基于区块链和机器学习的分散式电力交易研究.pdf

【136】第45卷 第08期 2023-08收稿日期：2022-04-25基金项目：浙江华云信息科技有限公司科技项目（p202001-010153-0076）作者简介：陈江尧（1982-），男，浙江杭州人，工程师，学士，主要从事电力系统自动化工作。基于区块链和机器学习的分散式电力交易研究Decentralized power trading based on blockchain and machine learning陈江尧1*，穆海伦2，裘雨音3，俞佳乐1，翁胜平1CHEN Jiang-yao1*，MU Hai-lun2，QIU Yu-yin3，YU Jia-le1，WENG Sheng-ping1（1.浙江华云信息科技有限公司，杭州 310012；2.杭州电子科技大学计算机学院，杭州 310018；3.国网浙江省电力有限公司，杭州 310012）摘 要：联网电动汽车可以通过其充电或放电操作来帮助电网稳定，还能够用来进行分散式电力交易。所以提出了一种基于区块链、机器学习和博弈论模型的联网电动汽车停车场进行电力交易研究。在提出的能源交易系统中，假设使用具有安全隐私保护机制的高效通信网络系统来链接交易系统中的所有参与者。设计了一个基于随机竞价流程的分布式智能合约解决方案，帮助联网电动汽车以最大的盈利能力买卖电力，优化了联网电动汽车的利润率，提高了智能合约的效率。模型考虑了电力交易系统中结合区块链、机器学习和博弈论的模型，提出了在联网电动汽车之间的停车场采用分散的电力交易框架（DETF）。将为了证明方案的性能，提出的HLProfitX算法与PETCON进行了比较，并证明了解决方案的有效性。关键词：电力市场；区块链；机器学习；联网电动汽车；移动发电厂中图分类号：TP311.13；F426.61 文献标志码：A 文章编号：1009-0134(2023)08-0136-050 引言目前电动汽车保有量逐年递增，2015年我国新能源汽车保有量42万辆，其中纯电动汽车33万辆。到2019年新能源汽车达到381万辆，其中纯电动汽车310辆。到2020年由于受到疫情的影响，截至6月份新能源汽车保有量417万辆1。随着电动汽车保有量的逐年递增，其智能性和安全性越来越受到人们的重视。这些要求都可以通过智能的电池管理系统来完成2。并且联网电动汽车可以帮助城市管理公共安全、公共服务、公共交通和电力能源相关的几个问题。联网电动汽车可以通过其充电或放电操作来帮助电网稳定3,4。联网电动汽车还可以减少变压器的过载情况，并提供辅助服务，如频率和电压波动调节5,6。区块链可以简单地用于促进微电网和联网电动汽车之间的电力交易从而成为城市中的移动发电厂7。博弈论（GT）模型基于竞价策略和个人偏好，可以深入的了解市场的竞争态势8。此外，双重拍卖模型呈现出非线性，与实证方法相比，分析阶段的复杂性增加9。通过分析执行过程机器学习机制有望通过新功能来识别或更新变量并将其合并到迭代中，从而提高迭代算法的效率10,13。在电力交易中将机器学习添加到区块链中可以对市场数据提供更深入分析，并且可以为智能合约带来更高的效率，从而提高参与者的盈利能力。在本文中，提出了一个基于区块链和机器学习的联网电动汽车停车场交易电力框架。本文是第一个考虑在电力交易系统中结合区块链、机器学习和博弈论的模型，提出了在联网电动汽车之间的停车场采用分散的电力交易框架（DETF）。1 电力交易1.1 联网电动汽车根据国际能源署（IEA）的数据，到2016年底，全球混合动力和电池电动汽车的数量增长到200万辆电动汽车。预计到2030年，这一数字将达到6000万。因此，联网电动汽车的高渗透率使电力管理更具挑战性14。为了解决这一想法，联网电动汽车整合到智慧城市的设施必须以围绕数据交换和电力管理，然后从促进经济和社会福利问题的方式进行设计。联网电动汽车可以轻松的成为电力交易部署以及围绕充电需求的高效新商业模式的绝佳候选者。它可以通过取代微电网系统中的中央服务（如负载平衡、DR管理、频率和电压调节等）来被视为电力和数据分散的推动者。目前电力系统是邻国之间建立有效的能源交易过程的主要障碍。首先，因为它使用了一个集中式架构，该架构要求邻国在低价支付之前将电力卖回电网。其次，它迫使卖家和买家在交易过程中暴露他们的真实个人资料信息，这对于联网电动汽车用户的隐私和停车场安全至关重要，这是该市全球安全的一部分。通过吸引投资者和政府的区块链技术就有望解决这些问题并改变开展业务的方式。最近，智能电网背景下能源交易的文献综述非常广泛，以集中和分布式的方式涵盖了能源管理的各个方面。这些机制显示了它们的局限性，特别是当个人参与者希望第45卷 第08期 2023-08【137】买卖双方之间的竞标过程在公开市场中交易具有实时约束。事实上，强迫所有参与者使用受监管的电价时，除了非竞争性业务流程之外，用户的个人数据保护也存在一个真正的问题。因此本文提出了一种基于博弈论方法的微电网能源交易模型。除了所有参与者之间使用的聚合机制外，该方案的经济策略还考虑了降低电压稳定性对每个参与者的影响。为了应对集中式架构的问题，一些研究集中在点对点（P2P）交易能源上。事实上，为了降低电动汽车渗透率对智能电网的影响及其每日总能源成本，提出了电动汽车之间的P2P能源交易系统。该计划没有考虑到在适用业务模式的背景下为提供商提供最大化利益。1.2 区块链的电力交易区块链作为一种新的分布式网络，突出了四个主要特征：数据完整性、安全性、可信性和分散化方法。区块链有望通过发展电力交易，特别是P2P能源交易，实现电网现代化，并成为能源行业的一部分15。许多使用区块链解决分散式电力管理的工业方法已经开始。事实上，太阳能电池板提供的电力可以在家庭邻居之间进行交易，并且基于以区块链的智能合约用于能源和支付交易。使用区块链来开发公共供应站和电动汽车（EV）之间的互动。有一些研究将能源管理与区块链技术相匹配，提出了基于区块链的虚拟分布式电网，允许家庭与邻居进行能源交易。还介绍了能源互联网（IoE）背景下的区块链应用。由于现在并没有完整的系统使得电动汽车之间进行直接的交易。基于此，本文提出了一种能够通过区块链交换能源的车联网（IoV）系统，以监督和管理能源交易过程。用于智能社区中的安全电动汽车充电。在本文中，提出了一种基于区块链、机器学习和博弈论模型，建立了使用随机方法的联网电动汽车停车场之间的新型DETF。2 区块链在本节中，考虑一个如图1所示的系统，其中许多联网电动汽车卖家和联网电动汽车电力竞标者共享区块链服务器配备的停车基础设施区域。此外，假设联网电动汽车可以在彼此之间进行无线通信，并且假设每个联网电动汽车都配备了自己的智能电表，该电表决定了一段时间内销售或购买的电量。此外，联网电动汽车卖家和投标人可以向区块链服务器发送和接收消息。假设一个基于Hyperledger平台的区块链，它提供了一种加密货币作为一种新的数字货币，用于管理能源信用，并在联网电动汽车之间货币化，可用于交易任何服务和商品。假设每个联网电动汽车都有一个唯一的标识号（IdN），该标识号在开始时被传送到区块链服务器当中。此外，所有参与者从区块链服务器接收用于寻址和发送签名交易的私有加密密钥。并且区块链服务器可以验证和认图1 DETF的概念区块链架构证联网电动汽车的身份。此外，它还可以验证任何交易的真实性和隐私性。在本文中，将重点介绍拍卖机制，作为用于分散式电力交易系统的智能合约的一部分。本文的模型基于三个要素：联网电动汽车卖方、联网电动汽车投标人和智能合约。图1显示了DETF的电力交易架构。图2显示了DETF中使用的概念数据块。交易字段指定联网电动汽车买方和卖方之间的交换过程。当前块的创建时间和大小分别存储在时间戳和大小字段中。图2 DETF 中的概念数据块对于区块构建机制，在创建第一个区块之后，对停车场的电力交易感兴趣的参与者确保其身份后，它可以创建一个新的区块，将其链接在网络上传播。由其他参与者接收此块，通过验证签名，检查哈希值并检查负载的有效性来继续验证。最后一个操作用于确保数据受到保护，防止未经授权的修改。有效的块将被添加到链中，并且不能被篡改。无效的块将从链中丢弃。在提出的能源交易系统中，假设使用具有安全隐私保护机制的高效通信网络系统来链接交易系统中的所有参与者。因此，认为联网电动汽车在本文中的隐私没有问题。在可靠性、性能和智能管理方面，DETF可能导致安全和隐私问题，例如网络攻击的风险，这对停车场的电力交易系统来说是一个具有挑战性的问题。联网电动汽车的隐私是保护有关联网电动汽车利益的做法，其他人无权查看此类数据。从技术上讲，隐私是一种保护个人数据的机制，通常通过匿名化、混淆、差分隐私和加密来实现。在现实情况下，联网电动汽车的隐私问题可能会减慢DETF部署速度。DETF的通信系统需要提供安全的环境，使用隐私数据在联网电动汽车之间进行正确的执行交易。3 智能合约模型智能合约是一种数字协议，通过施加预定义的条款来简化不同参与者之间的协议流程。【138】第45卷 第08期 2023-08该合同必须由所有剩余方（联网电动汽车卖方和买方）接受，它是在与停车场的区块链服务器连接开始时签署。如图3所示，数据投标人由投标人配置文件，请求的电量、交易时间和价格组成。数据卖方由卖方配置文件表示联网电动汽车所有权的加密密钥，要出售的剩余电量和交易时间组成。每个联网电动汽车买家都会向区块链提交多个投标。联网电动汽车买方最多需要一个卖方，假设同一个联网电动汽车卖方上不能存在重复出价。图3 CEV智能合约在下文中，将介绍本文中使用的拍卖技术的详细信息。假设一组联网电动汽车买家和相应的能量请求量、联网电动汽车卖家和相应的能量出售可以写如下：b1,2,N bNC=(1)12,bbbbNbPPPP=(2)1,2,N ssNC=(3)12,ssssNsPPPP=(4)每个联网电动汽车通过考虑其当前电池寿命、退化系数和放电深度（DoD）来计算购买或准备出售所需的功率量。为了简化模型，假设本文不考虑影响联网电动汽车电池寿命的因素，例如极端温度、过度充电、充电和放电速率。3.1 拍卖模型在开放的本地电力市场中的能源交易将在收到以下信息后发生：1）联网电动汽车卖家专用于销售的能源；2）联网电动汽车买家所需的电力。联网电动汽车卖家的能源交易在很大程度上取决于所有参与者的行为以及他们在关税结构和时间方面的个人偏好。每个联网电动汽车卖家通常在公开市场的能源交易之前计算自己的收益。联网电动汽车卖家需要考虑不同的价格政策进行成本收益分析。如费率低于公用电价(rg)和价格高于公用电价后应该如何决战。因此，本地能源交易的速率(rfg)可以写如下：(5)在停车场开放的本地电力市场中，能源交易的优先级是基于不同汽车的能源短缺。事实上，要求能源最少的联网电动汽车在同一停车场从汽车销售商那里购买能源的优先级最高。因此，每辆需要能量的汽车都会按能源短缺的升序进行排序和排名。不同汽车请求的能量的优先级向量可以写如下：T12 CEVbM=(6)其中1是分配给能源短缺最低的汽车的优先级，并且M是分配给联网电动汽车能源短缺最高的优先级，具有最高的能量请求。基于(5)分析了同一停车场的本地能源交易的总体效益。在电力交易之前，招标和竞争过程同时运行。3.2 预测性拍卖模型在本节中，首先考虑一种基于随机投标的预测性投标方法（PBA），该方法能够通过利润率的迭代（PM)寻求最优解。每个联网电动汽车交易者始终试图最大化其PM（如图4所示）并给出适当的投标价格。图4 联网电动汽车交易者的利润率关系其次，提出了匹配联网电动汽车卖家的博弈论方法(jNCs)与CEV买家的最低消费心理(jNCb)。每个联网电动汽车交易者确定其下一个价格(rCEV)，基于价格限制(rl)和利润率，得出以下等式：l(n)r1PM(n)CEVr=+(7)其中n是迭代次数。等式(7)显示联网电动汽车卖方的利润率遵循PM变化。对于联网电动汽车买家来说，情况恰恰相反，其利润率和利润呈反比。(n)(n)(n 1)1CEVlrPMr+=(8)参数(n)描述了当前价格与下一个价格之间的差异。此参数建模为：(n)(n 1)(1)(n)=(9)其中是描述利润如何变化的加权系数。参数(n)设计了当前价格和目标价格之间的变化。此参数由以下等式给出：targCEV(n)r(n)r(n)=(10)其中是学习速率系数。价格rCEV(n)以的速度收敛到目标价格rtarg(n)。目标价格建模为：argq(n)R(n)r(n)L(n)tr=+(11)其中rq是最后公布的价格（最后一次迭代），R和L变第45卷 第08期 2023-08【139】化由下式给出：maxmax(n)R(n 1)(n)(n 1)RRstepLLLstep=+=+(12)现在，作为(7)(12)描述的迭代的结果，每个联网电动汽车设置一个卖出或买入价格(rCEV)。销售能源为Psj，jNCs，这是可以在不同的联网电动汽车购买者之间分配的，通过i可以将销售能源写成：bsjsjii NCPP=(13)联网电动汽车卖家的能源可以通过以下等式给出：sjs jsj CEVsj(P,P)P rbjii NC=(14)其中Ps-j是专用于向所有卖家销售的能量载体。联网电动汽车卖家的主要目标是最大化单个联网电动汽车卖家的总和，目标函数可以写如下：(15)其中rCEVsmin和rCEVsmax是联网电动汽车卖家分别确定的最低和最高售电率。与此同时，联网电动汽车买家iNCb可以从不同的卖家那里购买能源jNCs。它可以写成：sbibijj NCPP=(16)联网电动汽车买家的能源需求可以写为：bib ibi CEVbi(P,P)P rsijj NC=(17)其中Pbi是购车者要求的能量和Pb-i是所有买家的能源需求。联网电动汽车购买者的主要目标是最大限度地减少单个联网电动汽车购买者的总和，目标函数可以写如下：(18)其中rCEVbmin和rCEVbmax是购车者在开始时确定的最低和最高购买率。由于一个联网电动汽车的买卖行为会影响所有其他联网电动汽车，并且由于竞标过程取决于所有参与者的策略，因此采用博弈论来解决(1)(12)。与(13)(18)所描述的问题相关的博弈方程可以写成如下：sbsjbi(NCNC),P,P,=(19)4 仿真模型本节将介绍仿真结果，并讨论所提出方案的性能。下图为真实城区的停车场图片，其中20个停车场共享44公里。图5 地图中的停车场分布假设联网电动汽车可以在彼此之间进行无线通信，并且每个联网电动汽车定了一段时间内销售或购买的电量。所有停车区域都配备了激活的区块链服务器。与联网电动汽车买家或卖家资料相关的所有信息都可以传达给区块链服务器。使用具有安全隐私保护机制的高效通信网络系统来链接交易系统中的所有参与者。因此，认为联网电动汽车在本文中的隐私没有问题本例进行了1000次模拟运行，并使用蒙特卡罗技术提取每个设置的平均值。使用MATLAB和Solidity来执行模拟。从图6中可以清楚地看出，在最大化联网电动汽车卖家提供的电力交易方面，HLProfitX算法优于AMERI算法，它使电力交易更加智能有效。在HLProfitX算法中，所有联网电动汽车（卖方和买方）都参与基于博弈论的交易模型。此外，与AMERI相比，他们具有相同的机会被选中，而无需授予任何人有关的个人资料，而AMERI则根据其电力需求对联网电动汽车买家进行排名和选择。图6 AMERI和HLPROFITX的平均联网电动汽车效用变化为了证明所提出的方案的性能，研究了HLProfitX算法与PETCON相比在最大化联网电动汽车卖方提供的电力交易。对于这个问题，图7比较了HLProfitX和PETCON。很明显，HLProfitX的表现优于PETCON。该结果证明了HLProfitX算法的有效性。这可以通过HLProfitX基于机器学习的模型来解释，这使得联网电动汽车在宣布其投【140】第45卷 第08期 2023-08标价格之前可以从当前的电力市场环境中学习。此外，HLProfitX方案使用博弈论技术进行联网电动汽车之间的竞价过程，而PETCON使用双重拍卖机制来最大化销售价格，而不考虑市场情况。HLProfitX同时最大限度地提高了联网电动汽车卖家和联网电动汽车买家之间的电量交易量。它可以更好地管理联网电动汽车卖家销售的电量。图7 HLProfitX和PETCON的平均联网电动汽车效用变化从图7中获得的观察结果说明了HLProfitX在联网电动汽车效用方面的性能显著。很明显，HLProfitX改善了联网电动汽车卖家和买家提供的电力交易，节省率达到了21%。5 结语本文提出了一种基于区块链、机器学习和博弈论模型的联网电动汽车停车场进行电力交易研究。设计了一个基于随机竞价流程的分布式智能合约解决方案，帮助联网电动汽车以最大的盈利能力买卖电力，优化了联网电动汽车的利润率，提高了智能合约的效率。本文是第一个考虑在电力交易系统中结合区块链、机器学习和博弈论的模型，提出了在联网电动汽车之间的停车场采用分散的电力交易框架（DETF）。使用MATLAB和Solidity进行了数值模拟，并将提出的HLProfitX算法与PETCON进行了比较，并证明了提出解决方案的有效性。参考文献：1 王栋,杨珂,王瑜,等.基于区块链的联盟信任分布式认证在电力行业的应用探索J.电力系统自动化,2021,12(7):1-13.2 M.G.Simes,Artificial Intelligence for Smarter Power Systems:Fuzzy logic and neural networksJ.IET Digital Library,2021,56(10):131-139.3 Relji V,Milenkovi I,Dudi S,et al.Augmented Reality Applications in Industry 4.0 EnvironmentJ.Applied Sciences,2021,11(12):5592.4 郭子豪,邢诗怡,王宇,等.基于AR技术的飞机维修可视化远程协助系统研究J.自动化应用,2019,133(10):129-130,133.5 李鹏,毕建刚,于浩,等.变电设备智能传感与状态感知技术及应用J.高电压技术.2020,46(9):3097-3113.6 RehmanU,ShiC.Augmented-Reality-Based Indoor Navigation:A Comparative Analysis of Handheld Devices Versus Google GlassJ.IEEE Transactions on Human-MachineSystems,2017,8(47):140-151.7 何苗,柏粉花,于卓,等.区块链中可公开验证密钥共享技术J.浙江大学学报,2022,11(13):1-7.8 王海亮,邓玲,何奇,等.直觉模糊层次分析法下变压器状态的灰色模糊综合评判模型J.高压电器,2020,56(9):216-222.9 徐家慧,叶海峰,张昊,等.基于大数据技术的变电站设备监控信息综合分析及智能决策系统J.中国科技信息,2018.45(20):89-90.10朱嘉瑶,刘啸,刘洋,等.大数据时代旅游企业的自律和他律区块链智能合约J.资源开发与市场,2021,38(4):385-390.11王宇浩.基于机器学习的网络设备识别方法研究D.广州大学,2023.12孙社兵,张巧荣,李田落.机器学习应用于在线科学探究中的综述研究J.现代信息科技,2023,7(14):103-110.13 Omar A.GSA for machine learning problems:Acomprehensive overviewJ.Applied MathematicalModelling,2021,92.14Can H.Dynamic and Ordinary Capabilities inIndustry Transformation:The Case of the ElectricVehicle IndustryJ.Management and Organization Review2023,19(1).15刘可真,董敏,杨春昊,等.基于纳什谈判的智能园区P2P电能交易优化运行J.电力自动化设备,2023,43(05):45-53.参考文献：1 林洁,王佳.基于VisVSA技术的三维统计公差分析及应用J.制造业自动化,2017,39(1):99-101.2 魏铭,田锡天,耿俊浩,等.面向飞机装配协调设计的任务-人员均衡匹配方法J.西北工业大学学报,2020,38(1):130-138.3 刘殷杰,田锡天,耿俊浩,等.飞机薄壁零件装配偏差建模与仿真分析J.机床与液压,2020,48(2):138-143.4 王丰,顾佼佼,徐宇茹.多指标可拓预测方法在航空装备技术保障质量预测中的应用J.兵器装备工程学报,2019,40(1):47-50.5 何胜强.飞机数字化装配技术体系J.航空制造技术,2010(23):32-37.6 张黎,魏小辉,印寅,等.基于3DCS的大型客机主起落架收放机构容差分析J.机械设计与制造,2012(7):73-75.7 钱丽丽.飞机典型部件容差分配技术研究D.杭州:浙江大学,2015.8 吕瑞强,侯志霞,王明阳.基于3DCS的飞机翼盒容差分配方案优化方法研究J.航空制造技术,2016,517(22):68-71.9 朱永国,肖欢,刘春锋,等.基于公差图的飞机部件交点装配数字化协调方法J.计算机集成制造系统,2018,24(12):2975-2985.10张敏,田锡天,耿俊浩,等.基于预装配精度分析的飞机关键装配工序质量控制技术J.航空制造技术,2019,62(5):48-53.11付景丽,侯兆珂,谢星.飞机大部件对接测量方案的研究与应用J.航空制造技术,2019,62(23/24).12陈文亮,潘国威,王珉.基于力位协同控制的大飞机机身壁板装配调姿方法J.航空学报,2019,40(2):179-187.13邓向阳.大型薄壁结构柔性装配的容差分配方法建模及应用D.2018.14赵东平,张辉,郭津呈.基于关键特性的飞机装配公差分析方法J.西安航空学院学报,2020,38(1):1-8.【上接第122页】