擬電廠調(diào)度與優(yōu)化方法，具備以下有益效果：

48、1、本發(fā)明通過引入用戶間博弈的合作映射函數(shù)，構建了基于相似度的合作概率映射函數(shù)，通過平滑參數(shù)和合作相似度閾值設定，能較好地判斷用戶之間的合作關系，選擇每個用戶僅與合作概率最高的用戶進行合作，簡化了博弈模型的構建，降低了計算復雜度，同時有效體現(xiàn)用戶合作在實際響應中的增益效果，引入合作修正因子量化了合作對用戶響應的增強效果。通過相似性與響應水平的結合，修正因子動態(tài)調(diào)整用戶合作的響應能力，使得模型能夠反映真實合作情況下的增益作用，增強了評估的現(xiàn)實性和準確性，構建了包含合作和獨立用戶的收益期望模型，通過對修正后的期望響應容量進行計算，合理評估合作帶來的收益增益，總收益的計算不僅考慮了用戶的個體響應能力，還包含了合作增強的收益，使得收益評估更加全面和立體，達到了優(yōu)化整體調(diào)度效果，實現(xiàn)更高效的虛擬電廠響應能力的有益效果。

49、2、本發(fā)明通過對用戶特性進行深度挖掘和融合，如地理位置信息、歷史負荷數(shù)據(jù)、行業(yè)屬性、歷史有效響應情況、企業(yè)規(guī)模等，構建了一個多維綜合特征向量，結合kl散度與歐式距離等方法精細刻畫用戶相似性，有助于更好地評估用戶間的潛在合作關系，達到了通過用戶特性分析、博弈建模和優(yōu)化求解，實現(xiàn)了對虛擬電廠響應策略的創(chuàng)新優(yōu)化的有益效果。