受价发电站的基于IGT–MPSO的最优竞价混合方法在日前电力市场中的应用外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

受价发电站的基于IGT–MPSO的最优竞价混合方法在日前电力市场中的应用

摘要

本文研究了在日前电力市场中扮演受价者角色的电力生产商。在电力市场，受价生产者可以制定招标策略最大化自己的利润。在制订最优投标策略时，需要考虑市场价格的不确定性，因为它们直接影响预期利润和投标曲线。本文采用基于信息差决策理论（IGDT）和改进的粒子群优化（MPSO）的混合方法来设计最优招标策略。信息差决策理论为最优投标策略问题建立模型。这个模型评估了面对市场价格不确定性时最优报价策略的鲁棒性/机会，受价生产者则考虑决策来规避风险或冒险。使用MPSO解决了提供IGDT方法的优化问题。结果表明，规避风险或承担风险的决策可能会影响到日前电力市场的预期利润和投标曲线。通过案例研究说明了IGDT-MPSO方法，并与IGDT-MINLP方法进行了比较。

引言

在日前能源拍卖中，发电站提交供应报价，能源服务公司向市场运营商提交第二天的每小时需求报价。供应报价和需求报价可以以一组价格数量（euro;/ MW h-MW）对的形式提交。市场运营商处理供应报价和需求报价，并计算清算市场的价格以及交易量。

生产者在准备其最优投标策略时面临的问题的复杂性源于它必须基于市场价格的不完全信息做出决定的事实。在不完善的电力市场中，生例如，生产者不知道实际系统市场清算价格（MCP），因为它取决于市场中其他参与者的投标行为。产者可以制定投标策略以最大化其自身的预期利润。生产者必须根据有限的信息做出决定。因此，最佳投标策略对于生产者来说是一项具有挑战性的任务。

本文利用IGDT方法制定了受市场价格不确定性影响的最优报价策略问题，并采用MPSO算法求解。

最优投标策略问题包括许多方法。 这里，电力现货市场竞价策略分析的各种建模文献分为四组：（1）单一GenCo优化模型，（2）基于博弈论的模型，（3）基于代理的模型，以及（4）混合模型或其他模型。

单一GenCo优化模型

在这个模型中，生产者充当价格接受者，相信他的能源出价不会影响市场清算价格。 此外，在此模型中，生产者使用价格配置文件模拟其他市场参与者（例如其他GenCos和DisCos）的行为。这意味着价格接收者发电站根据值得参考的Refs预测市场的最终价格。[1,2]。 最后，不确定性由市场价格描述，市场价格必须由生产者预测并用作其最优投标策略问题的输入变量[3]。

在早期的出版物中，最优投标策略选择问题通常被解决为成本最小化问题，并通过传统的基于成本的UC算法解决[4]。 最近，假设MCP可以被视为外生变量[5]，已经应用了许多数学规划方法来解决最优投标策略选择的问题。大多数模型公式在问题数据（例如，目标函数和约束）中或在算法中（通过随机参数值，随机选择等）或在两者[6]中包含随机概率元素。 关于随机规划方法在能源市场中的应用的深刻讨论可以在[7]中找到。 文献中采用的典型优化方法包括整数线性规划（ILP），混合整数规划（MIP），多目标线性规划（MOLP），非线性规划（NLP）[8]，动态规划（DP）[9]， 新闻供应商[10]和马尔可夫决策过程（MDP）[11]。

基于博弈论的模型

在这种方法中，生产者考虑到其他市场参与者的战略行为，其中他们最大化自己的利润。 现在，不确定性必须包括有关发电机成本和消费者公用事业的信息（在定价需求声明的情况下），这些信息是定义其他市场参与者利润所必需的。 根据自由化电力市场的竞争水平，在不完全竞争中的三种一般类型的博弈模型，即Bertrand [12,13]，Cournot [14-16]和SFE [17,18]，已出现在最近的文献。

此外，双层优化通常用于表示供应商之间或混合市场中的战略互动，其中电能和旋转储备同时进行交易[19,20]或存在未来合同[21]和双边合同[22]]。 [23]中提出了一种确定放松日前电力和储备市场中GenCo最优投标策略的算法。

基于代理的模型

在这种方法中，生产者认为招标策略可以影响市场价格，但它认为其他市场参与者的报价/出价已知。 在这里，不确定性由需求声明和其他市场参与者的供应提供来定义，其必须由生产者预测并且用作其最优提供策略问题的输入变量。 基于代理的模型可以根据不同的学习算法进行分类，如基于模型的自适应算法（MA）[24]，遗传算法（GA）[25]，Q-Learning（QL）[26]，计算学习（ CL）[27]和蚁群优化（ACO）[28]。

混合模型或其他模型

最近，在论文中也提出了一些混合和非常规方法。 结合多种建模方法的混合方法引起了研究人员的极大关注[29-32]。

本文采用基于IGDT-MPSO的混合方法，以解决由多个数量 - 价格对组成的逐步能量提供的最优报价策略问题。

过程

在本文中，基于IGDT-MPSO的混合方法被用于开发最优投标策略。 IGDT用于模拟最优投标策略问题。 它评估了面对市场价格不确定性时最优报价策略的稳健性/机会，而生产者则考虑决策风险规避或风险承担。 使用MPSO解决了提供IGDT方法的优化问题，并与MINLP方法进行了比较。

贡献

本文提出了一种使用IGDT-MPSO的新型混合方法，使发电站能够建立自己的最优投标策略。 该方法没有涉及基于利润最大化的策略; 但是，它会产生风险分析和风险承担算法，并使发电站能够评估最优投标策略。 通过这种方式，可以为发电站提供针对低市场价格的强力销售策略或针对高市场价格的有利机会。

以前，IGDT-MINLP方法已被用于在[33,34]中找到发电站的最优报价策略。 IGDT-MPSO方法比IGDT-MINLP方法具有实际优势。 在IGDT-MPSO中，与IGDT-MINLP方法相比，发电站可以针对低市场价格提供更强大的销售策略，或者针对高市场价格提供更有利的机会[33]。

论文组织

在本文的其余部分安排如下。 “IGDT-MPSO背景”一节提供了IGDT和MPSO的背景知识。 “问题制定”部分致力于分析不确定性问题并引入IGDT技术以实现最优投标策略问题。 “解决方案方法”一节强调了价格接收者生成站的解决方案。 对于测试结果，通过案例研究说明IGDT-MPSO方法，并与“案例研究”部分中的IGDT-MINLP方法进行比较。 “结论”部分总结了论文。

IGDT–MPSO背景

IGDT背景

不确定性通常通过数学模型来量化，例如概率密度函数或模糊逻辑成员资格。 IGDT对不确定性结构做出了微小的假设，在[35]中作为不确定性下决策的替代方法而制定。 IGDT模型不使用测量函数，例如概率密度或模糊隶属函数。 换句话说，他们模拟实际参数和预测参数之间的误差[35]。 IGDT可以帮助决策者识别优先事项，评估风险和机会，并做出明智的决策[35]。不确定性可能会导致利润降低或者可能带来利润并导致更高的利润。 IGDT使用鲁棒性和机会的两个免疫函数来解决这两个相互矛盾的问题。 IGDT决策问题由三个部分指定：目标函数，性能要求和不确定性模型。 这些问题解释如下。

目标功能

对于一组决策变量，P，不确定变量，a和不确定变量k，目标函数Feth;P; kTHORN;表示应用决策的系统的输入/输出结构。FDP;KTH; 评估系统对决策者选择P和不确定参数k的响应。 在本文中，目标函数是发电站面临的电力销售利润函数。

性能要求

描述目标函数的要求或预期的性能要求可以用利润或其他相关功能表示。 基于鲁棒性和机会函数评估这些要求。 值得一提的是，这些功能应根据所解决的具体问题进行调整。 电力销售问题的功能可以说明如下：

鲁棒性函数解决了不确定性的有害面，并表达了电力销售利润不能低于给定值Fk的最大不确定性。 换句话说，鲁棒性函数是抵抗不确定性和抵抗较少电力销售利润的抵抗程度。 这意味着需要大的^ a值。 因此，可以通过以下优化问题以数学方式定义：

对于^a（P，Fk） 该决定将是稳健的，对不确定性不敏感。 另一方面，如果^a（P; Fk）很小，决策将变得脆弱且对不确定变量的变化敏感; 因此，其相关决定将不会更加一致。

机会函数解决了不确定性的有利方面，并评估了实现利润的可能性。 这里，^ b是可以容忍的最小值，以便能够作为决策P的结果实现高电力销售利润的可能性。换句话说，机会函数是电力销售的最小值。 利润可能与给定价值一样高，Fw。 这个功能可以抵御暴利。 因此，期望低值^ b。 低值^beth;P; FwTHORN;表示可实现利润的情况。 相应的数学公式可以通过以下最小化问题来表示：

其中Fw通常大于Fk。

稳健性和机会功能是定量的; 然而，由于数字还不够，决策者必须做出以下价值判断：需要多大程度的抵抗有害不确定参数的稳健性，以及应该从不确定性中促进多少机会。 这些问题的答案不能是唯一的或算法的。 它们充其量只能是定性和不精确的。 但是，一个负责任的决策者必须将定量决策分析与包含决策背景的定性，语言甚至主观价值联系起来[32]。 在本文中，决策者可以使用鲁棒性和机会函数构建出价策略。

不确定性模型

不确定性可以通过信息差距模型建模。 不确定性的信息差距模型体现了关于不确定变量的先验信息。 不确定性模型表示已知和未知值之间的差距，作为一些已知参数的函数，例如不确定参数的预测值和标准偏差[35]。

MPSO背景

PSO是一种基于人口的方法，由[36]引入。 在PSO中，每个粒子在搜索空间中根据其自己以前的最佳解决方案及其组的先前最佳解决方案以速度移动。 每个粒子使用以下等式更新其位置和速度：

其中，Xieth;tTHORN;和Vieth;tTHORN;分别是表示第i个粒子的位置和速度的向量

其中j 2 1;2;。。。; d代表颗粒的尺寸; 0 lt;w lt;1是惯性权重，用于确定保留多少粒子的先前速度; c1和c2是两个正加速度常数; r1j，r2j是从[0,1]采样的两个均匀随机序列; pbi是第i个粒子发现的个人最佳位置; 到目前为止，gb是整个群体发现的最佳位置。 PSO已被证明对静态和动态优化问题非常有效。 但在某些情况下，它会过早收敛而不会发现局部最优。

修改后的PSO（MPSO）解决了过早收敛到无法保证为局部极端的解决方案的问题。 MPSO通过控制小群体的多样性而与PSO不同，从而避免过早收敛[37]。 假设在PSO算法中，随机生成n个粒子。 对标准PSO的修改包括随机生成n的三分之一，并通过以下等式生成n的三分之二：

其中j 2 1;2;。。。; d代表颗粒的尺寸; 我2 1;2;。。。; n 3和k 2 1;2;。。。 ; n3代表n的三分之二; Xminj，Xmaxj表示与第j个粒子相关的最小值和最大值; r是区间[0,1]中的参数。

通过适应度（目标）函数评估所生成的群体。 然后选择具有最佳适合度的评估群体的三分之一作为下一代，然后在所选群体中找到粒子的pbi和gb。 根据（5）和（6）更新所选群体中第i个粒子的位置和速度。 然后将根据（7）和（8）生成三分之二的人口。 在MPSO中，勘探由r控制，并且应该在区间[0,1]中线性变化。 随着它的增加，探索将增加，算法避免了早熟收敛。

通过上述机制，控制了人口的多样性。 换句话说，搜索空间的探索和利用增加，从而避免过早收敛。

问题建模

在本节中，对受到相关约束的发电站的利润表示进行建模，并基于IGDT推导出鲁棒性和机会函数，并且使用MPSO解决了这些用于提供IGDT方法的优化问题。

假设

在本文中，考虑以下假设。

（1）发电站参与日前能量市场。（2）该单位参与DA的全部可用容量能源市场（3）该单位作为价格接受者，相信他的能量提供不能影响市场价格。（4）预测市场价格并用作投入参数。（5）该单位有完整的技术信息限制。（6）能源价格曲线是一种非递减函数。（7）最短上班时间和最短停机时间限制考虑启动和关闭成本。

决策变量

出价策略中的决策变量包含价格数量对。 在优化目标函数之后，将基于（17）和（22）定义价格。 决策变量是热单元在不同时间产生的功率量。 该变量可定义为P =frac12;P1; PTPt; 8tfrac14;1 T表示时刻t的输出功率。

电力销售利润函数

T小时的单位的利润函数通过以下公式计算：

利润定义为能源销售收入减去生产成本和单位启动/停工成本。 可用的发电热单元的运行成本可表示如下：

生成单元的操作约束包括以下情况：

使用（11）表示单元的最小和最大输出。公式。 （12）和（13）描述了单位的斜率限制。 最后，最小上/下时间约束分别表示为（14）和（15）。

不确定性模型

对于价格接受者发电站，市场价格是一个不确定的变量。 因此，市场价格的不确定性模型是必要的，应该加以考虑，因为它对预期利润和最优投标策略有直接影响。 在这一部分，建议用一种模型来表示市场价格的不确定性。 将基于该模型导出相关的稳健性和机会函数。

在这里，假设电力的市场价格是不确定的，其中考虑了以下分数误差信息间隙模型：

kt和kt分别表示不确定性变量，

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20669]，资料为PDF文档或Word文档，PDF文档可免费转换为Word