开源代码分享(6)—考虑实时市场联动的电力零售商鲁棒定价策略

简介: 提出了考虑实时市场联动的电力零售商鲁棒定价策略,以提升其抗风险能力。首先,考虑电力零售商日前定价、日前购电、实时能量管理、电动 车用户需求响应和电力市场统一出清价格等因素,建立了考虑电动汽车不确定性的电力零售商鲁棒定价模型。然后,通过线性化方法将鲁棒定价模型转化为两阶段混合整数规划,并通过列与约束生成算法迭代求解。最后,在 IEEE-33节点测试系统上进行了仿真,结果表明所提策略充分考虑了市场不确定性因素的影响,利用对冲机制降低了市场风险,提高了电力零售商的经营效率。

 摘要:电力零售商作为连接电力批发市场与零售市场的桥梁,是电力市场化改革中的重要主体,其经营效率直接决定了市场化改革的成败。然而电力零售商在运营过程中面临着用电量需求和价格双重不确定性的市场风险,亟需通过优化市场行为以保障自身的利益。为此提出了考虑实时市场联动

的电力零售商鲁棒定价策略,以提升其抗风险能力。首先,考虑电力零售商日前定价、日前购电、实时能量管理、电动 车用户需求响应和电力市场统一出清价格等因素,建立了考虑电动汽车不确定性的电力零售商鲁棒定价模型。然后,通过线性化方法将鲁棒定价模型转化为两阶段混合整数规

划,并通过列与约束生成算法迭代求解。最后,在 IEEE-33节点测试系统上进行了仿真,结果表明所提策略充分考虑了市场不确定性因素的影响,利用对冲机制降低了市场风险,提高了电力零售商的经营效率。

关键词:电力现货市场;需求响应;零售定价;鲁棒优化

DOI10.13335/j.1000-3673.pst.2021.2157

1 电力零售商鲁棒定价模型陈述

       以电动汽车运营商为例,电力零售商典型的运营模式如图 1 所示。

image.gif

       在图 1 中,由于电力零售商自身不具备发电资源,因此其需要通过日前电力市场与实时电力市场向上级电网购买电能。另一方面,电力零售商向电动汽车等电力用户发布零售电价,并保证用户电能 计划的顺利完成。同时,在实际运行中电力零售商能通过能量管理系统控制储能系统的充放电量,从而具备向实时电力市场售电的能力。在此过程中,零售商与上级电网的电能交换将按照其所在配电网电气位置的 DLMP 结算,而零售商与电力用户的电能交换则按照零售电价结算。零售商需要考虑的问题是:零售电价必须在日前发布,而电力用户的属性无法未卜先知,难以针对性的设计零售电价。为此,论文假设零售用户为电动汽车用户,考虑实际参与零售市场的电动汽车集合不确定性,建立了如图 2 所示的电力零售商鲁棒定价模型,旨在帮助电力零售商规避风险。

image.gif

       如图 2 所示,鲁棒定价模型的目标是使得零售商收益最大化,决策变量包括日前购电量和零售电价,并需要满足日前市场交易规则约束、零售市场定价约束和电能平衡约束。在此过程中,日前市场出清模型作为边界条件,描述了日前购电决策与出清价格的映射关系;用户需求响应模型同样作为边界条件,描述了零售电价与电能计划的映射关系。实时决策作为模型中的子问题,通过优化储能和实时购售电量实现了实时阶段的电能调整,其中实时市场的电价曲线由先验知识确定,作为模型中的外生变量。最后,论文考虑了零售用户集合的不确定性,建立了鲁棒优化模型,从而计算最不利条件下的零售商决策与收益。

1.1 电力零售商日前决策模型

       在日前(day-ahead,DA)阶段,电力零售商需要决策其在日前电力市场中的购电量并发布其零售价格,以期实现自身的收益最大化,因此其目标函数由式(1)描述,其包含日前购电成本与实时

(real-timeRT)运行期望收益两部分。

1.2 电力零售商实时决策模型

       在实时阶段,电力零售商的能量管理系统将根据实际电动汽车(electric vehicle,EV)充放电量优化电能计划,包括储能系统(energy storage system,ESS)的充放电量以及对实时电力市场的购售电量。另一方面,由于实时电价无法未卜先知,因此电力零售市场将考虑实时电价的随机性,建立期望效用模型。电力零售商的实时期望收益如式(5)所示,其包含电动汽车的支付费用、实时购电成本和实时售电收入。

1.3 电动汽车不确定集的描述

       由上述模型可知电力零售商日前发布的零售价格决定了电动汽车用户的需求响应行为,然而实际电动汽车的行为偏好无法未卜先知,因此电力零售商日前定价决策中需要考虑的不确定变量为电动汽车集合 ,以确保在电动汽车信息不确定的情况下仍能够签订合适的日前购电合同以及制定最优的零售电价。

       不同于风电出力等不确定变量,电动汽车集合包含有多种属性,且不同属性间有着强烈的相

关性。同时电动汽车的数量庞大,因此电动汽车集合的不确定空间难以刻画。为此本文借助多离

散场景分布鲁棒优化的思想,根据历史数据将电动汽车聚类为类,从而考虑每类电动汽车概率的不确定性,从而由式(13)描述电动汽车集群的充放电量。

image.gif

       由于聚类所使用的样本数量有限,其得到的经验分布与实际分布存在误差,因此本文通过式(14)描述有限类型电动汽车占比构成的不确定空间[25]

image.gif

image.gif

       至此,式(1)对应的鲁棒定价模型转化为式(15)所示模型,其物理意义为:电力零售商根据经验将电动汽车分为 种类型,并考虑每类电动汽车数量的不确定性,决策其日前购电量和零售价格,使得在电动汽车最坏组合的情况下零售商能实现最大收益。

image.gif

2 基于列与约束生成算法的两阶段鲁棒优化求解策略

       上述模型构成了两阶段鲁棒优化问题[27],本节将基于 CCG 算法求解上述模型。

2.1 模型的紧凑形式

       首先根据文献[14][28]中的方法消除式(8)和式(11)的非线性,进一步利用场景法处理实时

DLMP 的不确定性,将期望算子退化为有限场景的求和算子,从而得到电力零售商鲁棒定价的紧凑形式,如式(16)所示。

image.gif

2.2 模型求解过程

       上述模型构成了多阶段多层规划,无法直接求解。因此本文将其分解为鲁棒优化主问题和子问题,并利用 CCG 算法迭代求解。

       鲁棒优化主问题定义见附录 C,其物理意义为:在给定的电动汽车组合下,电力零售商优化日前购电量和零售电价,从而实现自身的收益最大化。鲁棒优化子问题的定义见附录 D,其物理意义为:在已知日前购电合同和零售价格的条件下,考虑能量管理系统的实时优化调度,找到最坏的电动汽车组合。

       由此,电力零售商优化其日前购电量和零售价格的步骤如下所示。

image.gif

image.gifimage.gif

       文献[29]证明了 CCG 算法具有良好的收敛性,能够在有限次迭代后得到最优解。

       需要注意的是,上述流程中默认了鲁棒优化子问题均存在可行解。当鲁棒优化子问题不可行时,需要引入松弛变量重新求解子问题,并向主问题返回不可行割[30]。然而本文所研究的场景假设零售商所在电气节点的配变有足够的容量,不存在实时电能需求无法满足的情况,因此忽略了鲁棒优化子问题不可行的情况。

3 数值仿真分析

       本文在 IEEE 33 节点配电系统[31]中进行了数值仿真分析,以验证所提鲁棒定价策略的有效性。。仿真是在 64 位 Windows 10操作系统中通过 MATLAB R2014a 编程并调用YALMIP GUROBI 9.0[32]完成的,仿真时段为24h。仿真系统的参数如下。

       IEEE 33节点配电系统共有32个配电变压器,32条支路,其电压等级为12.66kV,功率基准值为100MVA,最大基础负荷为3715+j2300kVA,节点0为平衡节点,其电压为1.05 p.u.,其拓扑结构如图1所示,线路与配变参数如表1所示。

image.gif

表1 IEEE 33节点配电系统参数

节点i

节点j

阻抗 (Ω)

负荷 (kVA)

节点i

节点j

阻抗 (Ω)

负荷 (kVA)

0

1

0.0922+j0.047

100+j60

16

17

0.3720+j0.5740

90+j40

1

2

0.4930+j0.2511

90+j40

1

18

0.1640+j0.1565

90+j40

2

3

0.3660+j0.1864

120+j80

18

19

1.5042+j1.3554

90+j40

3

4

0.3811+j0.1941

60+j30

19

20

0.4095+j0.4784

90+j40

4

5

0.8190+j0.7070

60+j20

20

21

0.7089+j0.9373

90+j40

5

6

0.1872+j0.6188

200+j100

2

22

0.4512+j0.3083

90+j50

6

7

0.7114+j0.2351

200+j100

22

23

0.8980+j0.7091

420+j200

7

8

1.0300+j0.7400

60+j20

23

24

0.8960+j0.7011

420+j200

8

9

1.0440+j0.7400

60+j20

5

25

0.2030+j0.1034

60+j25

9

10

0.1966+j0.0650

45+j30

25

26

0.2842+j0.1447

60+j25

10

11

0.3744+j0.1238

60+j35

26

27

1.0590+j0.9337

60+j20

11

12

1.4680+j1.1550

60+j35

27

28

0.8042+j0.7006

120+j70

12

13

0.5416+j0.7129

120+j80

28

29

0.5075+j0.2585

200+j600

13

14

0.5910+j0.5260

60+j10

29

30

0.9744+j0.9630

150+j70

14

15

0.7463+j0.5450

60+j20

30

31

0.3105+j0.3619

210+j100

15

16

1.2890+j1.7210

60+j20

31

32

0.3410+j0.5362

60+j40

        配电网的基础负荷曲线如图2所示,其中时段1代表00:00-01:00。

image.gif

表2 日前电力批发市场基础电价

时段

1

2

3

4

5

6

7

8

电价(元/kWh)

0.4148

0.3931

0.3875

0.3856

0.3900

0.4062

0.4664

0.5442

时段

9

10

11

12

13

14

15

16

电价(元/kWh)

0.5836

0.5718

0.5432

0.5324

0.5321

0.5122

0.5066

0.5028

时段

17

18

19

20

21

22

23

24

电价(元/kWh)

0.4933

0.5168

0.5572

0.5651

0.5442

0.5258

0.4911

0.4278

   image.gif

image.gif

       电力零售商拥有一个容量为 1000kW.h 的储能系统,其最大充放电功率均为 250kW,储能系统的充放电效率均为 0.95,储能系统荷电状态的安全范围为 20%95%,在 08:00 时储能系统的电量为500kW.h。同时电力零售商代理充电站参与市场交易,其零售电价的下限为 DLMP 0.8 倍,零售电价的上限为 DLMP 1.2 倍,零售电价的平均值等于全天 DLMP 的平均值。电力零售商通过电气节点27 接入配电网,其最大日前购电量为 500kW.h,最大实时购售电量均为 500kW.h

       论文将 1000 个历史电动汽车数据聚类成 10 类,并假设充电站平均每天服务的电动汽车数量为 50,电动汽车的充放电效率均为 0.95,电动汽车电池荷电状态的安全范围为 20%至 95%,假设电动汽车的期望电量均为 95%的电池容量,电动汽车的单位效用均为1/(kW.h)。置信度α1 α 均为0.99

完整代码下载地址:

https://github.com/WHUzxp/Supports_for_DWJS21_2157

相关文章
|
4月前
|
缓存 监控 数据可视化
|
物联网 C# C语言
物联网开发中C、C++和C#哪个更好用
在物联网(IoT)开发中,C、C++和C#各有优缺点,适用场景不同。C语言性能高、资源占用低,适合内存和计算能力有限的嵌入式系统,但开发复杂度高,易出错。C++支持面向对象编程,性能优秀,适用于复杂应用,但学习曲线陡峭,编译时间长。C#易于学习,与.NET框架结合紧密,适合快速开发Windows应用,但性能略低,平台支持有限。选择语言需根据具体项目需求、复杂性和团队技术栈综合考虑。
|
机器学习/深度学习 编解码 PyTorch
训练Sora模型,你可能需要这些(开源代码,模型,数据集及算力评估)
在之前的文章《复刻Sora有多难?一张图带你读懂Sora的技术路径》,《一文看Sora技术推演》我们总结了Sora模型上用到的一些核心技术和论文,今天这篇文章我们将整理和总结现有的一些开源代码、模型、数据集,以及初步训练的算力评估,希望可以帮助到国内的创业公司和个人开发者展开更深的研究。
|
12月前
|
存储 NoSQL 编译器
如何检查结构体的对齐情况
在C/C++中,结构体的对齐情况会影响内存布局和访问效率。可以通过以下方法检查结构体的对齐情况:1. 使用 `sizeof` 操作符获取结构体大小;2. 使用 ` offsetof` 宏获取成员偏移量;3. 编译器提供的对齐属性或指令。
|
JavaScript 前端开发
js登录注册简单tab切换页面(含前台表单验证)
文章介绍了如何使用HTML、CSS和JavaScript创建一个简单的登录注册页面,并实现Tab切换效果。包括了表单验证,点击登录或注册按钮时,可以切换显示相应的表单。同时提供了完整的前端代码和实现效果图。
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现深度学习模型:智能水资源管理与保护
【8月更文挑战第6天】 使用Python实现深度学习模型:智能水资源管理与保护
273 0
|
算法 新能源
配电网重构之二阶锥模型
配电网重构之二阶锥模型
|
存储 调度
激励型负荷需求响应(含matlab代码)
激励型负荷需求响应(含matlab代码)
|
存储 网络性能优化 调度
开源代码分享(2)—综合能源系统零碳优化调度
在PDN的最优运行中需要制定电压、无功功率和相应的无功补偿器以维持无功功率平衡和电压质量。此外,大多数现有的联合供热和电力系统使用CHP作为PDN和DHN之间的接口,这无疑与零碳排放的要求背道而驰。因此,我们打算为提出的ZCE-MEI综合NSF-CAES开发一个短期日前调度模型来减少风能的削减和节约系统运行成本。
|
敏捷开发 机器学习/深度学习 监控
PMI-ACP(Agile Certified Practitioner)敏捷管理专业人士资格认证考试知识点汇总
PMI-ACP(Agile Certified Practitioner)敏捷管理专业人士资格认证考试知识点汇总
304 0