(Repetición del artículo) Estrategia de licitación del prosumidor para un nuevo sistema de distribución de energía urbana basado en el juego amo-esclavo

referencias:

[1] Chen Xiupeng, Li Gengyin, Xia Yong. Estrategia de oferta de prosumidores para un nuevo sistema de distribución de energía urbana basado en el juego maestro-esclavo [J]. Electric Power System Automation, 2019, 43(14):97-104.

1. Principios básicos

En el mercado competitivo de energía, existen principalmente los siguientes tipos de entidades en el nuevo sistema de distribución de energía urbana: centros de comercialización y departamentos de despacho de energía, prosumidores, empresas de servicios públicos de redes eléctricas y usuarios comunes. Entre ellos, los prosumidores venden el exceso de electricidad a otros usuarios de la red de distribución. Cada prosumidor es un individuo independiente y racional. Los prosumidores compiten entre sí, presentan curvas de oferta al centro comercial y persiguen sus mayores intereses. La situación de las empresas de servicios públicos de la red eléctrica ha cambiado. En la red de distribución tradicional, las empresas de la red eléctrica compran energía de la red eléctrica de nivel superior y son los únicos proveedores de energía de la red de distribución. Sin embargo, después de la apertura del mercado minorista de energía , las empresas de la red eléctrica poseen los derechos de las operaciones de distribución de energía, principalmente brindando servicios de suministro de energía garantizados. Por un lado, cobra tarifas de red a los vendedores de electricidad en la red de distribución; por otro lado, mantiene el equilibrio de energía cuando el suministro de energía dentro de la red de distribución es insuficiente para garantizar la confiabilidad del suministro de energía y evitar que los prosumidores en la distribución red de "agruparse". ”, se produjo el fenómeno de aumentar deliberadamente los precios de la electricidad.

El centro de comercialización de energía y el departamento de despacho son los administradores y supervisores del mercado minorista del sistema de distribución de energía urbana, garantizando la operación segura y económica del sistema y guiando el desarrollo ordenado y saludable del mercado de energía. El proceso de despacho específico del mercado diario en la red de distribución es el siguiente: los prosumidores envían curvas de ofertas al centro de negociación desde 15 días antes del día de negociación hasta 1 día antes del día de negociación. El centro de despacho y el centro de negociación tienen transparencia información y cooperar entre sí De acuerdo con las curvas de oferta de los prosumidores y usuarios La demanda de electricidad determina la producción de despacho y el precio de compensación de cada prosumidor. El proceso de licitación del prosumidor y el proceso de programación satisfacen la estructura jerárquica maestro-esclavo y pueden considerarse como un proceso de juego dinámico de Stackelberg . Este artículo transforma este problema práctico en un modelo de optimización de dos capas que incluye una capa de oferta y una capa de programación. se muestra en la Figura 1.

Los prosumidores son tomadores de decisiones de nivel superior, equivalentes a los líderes del juego: a través de juegos no cooperativos, hacen cotizaciones independientes y maximizan sus propios intereses como objetivo de optimización. La expresión matemática general de la función objetivo del prosumidor es:

El centro de despacho y comercialización es el tomador de decisiones de nivel inferior, equivalente al seguidor en el juego de Stackelberg. Basado en la curva de oferta del prosumidor y la demanda de energía, optimiza el costo operativo más bajo sobre la base de garantizar la economía y la seguridad del poder. Suministro en el sistema de distribución eléctrica urbano.Objetivo, determinar el aporte de cada prosumidor.

La expresión matemática general de la función objetivo es:

1.1 Modelo de oferta de prosumidor de nivel superior

El prosumidor i en el nuevo sistema de distribución de energía urbana considerado en este artículo cuenta con equipos de generación de energía convencionales, como microturbinas de gas, así como equipos de generación de energía de nueva generación, como la energía fotovoltaica y eólica.

Para equipos de generación de energía convencionales, su costo de generación de energía se puede expresar como una función cuadrática, es decir:

En un mercado eléctrico con competencia imperfecta, los prosumidores no ofertarán según los costos marginales de generación de energía, sino que ajustarán la curva de oferta para aumentar las ganancias. Este artículo construye la función de oferta del prosumidor i basada en SFE como :

En términos generales, la generación de energía nueva es aleatoria y volátil. Dado que este artículo tiene como objetivo estudiar el problema de equilibrio del mercado minorista causado por la competencia, se ignoran los factores de incertidumbre y se utilizan los valores previstos. En el proceso de despacho real, debido a la rápida velocidad de ajuste de las microturbinas de gas, se puede equilibrar el desequilibrio causado por la generación de nueva energía.

El departamento de despacho determina la producción de despacho del prosumidor y utiliza el mecanismo de ingresos de pago según oferta (PAB ) para liquidar. Los objetivos de ingresos específicos del prosumidor i son:

1.2 Modelo de programación de optimización de capa inferior

En este documento, las empresas de servicio público de la red eléctrica y los usuarios comunes son administrados y controlados unificadamente por el departamento de despacho del sistema de distribución, por lo que los tres se analizan en el modelo de despacho de optimización de nivel inferior.

1.2.1 Modelo de operación de optimización del departamento de programación

El objetivo del despacho óptimo de nuevos sistemas de distribución de energía urbana es minimizar el costo económico operativo general del sistema, incluidos los costos de compra de energía, los costos de pérdida de la red y los costos de compensación de DR. La introducción de costos de pérdida de la red puede optimizar la distribución del flujo de energía y reducir la operación . costos, mientras que los costos de DR son para fomentar la implementación. Costos de compensación proporcionados por políticas de incentivos.

El departamento de despacho debe cumplir con las siguientes restricciones al realizar el despacho.

1.2.2 Modelo de empresa de servicio público de red eléctrica

1.2.3 Modelo de usuario ordinario

El desarrollo de tecnología de interconexión energética permite a los usuarios del sistema de distribución participar en la RD. La DR se puede dividir en DR basada en precios y DR basada en incentivos. El uso del precio en tiempo real (RTP) para liquidar las facturas de electricidad de los usuarios puede movilizar completamente las capacidades de DR de los usuarios. RTP es un importante proyecto de DR basado en el precio de la electricidad que guía de manera óptima las operaciones de la red eléctrica y las operaciones del mercado a través de señales de precios .

Al afectar la carga del nodo en las restricciones de flujo de energía del modelo de despacho subyacente, los usuarios afectan aún más la producción de despacho y los ingresos de los prosumidores y, por lo tanto, participan en el juego, evitando que se produzca el monopolio colectivo de los prosumidores durante el juego y resultando en precios irrazonables. La reducción final en los costos de electricidad para los usuarios al participar en RD es:

2. Proceso de solución del modelo de juego maestro-esclavo

2.1 Modelo de juego maestro-esclavo de oferta de prosumidor

En la red de distribución urbana, cada prosumidor es un interesado independiente, el departamento de despacho organiza la contribución de los prosumidores en función de la curva de oferta del prosumidor y determina la potencia desequilibrada proporcionada por la empresa de servicio público de la red eléctrica y el ajuste de carga de la participación del usuario en la demanda. respuesta cantidad. Los prosumidores ajustan la curva de oferta en función de la producción de despacho dispuesta por el departamento de despacho para aumentar los ingresos por las ventas de electricidad. La relación entre los prosumidores y el departamento de despacho es un juego dinámico de Stackelberg con información completa. Las estrategias de oferta entre prosumidores y consumidores se influyen entre sí, lo cual es un juego no cooperativo con información completa. Finalmente, el juego entre cada prosumidor y el departamento de despacho de la red eléctrica puede construirse como un modelo de juego de Nash-Stackelberg. Normalmente, un juego incluye tres factores: el jugador, la estrategia del jugador y los ingresos.

La existencia de la solución de equilibrio de Nash de este juego es difícil de demostrar matemáticamente, pero las restricciones de flujo de potencia del modelo de despacho inferior pueden relajarse convexamente para transformarlo en un problema de planificación de conos de segundo orden. El proceso específico se muestra en el Apéndice A. , Sección A2. En este momento, cuando se da la estrategia de oferta del prosumidor, el modelo de nivel inferior puede determinar el resultado de programación óptimo único, por lo que la respuesta óptima de cada prosumidor siempre existe, lo que significa que existe el modelo de equilibrio de Nash del modelo de juego.

2.2 Proceso de solución

Los objetivos de optimización de las capas superior e inferior del modelo son inconsistentes y los resultados de la solución variable se influyen entre sí. Este artículo utiliza un método que combina el algoritmo de optimización de enjambre de partículas mejorado y el solucionador CPLEX para resolver iterativamente la solución de equilibrio del modelo. Para el modelo de juego no cooperativo de prosumidor de nivel superior, el algoritmo de optimización de enjambre de partículas se utiliza para resolver la estrategia de oferta óptima del prosumidor en el proceso iterativo. Este algoritmo de optimización de enjambre de partículas mejorado redefine el coeficiente de peso y el factor de aprendizaje en el proceso iterativo. de la posición y velocidad de las partículas. Su ajuste adaptativo se puede realizar para mejorar la velocidad de convergencia y evitar caer en el óptimo local. El proceso de mejora se muestra en el Apéndice A3 . Para el modelo de programación de optimización de nivel inferior, se utiliza el solucionador CPLEX para resolver el problema basado en la plataforma YALMIP para garantizar la eficiencia computacional y la optimización de la solución.

El proceso de solución específico es el siguiente.

3. Ideas de programación

3.1 Definición de parámetros y variables

Tabla 1 Parámetros relacionados

Tabla 2 Variables de decisión de nivel superior

Tabla 3 Variables de decisión de nivel inferior

3.2 Ideas de programación

Con base en la interpretación del contenido de la literatura, se pueden diseñar las siguientes ideas de programación:

Paso 1: Ingrese los datos requeridos

Este paso es relativamente simple. La mayoría de los datos utilizados en el análisis del caso se pueden encontrar en el texto original y usted mismo puede asumir otros datos. Luego ingrese todos los datos requeridos en el formato definido en la Tabla 1.

Paso 2 : mejorar el algoritmo del enjambre de partículas

Consulte las ideas de mejora en el artículo y escriba el código para mejorar el algoritmo de enjambre de partículas. Con respecto a la función Esfera, la comparación entre el algoritmo de enjambre de partículas mejorado y el algoritmo de enjambre de partículas básico es la siguiente:

Algoritmo básico de enjambre de partículas:

Algoritmo de enjambre de partículas mejorado:

Muestra que el algoritmo de enjambre de partículas mejorado es realmente mejor.

Paso 3 : código de programación de optimización de capa inferior

El artículo trata sobre un problema de juego de dos capas. Para facilitar la depuración, generalmente es necesario asegurarse primero de que el problema de programación de optimización de la capa inferior se resuelva correctamente y luego combinarlo con la optimización de la capa superior para resolverlo de forma iterativa. Desde el punto de vista del modelo matemático, el despacho óptimo de nivel inferior es un problema de flujo de energía óptimo basado en la programación de conos enteros mixtos de segundo orden (MISOCP), que es similar a mi blog anterior (reconstrucción de redes de distribución basada en números enteros mixtos de segundo orden) . programación de cono de orden (MISOCP) ) El modelo de este artículo es básicamente el mismo, la diferencia es que el modelo de este artículo no tiene variables topológicas (es decir, no se considera reconstrucción) y se agrega el precio de la electricidad del nodo como variable. .

Paso 4 : algoritmo de enjambre de partículas de nivel superior

En el algoritmo de enjambre de partículas de nivel superior, solo hay una variable de decisión a_G, que representa la estrategia de oferta del productor y comercializador, y la estrategia de producción del productor y comercializador se obtiene a través de la programación de optimización de nivel inferior. La función objetivo de nivel superior es maximizar los beneficios de múltiples productores y vendedores, que es esencialmente una optimización de múltiples objetivos. Sin embargo, el artículo no dice específicamente qué método de optimización se utiliza. En el código, maximizo directamente los beneficios generales. de los tres productores y vendedores como Optimice los objetivos y convierta múltiples objetivos en objetivos únicos.

Paso 5 : optimización iterativa de las capas superior e inferior

A través de la solución iterativa de optimización de las capas superior e inferior, se obtiene la solución óptima del juego maestro-esclavo.

Paso 6 : Resultados de optimización de salida

Encuentre el resultado final de la optimización de acuerdo con el gráfico proporcionado en el artículo.

4.Código Matlab

%% 清除变量
clc
clear
close all
warning off
 
tic
%% 设置种群参数
parameters;
index = input('选择仿真时刻，1：T=8h，2：T=15h  ：');
sizepop = 25;                       % 初始种群个数
dim = 3;                            % 空间维数
ger = 50;                           % 最大迭代次数    
x_max = f_grid*ones(1,dim);         % 位置上限
x_min = zeros(1,dim);               % 位置下限
v_max = 20*ones(1,dim);             % 速度上限
v_min = -20*ones(1,dim);            % 速度下限
wb = 1.5;                           % 惯性权重初值
we = 0.1;                           % 惯性权重末值
c_1b = 1.5;                         % 自我学习因子初值
c_1e = 0.1;                         % 自我学习因子末值
c_2b = 0.1;                         % 群体学习因子初值
c_2e = 1.5;                         % 群体学习因子末值
%% 种群初始化
pop = x_min + rand(sizepop,dim).*(x_max-x_min);     % 初始化种群
pop_v = v_min + rand(sizepop,dim).*(v_max-v_min);   % 初始化种群速度        
pop_zbest = pop(1,:);                               % 初始化群体最优位置
pop_gbest = pop;                                    % 初始化个体最优位置
fitness = zeros(1,sizepop);                         % 所有个体的适应度
fitness_zbest = -inf;                               % 初始化群体最优适应度
fitness_gbest = -inf*ones(1,sizepop);               % 初始化个体最优适应度
%% 初始的适应度
for k = 1:sizepop
    % 计算适应度值
    [Gi,~,~,~,~] = Up_fitnessfun(pop(k,:),index);
    fitness(k) = sum(Gi);
    if fitness(k) > fitness_zbest
        fitness_zbest = fitness(k);
        pop_zbest = pop(k,:);
    end
end
history_pso = zeros(1,ger);            % 粒子群历史最优适应度值
%% 迭代求最优解
iter = 1;
while iter <= ger
    % 更新惯性权重和学习因子
    g = iter;
    g_max = ger;
    w = wb - g/g_max*(wb - we);
    c_1 = c_1e + (c_1b - c_1e)*(1 - acos(-2*g/g_max + 1)/pi);
    c_2 = c_2e + (c_2b - c_2e)*(1 - acos(-2*g/g_max + 1)/pi);
    for k = 1:sizepop
        % 更新速度并对速度进行边界处理 
        pop_v(k,:)= w * pop_v(k,:) + c_1*rand*(pop_gbest(k,:) - pop(k,:)) + c_2*rand*(pop_zbest - pop(k,:));
        for kk = 1:dim
            if  pop_v(k,kk) > v_max(kk)
                pop_v(k,kk) = v_max(kk);
            end
            if  pop_v(k,kk) < v_min(kk)
                pop_v(k,kk) = v_min(kk);
            end
        end
        % 更新位置并对位置进行边界处理
        pop(k,:) = pop(k,:) + pop_v(k,:);
        for kk = 1:dim
            if  pop(k,kk) > x_max(kk)
                pop(k,kk) = x_max(kk);
            end
            if  pop(k,kk) < x_min(kk)
                pop(k,kk) = x_min(kk);
            end
        end
        % 更新适应度值
        [Gi,~,~,~,~] = Up_fitnessfun(pop(k,:),index);
        fitness(k) = sum(Gi);
        if fitness(k) > fitness_zbest
            fitness_zbest = fitness(k);
            pop_zbest = pop(k,:);
 
        end
        if fitness(k) > fitness_gbest(k)
            fitness_gbest(k) = fitness(k);
            pop_gbest(k,:) = pop(k,:);
        end
    end
    history_pso(iter) = fitness_zbest;
    disp(['PSO第',num2str(iter),'次迭代最优适应度=',num2str(fitness_zbest)])
    iter = iter+1;
end
time0 = toc;
 
 
%% 运行结果
show_result;

Lo anterior es solo el código de Matlab para la parte de la función principal. El código de Matlab completo se puede obtener desde este enlace (tenga en cuenta que la caja de herramientas Matpower y Yalmip, así como el solucionador Cplex deben instalarse para ejecutar el código. Si hay otros solucionadores, se pueden cambiar en la configuración):

Código Matlab de estrategia de licitación de prosumidores para un nuevo sistema de distribución de energía urbana basado en el juego maestro-esclavo