基于优先权匹配的动态微网群P2P交易方法

基于优先权匹配的动态微网群p2p交易方法
技术领域
1.本发明涉及电力交易技术领域，特别涉及一种基于优先权匹配的动态微网群p2p交易方法。


背景技术：

2.近年来，可再生能源(renewable energy sources, res)利用技术不断发展，使得分布式可再生发电逐渐普及，配置有风机(wind turbine, wt)、光伏(photovoltaic, pv)、燃气轮机(micro-turbine, mt)、储能(energy storage, es)、燃气锅炉(gas boiler, gb)、电制冷机(electric conditioner, ec)等分布式能源(distributed energy resources, ders)的多能源互补微网(microgrid, mg)具有更灵活的特性，可调节资源以维持供需平衡。然而，各种能源需求的差异以及多能源之间的耦合限制了mg的可调节性。随着微电网的不断发展，相邻微网之间可以相互连通，形成互联的多微网(interconnected multi-microgrid system, immg)系统，可进一步为多个ders的综合利用提供有效技术手段。immg系统中的mg通过与其他mg和配电网协调运行，可以降低电能消耗成本，促进新能源的本地消纳。同时，互联immg的功率波动和可再生能源间歇性会降低其安全性，使immg系统难以维持。因此，需要研究良好的电力市场交易机制设计，引导多方行为，保证电力系统运行的安全性和可靠性，保持immg系统的稳定性。
3.由于不同的资源配置和ders的随机性，在immg系统中，由于每个微网都存在能量剩余或者短缺，他们既可以消费也可以生产能源，各个微网实时扮演着卖方或买方的角色。为了获得更多利益或降低能源成本，也是为了使得微网内部供需平衡，mg需要在一个交易市场中向immg中的其他社区成员出售/购买不平衡的电力。p2p能源交易允许消费者和生产者作为买家和卖家进行直接交易，对消费者和生产者都有好处。生产者不再需要接受公用事业公司提供的价格,因此他们可以获得更高的单位电力价格；消费者可以省钱，因为他们不必接受电力公司对电费收取的各种费用。
4.多微网p2p能源交易市场分为以下三种：协调市场、社区市场和分散市场。前两个市场均存在第三方来管理市场，因此各mg的隐私性很难得到保证，分散市场采用基于双边合同的交易机制，要求各mg只需提供量价信息，然而该方法使交易的关键信息仍可供其他参与者查阅，所以mg的隐私性仍然未能得到保证。


技术实现要素：

5.本发明的目的在于提供基于优先权匹配的动态微网群p2p交易方法，增强各微网成员的隐私性。
6.为了实现上述发明目的，本发明实施例提供了以下技术方案：一种基于优先权匹配的动态微网群p2p交易方法，所述微网群中包含若干个微网，包括以下步骤：s11，数据初始化，包括微网群中各个微网的报价、机组参数、负荷、风机出力预测
值、光伏出力预测值，以及设置交易轮数，并令初始交易轮数为1；s12，每完成一轮交易后，交易轮数的数值加1，且更新报价；s13，将更新后的报价代入调度模型中，求解模型以进行各机组出力优化；s14，各微网根据优化后的机组出力得到自身的供需量，并基于该供需量确定交易角色，所述交易角色包括买方和卖方，并根据交易角色计算优先权指标，以及按照优先权指标的绝对值大小进行排序；s15，基于优先权指标值的排序进行交易匹配，匹配成功后的买方和卖方分别向匹配的对方公布各自的报价和供需量；s16，计算供需比，匹配成功的各微网基于所述供需比，按照报价模型更新报价；s17，根据供需量和双方报价，按照交易价格模型生成交易订单；s18，判断整个微网群中是否只存在供应或需求，如果是则进入步骤s19，如果不是则返回步骤s15；s19，判断本轮交易后是否达到设定的最大交易轮数，如果是则结束整个交易流程，如果不是则返回步骤s12。
7.上述方案中，在交易前，先基于优先权指标值进行匹配，匹配成功的微网才进行交易，微网只需要向匹配成功的对方提供报价和供需量信息，微网群中的其他微网和配网都无法获取，继而有效地提高了微网的隐私安全性。
8.所述步骤s14中，买方和卖方的优先权指标计算公式分别为：买方和卖方的优先权指标计算公式分别为：式中：和分别为买方和卖方的优先权指标；和分别代表买方mg所报需求量和卖方mg所报供给量；为p2p市场中允许交易的最大量；和分别为买方mg所报买价和卖方mg所报卖价；和分别为与配网交易的买价和卖价。
9.上述方案中，基于买卖双方的供需量和报价计算优先权指标值，使得按照优先权指标值排序及匹配的交易双方更加贴近实际需求，提高整个方案的可靠性。
10.所述步骤s15中，基于优先权指标值的排序进行交易匹配的过程，包括：按照绝对值从大到小依次排序，排在前面的微网之间优先匹配成功。
11.本方案中，不仅能实现匹配，而且通过排序靠前的优先匹配，能够提高匹配效率，继而提高交易效率。
12.所述步骤s13中，所述调度模型的搭建包括步骤：设定目标函数，
，，为微网群总成本；与分别为维护成本和交互成本，为场景s出现的概率；、、、、 、分别为各个机组的维护系数；、、、、、分别为光伏、风机、储能、燃气轮机、燃气锅炉、电制冷机的出力，和分别为各微网的购买电量和售出电量；和分别为各微网所报的买价与卖价；确定约束条件，所述约束条件包括功率平衡约束、可控机组出力约束、交互功率约束和储能约束。
13.所述步骤s13中，采用场景分析的方法描述风机和光伏出力的不确定性，包括：结合日前风机出力预测和光伏出力预测，采用拉丁超立方抽样产生m个初始场景；基于欧式距离最短的原则，削减初始场景，直至场景数达到设定值。
14.上述方案中，相比于随机采样，场景分析法中的场景生成的方法可以更精确描述变量的分布，提高出力预测的准确性。
15.所述步骤s16中，采用如下公式计算供需比，，式中：为t时刻第n轮交易中第m对的供应量；为t时刻第n轮交易中第m对的需求量。
16.所述步骤s16中，基于所述供需比，按照报价模型更新报价的过程，包括：1)供需比小于1：1)供需比小于1：式中：为t时刻第n轮交易中第k次买方报价；为t时刻第n轮交易中第k次卖方报价；
2)供需比大于1：2)供需比大于1：3)供需比等于1：式中：k表示在本轮交易中的报价次数。
17.所述步骤s17中，交易价格模型为：1) 当卖方可售量多于买方需求量：2) 当卖方可售量少于买方需求量时：3) 当卖方可售量等于买方需求量时：其中，，为t时刻最后一轮交易中第k次买方报价，为t时刻最后一轮交易中第k次卖方报价，为t时刻最后一轮交易中第k次买方所报供应量，为t时刻最后一轮交易中第k次卖方所报需求量。
18.所述步骤s19中，如果本轮交易后达到设定的最大交易轮数，则将剩余的供应或需求与配网进行交易。
19.上述方案中，当微网群内部交易完成后还有剩余供应或者需求未得到满足时，再与配网进行交易，以满足微网群内部的应用需求及利益最大化。
20.与现有技术相比，本发明方法具有以下优势：1. 通过买卖双方优先权指标的快速多次匹配，提出了一种改进的分布式p2p能源交易竞价机制，由于微网只需要向匹配成功的对方提供报价和供需量信息，微网群中的其他微网和配网都无法获取，继而有效地提高了微网的隐私安全性。而且由于不需要向其他微网进行信息交互，因此降低了信息交互的次数，提高了交易效率。
21.2. 在各微电网的自主调度模型中，采用场景分析法描述风光出力的不确定性，并分析其对多微网系统总成本的影响。此外，考虑到各微电网的隐私性，将自主调度后的供需量和报价以优先权指标的形式进行量化，可以引导微电网群的动态组成，同时提高各微电网在交易中的灵活性和意愿。
22.3. 将整个交易过程分为报价和交易两个阶段。在每一轮交易的竞价阶段，每次竞价都是根据交易双方的供需比进行更新；在每一轮交易的交易阶段，设计了一个改进的中间市场利率模型，根据交易双方的报价和供需比计算交易价格，最终促进可再生能源的就地消纳，实现最优的运行策略。
附图说明
23.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
24.图1为举例的一个多微网群的内部架构图。
25.图2为基于优先权匹配的动态微网群p2p交易方法的流程图。
26.图3为应用举例中电负荷预测值随时间的变化曲线图。
27.图4为应用举例中热负荷与冷负荷预测值随时间的变化曲线图。
28.图5a、图5b、图5c、图5d分别为应用举例中mg1、mg2、mg3、mg4的成本示意图。
29.图6为应用举例中mmg总成本图。
30.图7a、图7b分别为应用举例中t=1时的第一次交易、第二次交易的匹配情况图。
31.图8a、图8b分别为应用举例中t=4时的第一次交易、第二次交易的匹配情况图。
32.图9为应用举例中t=15时的交易匹配情况图。
33.图10为应用举例中t=1时的交易价格对比图。
34.图11为应用举例中t=4时的交易价格对比图。
35.图12为应用举例中t=15时的交易价格对比图。
36.图13为应用举例中生成的初始场景的示意图。
37.图14为应用举例中削减后的场景的示意图。
38.图15为应用举例中mg1自主调度的结果示意图。
39.图16为应用举例中mg2自主调度的结果示意图。
40.图17为应用举例中mg3自主调度的结果示意图。
41.图18为应用举例中mg4自主调度的结果示意图。
42.图19为应用举例中交互功率对比图。
具体实施方式
43.下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的
范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.如图1所示，为举例的一个微网群的架构图，微网群中有多个微网，如图中的mg1~mg7，微网的类型可能不同，例如负载数量不同，设备类型不同等。
45.如图2所示，基于优先权匹配的动态微网群p2p交易方法，各个步骤的执行主体均为微网群中的各个微网，因此在部分步骤中可能有省略描述。该方法包括以下步骤：s11，数据初始化，包括微网群中各个微网的报价、机组参数（例如各机组维护系数、出力上限、出力下限等）、负荷、风机（风电）出力预测值、光伏出力预测值，以及设置交易轮数，并令初始交易轮数为1。设置交易轮数的目的是设置迭代次数，避免无限死循环。初始化报价的目的是赋给各微网初值进行调度，然后再不断更新报价，最终达到最优运行状态。
46.s12，每完成一轮交易后，交易轮数的数值加1，且更新报价。
47.容易理解的是，对于首次交易，报价就是指数据初始化时的报价，而没有更新报价过程，对于非首次交易，则每交易一次要更新一次报价，因此此处的更新报价是指完成一次交易后的更新报价。
48.s13，各微网通过报价更新来优化调度模型，实现优化各机组出力。在每一轮的报价更新后，将更新后的报价代入调度模型中，求解模型即进行了各机组出力优化。
49.s14，各微网根据优化后的机组出力得到自身的供需量，并基于该供需量确定交易角色，所述交易角色包括买方和卖方，并根据交易角色计算优先权指标，一个微网对应得到一个优先权指标值，以及按照优先权指标的绝对值大小进行排序。
50.优先权指标计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（24）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（25）式中：和分别为买方和卖方的优先权指标；和分别代表买方mg所报需求量和卖方mg所报供给量；为p2p市场中允许交易的最大量；和分别为买方mg所报买价和卖方mg所报卖价；和分别为与配网交易的买价和卖价。
51.根据上述模型买卖双方计算各自的优先权指标值，其绝对值越大，则越优先进行交易。也就是说如果按照绝对值从大到小依次排序，那么排在前面的微网之间优先匹配成功。
52.s15，基于优先权指标值的排序进行交易匹配，匹配后的买方和卖方分别向匹配的对方公布各自的具体信息，具体信息包括报价和供需量。
53.本方案中，基于优先权指标进行匹配，然后只买卖双方只向匹配成功的对方公布自己的具体信息，其他微网无法得知相关信息，因此极大程度地保护了交易双方的隐私，提升了交易双方的隐私性。
54.s16，各微网（此处是指匹配成功的微网）按照报价模型更新报价。每一次配对后，各微网都会根据供需比更新自己的报价，供需比的计算方式请见后文描述。
55.s17，根据供需量和双方报价，按照交易价格模型生成交易订单。根据供需量和报价，计算交易价格，然后生成交易订单。
56.s18，判断整个微网群中是否只存在供应或需求，如果是，则进入步骤s19，如果不是则返回步骤s15。
57.s19，判断本轮交易后是否达到设定的最大交易轮数，如果是则结束整个交易流程，如果不是则返回步骤s12。
58.本步骤s19中，如果微网群还要与配网进行交易，那么当交易轮数达到设定的最大交易轮数时，不是结束整个交易流程，而是将剩余供应或需求向配网交易，如图2所示。
59.需要注意的是，如图2所示，微网群内部进行的一次或多次交易都只算做完成一轮交易。
60.上述各个步骤中，除非有特别限定，否则都是在前一步骤执行完成后依次执行下一步骤，例如步骤s15执行完成后执行步骤s16。
61.风机（风电）出力预测值、光伏出力预测值分别描述了风机处理和光伏出力的不确定性。本实施例中，在调度模型优化时，采用场景分析的方法描述风机和光伏出力的不确定性，场景代表的是不同的风机和光伏的出力结果，能够有效提高各微网运行的经济性与配网运行的稳定性。具体地，基于场景分析的方法描述风光出力的不确定性的步骤包括：(1)场景生成：结合日前（第二天）风光预测（风机出力预测值和光伏出力预测值），采用拉丁超立方抽样产生第二天风光的出力曲线。假设风电出力预测误差满足 正态分布，其中是日前预测风电出力值，为风电可能出力的标准差，用来表征风电的随机性。同理，假设光伏出力预测误差服从正态分布，为光伏可能出力的标准差，然后通过生成的光伏出力预测误差计算光伏实际出力。与随机采样不同，场景分析法中的场景生成的方法可以更精确描述变量的分布。
62.(2)场景削减：采用同步回代消除法对m个初始场景进行削减，以降低优化调度的计算量，且削减后保留下来的场景更能反映各种情况。场景削减步骤如下：1) 初始化，将生成的m个初始场景导入，设置迭代次数，任意场景概率均等，即：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
2)任选一场景，计算与其欧式距离最短的其他场景：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中：为场景j出现的概率；为场景i和场景j的欧氏距离，m为正整数。
63.3)确定要删除的场景：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）4)更新场景数量m=m-1，将所删除场景出现的概率加到与其欧氏距离最近的场景上，确保所有场景出现的概率和为1。并重复以上步骤，直到场景数达到削减场景的设定值。
64.对于自主调度模型的搭建，包括以下步骤：1)设定目标函数：微网群以各个微网的运行成本最小为目标，包含维护成本与交互成本。
65.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀ
（5）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）式中：为微网群总成本；与分别为维护成本和交互成本；为场景s出现的概率；、 、 、 、 、 分别为各个机组的维护系数；、、、、、分别为光伏、风机、储能、燃气轮机、燃气锅炉、电制冷机的出力，其中；和分别为各微网的购买电量和售出电量；和分别为各微网所报的买价与卖价。
66.2)确定约束条件a.功率平衡约束：包括冷、热、电功率平衡约束。
67.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）式中：、 、分别为各微网的冷负荷、热负荷、电负荷预测值； 、分别为燃气轮机的制冷量与制热量。
68.b.可控机组出力约束
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）式中：与分别为mt出力的上限和下限，与分别为gb出力的上限和下限，与分别为ec出力的上限和下限。
69.c.交互功率约束
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（14）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（15）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（16）式中：为交互功率的最大值；和为二进制变量。
70.d.储能约束es在t时刻的容量与t-1时刻的容量有关，且es运行具有周期性，应使es始末时刻容量保持一致：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（17）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（18）式中：和 分别为t时刻和t-1时刻的储能容量；和分别为es的充电功率与放电功率；和分别为充电系数与放电系数；为es的自放电系数。
71.es运行时必须满足充放电功率约束，同时不能在相同时刻进行充放电，故需满足以下约束：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（19）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（20）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（21）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（22）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（23）式中：和分别为es的容量上限和下限；和分别为充电功率的最大值和放电功率的最大值；和为二进制变量。
72.上述步骤s15中，通过优先权指标引导形成动态微网群，各个时刻每个参与者都会根据自己的供需量与报价自主选择最合适的一方进行交易，以实现每个微网余缺的能源在微网群内部进行合理的交互，进而提高配网运行的安全稳定性。
73.上述步骤s16为报价阶段，即根据优先权匹配后的双方首先与对方进行量和价的具体信息公开，由于交易双方供需并不一定相同，需考虑交易价格对于双方的公平性，故根据两方所报的量与价计算每笔交易达成后的交易价格，最终通过进行多轮报价实现微网群的最优运行。
74.其中报价阶段从匹配后双方的供需角度出发，首先计算双方的供需比：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（26）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（27）
式中：为t时刻第n轮交易中第m对的供应量；为t时刻第n轮交易中第m对的需求量；为第m对的供需比；为的反比。
75.当整个微网群没有需求量或者供给量时，各微网不会参与p2p交易市场，直接以上网电价与配网进行交易。当整个微网群存在需求量或者供给量时，分为以下3种情况：1)供需比小于1：此时由于买方向卖方购电后，不足的部分仍需要再次进行交易，故应先更新卖方报价。
76.ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（28）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（29）式中：为t时刻第n轮交易中第k次买方报价；为t时刻第n轮交易中第k次卖方报价。
77.2)供需比大于1：此时由于卖方向买方售电后，多余的部分仍需要再次进行交易，故应先更新买方报价。
78.ꢀꢀꢀꢀꢀꢀꢀꢀ
（30）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（31）3)供需比等于1：为体现公平性，买卖双方更新报价均为取两者报价平均值。
79.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（32）式中：k表示在本轮交易中的报价次数，也可以理解为匹配次数，因为每匹配成功一次就会更新一次报价。
80.经过n（设定的交易轮数最大值）轮交易后，每笔交易价格的设计同样需要考虑双方供需量。传统的制定交易价格方法为取买卖双方报价的平均值，可是在两者供需量不相等时，对于量少的一方而言，该价格的激励作用不强且是不公平的，所以从供需量的角度出发，通过改进中间市场费率的模型来设置合理的交易价格，并保证每笔交易价格不得超出两方的报价范围，能促进交易的积极性，继而提高微网群内部消纳率，同时保障配网的安全运行。
81.首先计算双方报价的平均值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（33）式中：为t时刻第m对的平均交易价格。
82.其次按照双方的供需量，分为以下3种情况：1) 当卖方可售量多于买方需求量时，此时买方希望交易价格比平均值低，故交易价格应该偏向于买方：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（34）2) 当卖方可售量少于买方需求量时，此时卖方希望交易价格比平均值高，交易价格应该偏向于卖方：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（35）3) 当卖方可售量等于买方需求量时，交易价格为二者报价均值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（36）其中，为t时刻最后一轮交易中第k次买方报价，为t时刻最后一轮交易中第k次卖方报价，为t时刻最后一轮交易中第k次买方所报供应量，为t时刻最后一轮交易中第k次卖方所报需求量。
83.根据上述模型可有效提高每个微网参与交易的意愿，比传统的交易定价模式更加合理。
84.具体应用举例假设4个微网组成的微网群，其具体负载类型和设备配置如下表1所示。假设pv与wt均以最大功率跟踪模式运行，各个微网电负荷预测值、热负荷预测值、冷负荷预测值如图3和图4所示。mt、gb、制冷机最大出力设置为500kw。对于储能，其最小容量为100kw，初始容量设置为总容量的20%，最大充放电功率设置为100kw，充放电效率为0.9，u=0.001。
85.表1
1.成本对比不同方法结果对比：初始方案：微网群内不存在交互，供需量均与配网按照上网电价进行交易；方案a：微网群采用统一的价格，再通过定价模型进行交易；方案b：微网群所报量按比例进行分配，再通过定价模型进行交易；方案c：按本发明优先权模型进行匹配，再通过定价模型进行交易。
86.成本结果如图5a、图5b、图5c、图5d和图6所示。从图中可以看出，经过大约5轮交易后，整个p2p市场处于相对稳定的状态。首先，与方案a相比，方案b和方案c采用了相互议价的方式，不仅降低了各微网的成本，而且保证了各微网参与内部交易的灵活性，提高了其参与意愿；其次，根据方案b和方案c之间的比较可知，按照优先权模型引导微网群交易后的总成本不仅有小幅度降低，并且就隐私保护方面而言，方案b按照比例分配供需量需要各个微网向整个系统中的所有其他微网公开供需量与价格，而方案c只需提供自己的一个指标，然后在交易中向对方公开自己的信息，隐私性大大提高。
87.将考虑风光出力不确定性的模型视为方案d，各微网成本与方案c的比较结果如表2所示。从表中可以看出，当考虑风光出力的不确定性后，其成本略有增加，增加的部分成本可以被理解为：当风光出力波动时，增加安全运行成本，以确保系统仍能正常运行。
88.表2方案mg1mg2mg3mg4mmgc(元)4028.837280.663595.224743.1519647.86d(元)4033.987339.353654.314802.0319829.672.交易过程以t=1，t=4，t=15时刻为例来说明当n=10时交易时的匹配过程。
89.如图7a、7b所示，在t=1时，mg1和mg4分别需要4.905kw和93kw以满足供需平衡，mg2有114.235kw可售，mg3此时达到供需平衡，于是参与p2p市场交易的mg1、mg2、mg4首先发布各自的优先权指标-0.5501、2、-1.4499，其次在此信号引导下，mg2与mg4进行第一次交易，成交订单为《93,0.0787》，mg4达到供需平衡后退出p2p交易市场，mg2与mg1进行第二次交易，成交订单为《4.905，0.0787》，最后mg2向配网按上网电价售出16.33kw。
90.如图8a、8b所示，在t=4时，mg1和mg4分别需要200.69kw和102.67kw以满足供需平
衡，mg2和mg3分别有152.835kw和184.355kw可售，此时4个微网均参与到p2p市场中进行交易。4个微网发布各自的优先权指标为-1.1616，2.4533，2.5467，-0.8384，首先mg3和mg1、mg2和mg4同时进行交易，达成的订单分别为《184.355，0.0692》，《102.67，0.0692》，然后mg3和mg4满足供需平衡，退出交易市场，此时mg1还需16.335kw，mg2可售50.165kw，所以他们会再次在p2p交易市场发布各自的优先权指标，由于现在整个微网群是一个买家一个卖家的情况，所以他们也可直接达成交易，mg1和mg2的成交订单为《16.335,0.0692》，最后mg2向配网按上网电价售出33.83kw。
91.如图9所示，在t=15时，mg1和mg2分别需要106.7857kw和7.935kw以满足供需平衡，mg3和mg4分别有33.005kw和374.565kw可售，此时4个微网均参与到p2p市场中进行交易。4个微网的优先权指标分别为-1.4277，-0.5723，2.0685，2.9317，此时mg1与mg4、mg2和mg3同时进行交易，成交订单分别为《106.7857，0.6381》，《7.935，0.6462》，经交易后，mg1和mg2达到供需平衡，退出p2p交易市场，mg3和mg4分别按上网电价向配网出售25.07kw和267.7793kw。
92.3.交易价格对比将上述三个时刻的交易价格结果与传统取平均价格结果对比如图10、图11、图12所示。由图可知，每一笔交易订单的交易价格均计及了交易双方的所报供需量和价格，根据此模型计算出的交易价格更有利于促进各微网发/用更多的电来实现就地平衡。
93.在t=1时，mg2和mg4报价分别为0.07元和0.09元，此时由于供给量大于需求量，传统的交易价格0.08元不如本发明中的交易价格0.0781元，交易价格偏向于买方可促进买方使用更多电来满足供需平衡。同理在更新报价后的mg2和mg1交易中，mg2报价为0.0765元，mg1报价为0.08元，此时由于供给小于需求，传统的交易价格0.0782元不如本发明中的交易价格0.0792元，交易价格偏向于卖方可促使卖方发更多的电实现供需平衡，t=4时和t=15时同理。
94.4.自主调度结果采用场景分析法中的场景生成方法设置1000个场景生成，如图13所示；采用同步回代消除法将场景削减至10个，如图14所示；10个场景对应的概率如表3所示，选择概率值最大的场景6为例进行调度结果说明。如图15、图16、图17、图18所示，es功率为正表示放电，为负表示充电。mg1虽然pv出力值较大，但是由于存在3种类型负荷，负荷量较大，因此基本处于买方状态，储能设备在电价低时（eg.4：00~6：00）选择充电，电价高峰时（eg.11：00~15：00）选择放电以减少购电成本；由于mg2冷负荷需求只有制冷机供应，所以既存在买方状态又存在卖方状态；mg3在需求较大时，储能选择放电，当pv出力较大且能满足需求时，储能选择充电；mg4由于内部设备较单一，所以在pv出力较大时（eg.10:00~16:00）为卖方状态，其余时刻没有供应满足负荷需求，所以为买方状态。
95.表3场景s1s2s3s4s5概率0.0520.1210.0740.10.047场景s6s7s8s9s10概率0.1780.0910.0770.150.11协调前后mmg与配电网的交互功率如图19所示。与协调前相比，协调后的交互功率
大幅降低，多余的分布式资源进行充分的就地消纳后向配电网的渗透率降低，有利于配电网的安全稳定运行。
96.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

技术特征：
1.一种基于优先权匹配的动态微网群p2p交易方法，所述微网群中包含若干个微网，其特征在于，包括以下步骤：s11，数据初始化，包括微网群中各个微网的报价、机组参数、负荷、风机出力预测值、光伏出力预测值，以及设置交易轮数，并令初始交易轮数为1；s12，每完成一轮交易后，交易轮数的数值加1，且更新报价；s13，将更新后的报价代入调度模型中，求解模型以进行各机组出力优化；s14，各微网根据优化后的机组出力得到自身的供需量，并基于该供需量确定交易角色，所述交易角色包括买方和卖方，并根据交易角色计算优先权指标，以及按照优先权指标的绝对值大小进行排序；s15，基于优先权指标值的排序进行交易匹配，匹配成功后的买方和卖方分别向匹配的对方公布各自的报价和供需量；s16，计算供需比，匹配成功的各微网基于所述供需比，按照报价模型更新报价；s17，根据供需量和双方报价，按照交易价格模型生成交易订单；s18，判断整个微网群中是否只存在供应或需求，如果是则进入步骤s19，如果不是则返回步骤s15；s19，判断本轮交易后是否达到设定的最大交易轮数，如果是则结束整个交易流程，如果不是则返回步骤s12。2.根据权利要求1所述的基于优先权匹配的动态微网群p2p交易方法，其特征在于，所述步骤s14中，买方和卖方的优先权指标计算公式分别为：买方和卖方的优先权指标计算公式分别为：式中：和分别为买方和卖方的优先权指标；和分别代表买方mg所报需求量和卖方mg所报供给量；为p2p市场中允许交易的最大量；和分别为买方mg所报买价和卖方mg所报卖价；和分别为与配网交易的买价和卖价。3.根据权利要求1所述的基于优先权匹配的动态微网群p2p交易方法，其特征在于，所述步骤s15中，基于优先权指标值的排序进行交易匹配的过程，包括：按照绝对值从大到小依次排序，排在前面的微网之间优先匹配成功。4.根据权利要求1所述的基于优先权匹配的动态微网群p2p交易方法，其特征在于，所述步骤s13中，所述调度模型的搭建包括步骤：设定目标函数，
，，为微网群总成本；与分别为维护成本和交互成本，为场景s出现的概率；、 、 、 、 、 分别为各个机组的维护系数；、、、、、分别为光伏、风机、储能、燃气轮机、燃气锅炉、电制冷机的出力，和分别为各微网的购买电量和售出电量；和分别为各微网所报的买价与卖价；确定约束条件，所述约束条件包括功率平衡约束、可控机组出力约束、交互功率约束和储能约束。5.根据权利要求4所述的基于优先权匹配的动态微网群p2p交易方法，其特征在于，所述步骤s13中，采用场景分析的方法描述风机和光伏出力的不确定性，包括：结合日前风机出力预测和光伏出力预测，采用拉丁超立方抽样产生m个初始场景；基于欧式距离最短的原则，削减初始场景，直至场景数达到设定值。6.根据权利要求1所述的基于优先权匹配的动态微网群p2p交易方法，其特征在于，所述步骤s16中，采用如下公式计算供需比，，式中：为t时刻第n轮交易中第m对的供应量；为t时刻第n轮交易中第m对的需求量。7.根据权利要求6所述的基于优先权匹配的动态微网群p2p交易方法，其特征在于，所述步骤s16中，基于所述供需比，按照报价模型更新报价的过程，包括：1)供需比小于1：1)供需比小于1：
式中：为t时刻第n轮交易中第k次买方报价；为t时刻第n轮交易中第k次卖方报价；2)供需比大于1：2)供需比大于1：3)供需比等于1：式中：k表示在本轮交易中的报价次数。8.根据权利要求7所述的基于优先权匹配的动态微网群p2p交易方法，其特征在于，所述步骤s17中，交易价格模型为：1) 当卖方可售量多于买方需求量：2) 当卖方可售量少于买方需求量时：3) 当卖方可售量等于买方需求量时：其中，，为t时刻最后一轮交易中第k次买方报价，为t时刻最后一轮交易中第k次卖方报价，为t时刻最后一轮交易中第k次买方所报供应量，为t时刻最后一轮交易中第k次卖方所报需求量。9.根据权利要求1所述的基于优先权匹配的动态微网群p2p交易方法，其特征在于，所述步骤s19中，如果本轮交易后达到设定的最大交易轮数，则将剩余的供应或需求与配网进行交易。

技术总结
本发明涉及电网技术领域，尤其是一种基于优先权匹配的动态微网群P2P交易方法，主要包括步骤：S14，各微网根据优化后的机组出力得到自身的供需量，并基于该供需量确定交易角色，所述交易角色包括买方和卖方，并根据交易角色计算优先权指标，以及按照优先权指标的绝对值大小进行排序；S15，基于优先权指标值的排序进行交易匹配，匹配成功后的买方和卖方分别向匹配的对方公布各自的报价和供需量；S16，计算供需比，匹配成功的各微网基于所述供需比，按照报价模型更新报价；S17，根据供需量和双方报价，按照交易价格模型生成交易。本发明中微网只需向匹配成功的对方公布报价和供需量，因此隐私安全性得到更好保障。隐私安全性得到更好保障。隐私安全性得到更好保障。


技术研发人员：雷霞 陈彦旭 杨健 钟鸿鸣 李文星
受保护的技术使用者：西华大学
技术研发日：2022.04.22
技术公布日：2022/5/25