文摘
交易系统具有非线性的特点,动态,和复杂性。交易系统的业务数据的一部分需要接触大量的外部业务系统。传统的集中式电力交易模式存在一些问题,如低数据安全性和监管机构的信任危机。区块链技术为解决这些问题提供了杰出的想法。首先,改进学习演算法用于预测电力交易的供需缺口节点。其次,基于区块链上的信息只有开放电力供应方面,一个两阶段博弈模型之间的信息不对称电源侧和电力用户构造捕获它们之间的价格竞争行为为了找到纳什均衡价格的两个阶段。最后,美国PJM电力市场数据是用来进行实例分析,验证了算法的有效性和模型。
1。介绍
随着经济的发展,能源和电力的需求不断增加(1]。在这个阶段,中国的电能交易的主要形式是集中交易。在集中的现货市场,中长期交易金融合约,这纯粹是双边合同。原则上,交易中心可能不会发挥作用。外国中长期合同往往是通过场外交易或未来交流完成。在现货市场阶段、经济、实时功率平衡,电网约束,爬约束、辅助性服务约束,等等,必须考虑全面。调度和交易是分不开的。因此,在一个集中的电力市场中,调度和交易机构往往是同一主体。根据电力改革9号文件,“单独的事务业务最初由电网公司其他业务,并实现相对独立操作事务的机构。“如果调度和交易机构分离,如何解决实时功率不平衡将是一个大问题。
分布式电力市场采用电力市场模型,主要是基于中长期物理合同。发电机和消费者确定每日用电量曲线本身在日前阶段,和倾斜调整电力日前和实时平衡交易。市场模型,结合分布式电力市场和集中的电力市场是国外市场的主流模式,它也符合当前中国电力市场的发展需求。相结合的大规模集中多方交易和分散的双边市场交易现在是世界上一个相对成熟的市场交易模型。这个模型允许用户有权自主选择交易对象,电力和价格,并使用户能够选择适当的事务的实体基于自己的电力消耗,电能质量要求,和其他因素,进一步放大了市场资源配置的决定性作用,满足中国电力市场的特点。分布式电源的可行性市场在短期内是相对强劲的。两国物理事务和实时平衡市场的基本模型分布式电力市场现货。此外,分布式事务方法的优点也有节能和环境保护、能量转化率高,运行可靠性高,规模小的设备等。
然而,为了实现实时电力市场均衡,除了集成分布式事务在电力交易模式下,需要突破的技术水平,以确保交易的可靠性,实现分布式电源电力能源供应商和用户之间的交易。
电力交易系统是一种非线性的复杂系统。作为公开的交易平台,它包括市场管理的整个过程,交易声明,和市场解决。电力体制改革,电力交易系统将进行业务有更多的外部业务系统由于业务需求。在这个过程中,不可避免地进行大量的数据交互,它涉及到不同的数据类型和大量的数据。在这一点上,突出显示数据安全的重要性。数据安全可靠性是交易的前提。电力交易系统的主要业务是在电价等敏感数据。业务数据包含真正的宣言,体积,和交易市场参与市场交易的价格信息。如果数据不是通过一些链接妥善储存和泄露,这可能会导致巨大的经济损失。传统的集权事务模式数据安全性较低,不能保证事务的可靠性。 With the rapid development and wide application of big data, many data-driven approaches for analyzing management problems have emerged [2]。区块链技术是最先进的技术之一,在许多领域有潜力(3]。数据安全性和事务可靠性的问题可以解决通过使用智能区块链技术引入电力交易和合同信息的存储和管理事务。因为事务数据区块链节点可以实时更新,它大大降低了交易主体之间的信息不对称,可以提高安全性和交易行为的透明度,有效地控制交易成本和信贷成本,并实现特性,比如定制电力销售计划,点对点交易,和自动结算。
区块链是一个新的应用程序模式的计算机技术,如分布式数据存储、点对点的传播,共识机制、加密算法。分布式数据存储方法,分布式事务机制的设计原则是一致的。基于区块链技术的分布式事务过程反映了流能量流之间的关系,交易主体之间的信息流动和价值流动。分布式事务通常涉及分销网络运营商,分布式发电聚合器,能量存储运营商,主要用户,用户分散的力量。在实际操作中,每笔交易对象网络服务平台接口,通过该交易平台发布信息流动而电力需求者上传自己的需求信息。根据事务由区块链构造网络,各种类型的交易方法和结算机制程序形成智能合同。区块链中的事务节点发送购买和销售订单对应交易时期通过服务接口网络形成一个订单表,并选择相应的交易方法根据自己的需要。然后,订单表自动清除市场根据清算机制对应不同的交易方法的聪明的合同。清算结果进一步确认和检查授权节点完成交易匹配和清算结果给用户通过服务接口。在实际交付后,智能电表测量到的能量流上传交易平台通过服务接口,以确保测量的准确性,然后交易结算。 The value corresponding to the transaction will be automatically settled and paid between the matched transaction users. The authorized node is responsible for adding the transaction record to a new block and packaging it on the chain, and at the same time publicizing the viewing authority to the relevant node. For the unsuccessful matching transaction in the distributed transaction process and the power deviation generated in the actual delivery, it needs to be balanced by the upper grid. Therefore, it is necessary to establish a deviation assessment and guaranteed power supply mechanism, and the corresponding transaction contracts and prices should also be embedded in the market mechanism in the form of smart contracts.
总之,分布式电力交易系统的核心变量基于区块链技术是能量流、信息流、事务和价值流动,流值判断基于能量流和信息流。在本文的价值流动的内涵主要包括预测交易节点,电力供需缺口,和游戏交易实体之间的定价策略。交易行为的价值流的核心价值在于其预测能力。使用交易节点的历史信息建立模型来预测电力供应和需求之间的关系并为电力供应商提供决策信息的基本方法是优化交易效率。本文扩展了相关研究区块链技术的应用领域的能源系统。算法创新改进适应数据分布式电力系统的演化特点,和一般信息不对称的特点,在电力市场分析时充分考虑电力价格的形成,因此分布式电力系统的价格更符合市场的现实。第一次,验证模型的适用性通过使用在美国电力市场的数据。本文的主要结构如下:(1)部分3所示。1使用改进的演算法来预测区块链交易节点的电力供应和需求的关系(2)基于预测的供需关系,部分3所示。2构造了一个两级电力供应商之间的不完全信息博弈模型和要求者,分别制定最优定价策略符合各自利益(3)部分4使用美国PJM电力市场数据进行案例分析,验证算法的可行性和模型
2。文献综述
区块链是在信息技术领域的一个术语。从本质上讲,它是一个共享的数据库。数据或信息存储在它不可伪造的特点,跟踪,公开和透明,和集体维护。基于这些特点,区块链技术大大提高信誉,降低了企业合作的成本,具有广阔的应用前景。这项研究在4)认为,区块链技术扩散在几乎所有行业,但不同程度。具体地说,他发现一些行业,如交通、通讯、电力和新能源方面有着高度的技术集成和广泛的应用场景。这项研究在5)给使用区块链作为一个安全的未来,为未来分布式网络基础设施网格。首先,介绍了区块链的基本原则及其先进的。然后,Blockchain-based智能电网cyber-physical基础设施提出了模型。之后,一些有前途的应用程序域的区块链在未来电网。这之后,一些潜在的挑战进行了讨论。相比之下,区块链技术的应用在金融、保险、房地产和其他行业在理论创新的阶段,很少有具体的应用实例。对于大多数行业,区块链技术的应用领域仍有很大空间扩张,尤其是在电力和能源行业。
新技术革命从根本上改变世界能源工业的形成和发展。增加的能源需求和能源结构的变化需要改善能源供应能力,通常需要一个巨大的成本。能源系统基于块链技术可以大大减少能源供应和能源需求的管理成本。这项研究在6]讨论了区块链对美国电力行业的影响,并分析和评价试点项目已经启动。研究结果表明,车链技术可以改善电力供应弹性分布式发电,电网的稳定供应效率,从而提高能源交易效率。这项研究在7)分析和比较这四个主流中国电力市场的交易模式。他集成块链技术,在此基础上提出了智能电网的基本发展思路,强调了重要的智能电网对电力需求管理的影响。区块链技术可以提高能源交易的效率,而且也极大地改变了能源行业的事务模式。这项研究在8)把光伏产业为例,发现生产效率,产品的竞争力,市场份额,公司采用区块链技术和创新能力都得到很大的提高。虽然许多理论和概念验证研究能源区块链已经出版,他们中的很多人都不支持的大规模的真实数据。这项研究在9]做了深入分析131区块链项目,发现能源区块链在现实世界中是高度依赖于电网运营商的参与,工程师,和能源供应商。系统分析的结果也表明,现实世界的能源区块链发展非常迅速,同比指数增长。然而,信息共享协议的内容对能源交易已经成为最大的争论点。基于连锁块光伏给定的交易模式,作者的10)建立光伏发电的效益功能用户和分布式光伏聚合器,采用Stackelberg博弈模型来确定内部价格,使最优利用规划通过计算边缘,和当地消费和交易机制设计基于信用评分惩罚用户消耗低电力消费,鼓励用户通过移动负载。
上述文献全面介绍了组合模式和组合块度链技术和能源系统能源供应和需求方面的管理成本,能源交易模式,发展现状和约束的能量块链在现实世界。blockchain-based分布式能源事务的核心是智能合同,要求发电和能源交易区块链节点的存储容量,以满足实时供给和需求的平衡。因此,它是特别重要的预测电力供需缺口和使用操作信息来调整间隙。
有很多方法来预测电力供应和需求之间的差距。电源通常是相关的宏观经济环境,输出电源制造商的决策和相关的政府政策。电源模式分为综合、分布式和分布式集成。分布式发电的主要类型是光伏发电、风力发电和生物质能发电,主要提供可再生能源。分布式电力供应商的供应的决定主要是基于成本效益分析。各种数学模型提出了测量成本。其中,最常见的学习曲线模型,也称为经验曲线,代表单位成本和发电之间的关系,也用作能源发展规划和政策分析的常见方法。这项研究在11)专注于累积研发支出之间的关系和累积装机容量的可再生能源。由于不同的可再生能源发电成本,作者发现,有一些不同的形状和不同的学习曲线的拐点进行比较学习曲线的差异风力发电,太阳能发电,水力发电。碳税政策在气候政策具有普遍约束力。这项研究在12)使用一种程式化的电力市场数值模型分析了碳税和电力供应的问题,并发现碳税可以调整能源价格不同程度,提高不可再生能源的价格,扩大可再生能源的市场需求。此外,它是发现,电力市场的脱碳政策可以促进可再生能源技术的发展,从而提高整体社会福利。可再生能源不稳定和不确定的现实很难准确预测电力供应。如何定量描述风力发电输出的分布的重点(13]。基于假设的风速是一个随机变量,满足正态分布和风速和风力发电之间的非线性关系,作者的14)建立了风能的分布模型预测从物理机制的角度。这项研究在15)使用改进的鲸鱼优化算法形成的竞价策略模型电力供应商的利润最大化和威布尔分布和β函数建模的随机特征风力高速概要和太阳能高辐照。拟议的技术测试和澄清一个IEEE 30, IEEE高57和实际75印度列车总线系统。
电力需求涉及非线性数据。预测方法包括:时间序列法、神经网络算法、模糊逻辑算法,支持向量机算法和自适应增强算法(演)。来自计量经济学时间序列方法,预测主要是基于时间序列的上下文。工作(16)使用两个不同的时间序列的方法研究月度高峰电力需求的预测问题在北印度,一个是季节性ARIMA方法,另一个是霍尔特指数平滑方法。实证结果表明,季节性ARIMA方法优于霍尔特指数平滑法的平方误差和绝对误差。同样,在工作17)使用多元回归时间序列来预测电力需求在尼日利亚,和电力消费和国家电网数据作为模型的自变量。虽然时间序列方法预测能力在某种程度上,其预测精度往往不高。工作(18)利用神经网络预测西班牙的每月的用电需求。他发现电力消耗的周期性特征,这种周期性的行为可以预测通过傅里叶级数。结果表明,神经网络与傅里叶级数优于ARIMA和其他神经网络。模糊算法通常用于描述不准确或模糊数据和基于模糊决策数据。这项研究在19)使用模糊预测方法来预测Huatacondo可再生能源需求的微型智能电网"的智利,并与自适应神经网络模型相比。结果表明,模糊模型具有更好的预测能力。同样的,(20.)也使用模糊方法来预测需求的分配制度。基于历史数据,作者使用了模糊系统预测未来电力需求。,并通过迭代一步一步预测误差,模糊系统获得更高的预测能力。支持向量机(SVM)是一种机器学习方法21]。它有能力的分类和回归,属于无监督学习。这项研究在22)使用支持向量机模型预测电力需求在中国东北。通过应用一阶移动平均,平稳数据集生成,不考虑季节性变化。这个数据集作为训练样本的支持向量机模型预测电力需求。与支持向量机相比,属于监督学习,学习演算法和输出指标有一个明确的分类标签,这样可以减少系统的不确定性。为了获得更高的电力需求预测的准确性,(23弱分类器weight-setting方法相比的静态重量和动态权重。为了提高分类器的适应性,根据体重调整预测输出和实际产出之间的相似性在每个迭代。随后,(24结合高斯过程回归(GPR)算法和学习演算法,介绍了预设阈值从统计的角度,并确定最终的分类器的重量后两层的训练,从而获得较高的预测精度。这项研究在25)提出了一个新的混合自适应自回归移动平均(ARMA)和功能训练过的神经网络(FLNN)与自适应求容积法卡尔曼滤波器(ACKF)混合短期需求预测日前在智能电网和电力价格。该模型由一个线性ARMA-FLNN获得通过使用非线性扩张的加权输入。非线性功能块帮助介绍非线性通过扩大输入空间到高维空间基函数。训练ARMA-FLNN, ACKF用于获得更快的收敛性和较高的预测精度。在[5),该研究提出了一种支持向量机(SVM)预测模型基于粗糙集(RS)数据结合粗糙集属性约简和支持向量机回归算法。在[26),作者提出了一种学习方法,它包含一个深与LSTM网络学习算法,并测试了该方法的有效性的预测成功的负载使用收集的数据和价格图片拍摄于国际空间站处在宾夕法尼亚州和Jersey-Maryland (PJM),西班牙电力市场,和伊朗。这项研究在27)(附件模型),提出了一个通用的优化框架包括三个替代算法的电力市场出清过程,为了优化确定的年度能源组合电力系统。这项研究在28)引入了一个新的名为SASVQR短期电价预测方法,基于支持向量分位数回归(SVQR)优化的模拟退火算法。这项研究在29日]解决了这个问题增加城市电网的能源效率标识能耗影响因素的基础上,开发了一种预测模型的基础上,电力消费的季节性安排家庭消费者,并提出了控制算法的基础上提出季节性用电家庭消费者的时间表。
上面的文献整理和讨论各种方法的测量电力需求和供应,以预测电力供应和电力需求之间的差距。基于块链技术的电力交易系统需要满足实时电力供需平衡。除了提高自己的能力,电力供应商还可以平衡电力供应和需求之间的差距通过价格,其中包括电力供应商和电力需求者之间的博弈过程。经典博弈模型可以分为静态博弈和动态博弈的时间限制,也可以分为完全信息博弈和不完全信息博弈的信息不确定性。区块链的主要应用价值是减少不确定性信息的双方之间的游戏。因此,不完全信息模型已经被许多学者广泛应用。的作者(29日,30.)创造性地引入多代理系统,然后建立了一个合作博弈模型在电网运营商、能源供应商,和用户特征的相互游戏能源交易参与者之间的关系,为后来的学者提供了一个基本的模型参考。这项研究在31日)初步探讨了multimodule合作区块链下的能源互联网的自治模型框架,并提出了关键技术的发展网络的能量。他认为,大多数的研究探索和分析区块链技术的应用在能源系统从应用程序的角度模式和整体框架,而且很少涉及具体问题的解决方案。在上述研究的基础上,32]分析了块之间的关系链技术和电力市场的竞争游戏从五个方面:信息透明、权力下放、动力学、安全性和奖惩。他建立了当地multi-microgrid市场竞争博弈模型下的区块链技术和探索车链技术的实际应用模式的电力市场。此外,作者的33)使用静态非合作的博弈模型来研究电网企业之间的市场竞争关系,新添加的电力供应实体,和用户。为了解决静态博弈模型的局限性,(34)建立完整的信息的动态游戏与多方利益相关者参与活跃的分销网络,同时考虑到需求侧响应。这项研究在35)提出了一个交易模型的光伏微型智能电网"集群基于合作博弈理论。在此基础上,研究人员还扩展了传统博弈论。例如,作者的36]研究了双边合同交易代公司和大型消费者通过使用主从博弈模型,和作者的37]介绍了灰色的博弈理论建立灰色辅助绑定策略博弈模型在电力市场。
上面的游戏模型都进行的前提,决策参与者是完全理性的。但事实上,实际的电力市场的游戏,各种随机因素会影响最后的策略,和游戏的参与者通常只有有限的理性。在这种背景下,进化博弈理论正逐渐应用到电网运行分析。的作者(38]结合演化博弈理论和共同进化游戏算法和交互操作的微型电网的经济效益分析和分销网络。然而,很少有研究电力市场运行机制活跃的分销网络利用进化博弈理论,解决进化博弈模型和算法仍然需要进一步的研究。
本文在以下两个方面创新。首先,学习演算法改善了通过调整更新样本集中权重电力市场交易数据的特点,然后研究解决进化博弈模型是先进的。第二,两级电力供应商之间的不完全信息博弈模型和构造要求者,分别制定最优定价策略。
3所示。算法和模型
实现现场电力供需平衡的关键问题是基于块的分布式电力交易链技术。本节首先使用改进的演算法来预测电力供需缺口在交易节点。然后,制造商可以进行两级游戏电力消费者基于这种供求关系,从而形成一个均衡价格,符合双方的利益。
3.1。学习演算法
3.1.1。理论基础
学习演算法已被证明是一种有效和实用的、有代表性的增强算法。学习演算法提高了Yoav弗洛伊德和罗伯特Schapire 1995年,其算法原理是选择的权重系数最低的弱分类器训练弱分类器,组合成一个最终的强分类器通过调整样品的重量和弱分类器的重量。弱分类器是基于训练集训练。下一个弱分类器训练获得的在不同重量的样本集。每个样品的重量是由难度分类,分类器的输出估计,在前面的步骤。
演算法是一种迭代算法。的核心思想是培养不同的弱分类器相同的训练集,然后把这些弱分类器线性形成最终的强分类器。这个过程涉及到一个迭代变化的两个权重。第一个是样品的重量,初始值均匀分布,新样品的重量计算的迭代弱分类器。迭代方向被描述为减少的重量正确分类样本和增加的重量错误分类样本。第二个是弱分类器的重量。根据当前的弱分类器的分类误差,强分类器可以计算出它的重量。随着迭代次数的增加,较小的弱分类器的分类误差更大重量和扮演一个更具决定性的作用在最后的分类函数。较大的弱分类器的分类误差较小的重量和扮演一个小角色。最后,最终的强分类器。
3.1.2。理论推导
学习演算法是一个forward-distributed加法算法模型,它分为两个步骤:模型和转发分布算法。最终的分类器被定义为 在哪里是基本的分类器(弱分类器),是权重系数的基本分类器, 。损失函数的分布算法指数损失函数定义为:
假设迭代开始 ,
后一轮迭代,是获得。根据分布算法,可以得到:
我们的目标是指数的损失降到最低在训练集,使用和通过远期分布算法,即 在那里, 可以被视为样本的重量每一轮迭代,这取决于上一轮的样品重量。上述方程等于
最小化 ,也就是说,把损失函数的导数关于并让它等于0的收益率 在哪里
基于上述的损失函数和分类器的重量,演算法的算法流forward-distributed加法模型如下。集 , , ,在那里, 是输入设置,可以反映电力需求指数块链的一个节点在一定的时间,然后呢 是输出设置,反映了节点的电力供需缺口:步骤1:初始化重量, ,遵循均匀分布, 。步骤2:使用示例数据集与重量对于学习,构造弱分类器 ,在哪里 ,然后计算的分类错误率在训练数据集基于方程(8)。步骤3:计算权重系数的在强分类器基于方程(7)。步骤4:更新样本分布,即样品的重量,是归一化的因素: 第五步:迭代得到最终的分类器:
3.1.3。学习演算法改进
上述基本学习演算法有两个重要的问题。首先,弱分类器的组成通常是基于单层决策树,太简单,适用于不平衡数据分类。然而,电力市场中的交易数据往往是高度不稳定,这将大大减少弱分类器的效率。第二,当训练样本集包含了一些样品,很难区分,样品的重量会增加由于误分类的弱分类器在过去迭代。如果一个特定的目标分类集包含太多的样品很难区分,下一个选择的样本数据分布的培训将扭曲,算法将会失败。本节将提高弱分类器的性能通过调整更新样本集中的重量。
这部分将重点解决供需问题的预测块链节点。现在,供需缺口只有两个方向,所以它的重量损失函数需要再次调整,选为积极和消极的一类函数。假设是弱分类器的预测输出样本吗 。的损失函数后轮迭代定义为
它的补充功能是: 。假设在th迭代,训练样本的随机分布的样本 ,然后补的训练集 。这个迭代更新的重量
可以看出反映的能力弱分类器分类样本属于类和样品不属于类 ,这保证了正确分类的鲁棒性。在本文中,当 ,上面的重量更新规则
相应地,权重系数的比例强分类器
传统演算法是一个分类问题的对称分布的准确性,即分类错误率的正样本和负样本的错误率是统一的、平等的地位在整个训练过程。然而,区域电力消耗数据研究了不符合上述规定。例如,有很大的差异在电力需求的相关指标数据的变化和相关指标之间的电力供应的地区,这使得过度专注于某个类别的样本集训练后,从而导致增加错误率。在本节中,使用不同类型的样本的分类性能调整的具体重量训练样本对整个数据集。当弱分类器分类某地区的电力供应和需求关系正确,增加1。当分类是错误的,减少1。因此,误分类率的不平衡会影响分类及其集成。
3.2。两国基于不完全信息博弈模型
鉴于以上研究,我们可以更准确地预测电力供需缺口区块链上的每个节点通过学习演算法。根据供给和需求之间的差距,电力生产商可以作出决定,如定价和调度、能量储存计划、协调和调度。根据分布式发电的特点,电力消费者可以使用电力和售电。既有竞争关系和合作关系在电力市场中交易的实体,这符合博弈论的基本设置。因此,本节将不完全信息动态模型应用到电力生产者和消费者之间的游戏。
通常,在电网中区块链类型分为公共链,联盟链,根据目标受众和私人链。因为电力系统相关的民生和国家安全,电力系统的区块链主要是针对大型国有电力服务制造商和部分分散的特点。因此,本节将重点介绍联盟链。有电力供应和电力需求侧的框架下联盟链。
3.2.1之上。交易实体的利润函数
基于学习演算法,供给和需求之间的差距预计电力交易的节点。根据联盟链的特点,信息的差距是唯一已知的电力市场供应商而不是需求方。电力市场的交易规则如下:毕竟买家和卖家提交投标,市场匹配的最低销售价格根据定价规则,最后成功匹配的价格是市场出清价格。因此,电力市场交易的本质是信息不对称电力供应商和需求方之间的游戏,这是一个两国收入的相互关联和制约的过程。
在两级游戏,供应方和需求方知道对方可能采取的定价策略。因为供应商可以预测某些交易的供需缺口节点,供应商已经在第一阶段先发价格优势。观察供应商提出的定价策略后,电力消费者有两种策略:接受价格或不接受价格。消费者拒绝时,比赛进入第二阶段;消费者首先想到的价格计划。同样,供应商可以选择接受或不接受。如果供应商选择接受,事务将会结束。如果供应商选择不接受,事务将被取消,分别和双方都应当承担相应的损失。(1)在供应方面的利润函数电力供应商的利润取决于单位净利润和事务的数量。假设事务的权力电力供应的时间吗 ,和供应商提供的价格方案,是边际发电成本的供应商。如果电力需求等于电源当事务结束时,和消费者接受的价格供应商,然后电力供应商的利润函数是 如果电力消费者不接受供应商的价格计划,然后他们将提出他们自己的价格在第二阶段的比赛。如果供应商同意这项计划,那么事务结束。在这种情况下,电力供应商的利润函数是 值得注意的是,电源端知道需求方的需求数量 在上面的方程。如果双方不能达成协议后两级游戏,相应的损失由电力供应商承担 。(2)在需求方面的利润函数需求方面的利润函数类似于供应方面回归模型。在第一阶段,如果交易结束,也就是说,消费者接受的价格方案供应商,隐含条件 ,然后相应的收入 在哪里电力购买后的收入, 。如果电力消费者不接受供应商的价格方案,他们将提出他们自己的价格在比赛的第二阶段,隐含条件 。如果供应商同意这项计划,那么事务结束。,电力需求侧的利润函数 如果双方不能达成协议后两级游戏,相应的损失由权力承担要求者 。
3.2.2。解决两国基于纳什均衡博弈决策模型
游戏描述决策过程的两个或两个以上的玩家追求各自的目标。游戏的四种元素是决策者、战略、支付函数,和平衡的解决方案。纳什均衡也为决策者提供了一致的预测可能的结果的游戏,也就是说,理性的决策者的最优决策结果,从而指出战略的方向。
在任何博弈模型中,纳什均衡的存在是特别重要的。当游戏策略是一个非空的,欧几里得空间中有界凸集,奖励函数是连续的和上给出sub-strategy空间。在这种情况下,纯策略纳什均衡博弈模型。的博弈模型研究了在这一节中,两国的战略空间游戏显然满足非空的的特点,有界和凸集。,因为定价策略是连续的,利润也连续函数,满足一阶导数的上凸条件不为零和二阶导数小于零。因此,双边博弈模型认为在这一节中有纳什均衡解决方案。
假设决策者是集 ,一组采用的策略 ,和相应的组支付功能 ,在哪里参与者的数量。本节只涉及供应方和需求方的电力市场,所以我们表示决策者的设置 ,在哪里代表了电力供应方面和代表了电力需求侧。双方的支付功能 。供应方和需求方需要确定各自权力购买价格在两个阶段,和组策略 。
平衡方程如下,和分别代表最终纳什均衡解决方案。电力供应商,给出最优定价策略要求者,电力供应商选择最优定价他们的利润最大化。同样,电力供应商,因为供应方面的最优价格 ,消费者的最优定价他们的利润最大化 :
基于上述分析,在两阶段博弈模型,落后的方法通常是用来解决纳什均衡。具体步骤如下:步骤1:建立两阶段博弈模型的框架,定义电力供应商的战略空间和奖励功能,在每个阶段要求者。步骤2:从第二阶段开始,要求者价格制定计划,需要比较的利润函数两种状态下同意价格计划和不同意价格的计划。因此,最优的价格得到两种状态下的付款时相等。第三步:双方的折扣支付第二期第一期。同样的,当电力供应商使价格计划,需要比较两种状态下的利润函数同意计划和价格不同意价格的计划。因此,最优的价格得到两种状态下的付款时相等。
4所示。实例分析
4.1。预测电力供需缺口
本节需要PJM电力市场数据的市场作为一个例子,在美国,9个地区的时间部分数据于7月29日至30日,2020年,选择预测电力供需缺口。电力负荷措施的总和电力来自电力用户的电气设备的电力系统在特定的时间。PJM数据提供实际和预测电力负荷。如果真正的电力负荷大于预测值,电力需求将大于供应,和电力供需缺口将是负的。如果真正的电力负荷小于预测值,电力需求将小于供应,和电力供需缺口将是积极的。把一定时期内7月30日,2020年,作为一个例子。和施德缺口表所示1。
结合计算规则施德差距的理论模型,我们可以使用Ababoost算法来预测该地区施德差距。把电压、系统能源价格、实际区域边际价格峰值价格,边际损失地区作为输入的价格指数在样本集,施德差距作为输出指标样本集,使下列规定:如果施德缺口为正,则代表的是类别变量+ 1,反之亦然。取样间隔从0:00至12:00 7月30日,2020年。这个实验所需的数据集表进行了总结2。
计算后,当我们使用实际的区域边际电价作为输入指标,样品重量是(0.1,0.125,0.125,0.1,0.125,0.125,0.125,0.1,0.1,0.1,0.1),最优分类阈值是0.5,出错率是0.5,输出的预测价值指数(1−1−1−1−1−1,总和−1−1−1−1−1−1−1−1]。当高峰电价作为输入指标,样品重量是(0.08,0.125,0.125,0.104,0.125,0.125,0.104,0.104,0.1),最优分类阈值是3.5,出错率是0.4,输出的预测价值指数(−−−1日1日1,1,1,1,1]。当边际损失价格作为输入指标,样品重量是(0.119,0.132,0.105,0.095,0.132,0.132,0.095,0.095,0.095),最优分类阈值是1.5,出错率是0.475,输出的预测价值指数(−1,1,1,1,1,1,1,1,1,1,1]。可以看出,高峰电价作为输入的错误率指数是最低的。
4.2。最优定价策略
本节将使用美国PJM电力市场数据市场7月30日,2020年为实证。电力供应商的利润函数涉及事务能力,交易价格,和发电成本。一般来说,事务权力可以作为交易价格的函数,也就是说, 。为方便计算,我们 。根据样本数据, 和 ,的计量单位和美元/千瓦时。
使用落后的方法,权力的利润函数要求者在第二阶段 。一阶条件可以获得 。因此,最优定价的权利要求者
电力供应商的利润函数在第一阶段 。一阶条件可以获得 。因此,最优定价的权利要求者
替代 ,的电力供应商在第一阶段,优化定价的公式在第二阶段。然后,我们可以获得的最终纳什均衡解决方案和 。
5。结论
电力交易系统是一个非线性的复杂系统,具有巨大的功能和复杂的业务,包括各种类型的数据和大量的数据。,部分电力交易系统的业务数据需要与许多外部业务系统交互,但安全的数据和事务的可靠性不能得到保证。所以,它需要解决。分布式发电的核心技术交易系统基于区块链技术是实现智能实时功率平衡和提供先决条件合同,从而保证了数据的可靠性电力交易和数据安全。使用交易节点的历史信息来构建模型,预测电力供应和需求之间的关系,为电力供应商提供决策信息的基本方法是优化交易效率。本文扩展了相关研究区块链技术的应用领域的能源系统。算法创新改进适应数据分布式电力系统的演化特征。本文改进的学习演算法被用来预测电力交易的供需缺口节点,然后测试算法的预测能力9分时数据的随机选择的区域PJM市场在美国。具体来说,输入指标样本集是该地区的电压,系统能源价格,实际区域边际电价、峰电价格,价格和边际损失,和输出指标的样本集是供需缺口的方向。高峰电价可以通过学习演算法作为输入指标最小的错误率。 The characteristics of general information asymmetry in the power market are fully considered when analyzing the formation of power price, so that the price of the distributed power system is more consistent with the market reality. Secondly, the essence of the power market transaction is the asymmetric information game between the power supplier and the demander because the information on the blockchain is only known to the power supplier. A two-stage game model is constructed in this paper to describe the price competition strategy between the power supplier and the power demander. The Nash equilibrium solution of the first stage and the second stage of the model can be obtained by the backward method, so that the decision-making optimization of the distributed power transaction under the blockchain framework is realized. Finally, the applicability of the model is verified by using the data of electricity market in the United States.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金(批准号71874149和71874149)和中国国家社会科学基金(批准号20 zda084)。