论文部分内容阅读
需求侧竞价是基于综合资源规划理论的电力需求侧响应模式,也是电力需求侧管理的一种实施机制。在实际的电力市场交易中,发电侧竞价上网,调度机构也只是在满足预测负荷的前提下使购电成本最小。在这种情况下,电力需求弹性基本为零,用户电价受到严格管制,使得市场依然具有很强的垄断势力,上网电价容易出现很大波动进而影响市场稳定。本文主要研究考虑需求侧竞价的日前市场的报价方式、出清模型及出清算法。算法上的改进在于采用了基于实数矩阵编码的遗传算法,并与传统线性规划相结合进行日前市场出清模型的求解。
1基于线性规划的功率最优分配
实数矩阵编码方式遗传算法求解日前市场出清过程中,将交易组合编码及功率分配编码组成了一条基因链,但在迭代搜索时,实际上是运行了两层遗传算法,即先对交易组合初始化并调整检验是否可行,之后在此组合下用遗传算法的具体操作进行功率分配。这种方法的优点在于充分的利用遗传算法的全局最优搜索能力,在编码方式上由于采用了实数矩阵形式而得以简化。基于以上考虑,借鉴传统发电侧日前市场出清算法,本文将采用线性规划求解功率最优分配问题。由于在处理约束条件时,变量的范围是有上下界的,所以本文线性规划为有界线性规划,有界线性规划模型的解法主要为有界变量单纯形法。在用线性规划求解功率分配时需要在固定的交易组合下进行,因此求解考虑需求侧竞价的日前市场出清整体思路是将遗传算法和线性规划嵌套进行求解,即用遗传算法求解交易组合,在已知交易组合的情况下用线性规划进行功率优化分配。
在用遗传算法确定了交易组合方式后,功率的分配通过求解以下目标函数及约束条件获得。
2算例分析
本算例的系统网络模型采用IEEE 14节点模型,4个节点为发电机组,1节点为平衡节点,负荷点11个,作为系统内的需求侧用户。则日前市场上共有4个发电商(假设每个发电商有一台机组参与竞争)与11个需求侧用户进行日前市场交易。为说明问题方便,本文设交易双方任意时段内的报价段数最多为2段,即在一个时段内最多拥有两个虚拟机组或虚拟用户。全交易日分为48个时段出清,交易中心接收的原始报价数据机组参数可参考程序中的算例,本算例将就不考虑和考虑系统安全约束两种情况分别进行日前市场出清,并对结果做比较分析。
在遗传算法的参数选择上,本文定义种群规模为200,交叉概率为0.8,变异概率为0.1,最大遗传代数为100。使用Matlab R2008a编程进行算法实现。如考虑系统安全约束条件,则对线性规划产生的功率分配进行潮流计算,根据是否存在线路潮流越限来判断交易组合方式,若存在越限则调整交易组合直至满足系统安全约束条件。通过实际验证,可以看出本文算法的收敛性较好,在遗传了20多代后即寻得相对最优解。通过本算例的说明,证明了遗传算法与线性规划的结合在求解考虑需求侧竞价的日前市场出清模型上的有效性。在算法计算时间上,也可以看出算法具有实际可行性,但仍需要改进优化,以进一步提高计算效率。
1基于线性规划的功率最优分配
实数矩阵编码方式遗传算法求解日前市场出清过程中,将交易组合编码及功率分配编码组成了一条基因链,但在迭代搜索时,实际上是运行了两层遗传算法,即先对交易组合初始化并调整检验是否可行,之后在此组合下用遗传算法的具体操作进行功率分配。这种方法的优点在于充分的利用遗传算法的全局最优搜索能力,在编码方式上由于采用了实数矩阵形式而得以简化。基于以上考虑,借鉴传统发电侧日前市场出清算法,本文将采用线性规划求解功率最优分配问题。由于在处理约束条件时,变量的范围是有上下界的,所以本文线性规划为有界线性规划,有界线性规划模型的解法主要为有界变量单纯形法。在用线性规划求解功率分配时需要在固定的交易组合下进行,因此求解考虑需求侧竞价的日前市场出清整体思路是将遗传算法和线性规划嵌套进行求解,即用遗传算法求解交易组合,在已知交易组合的情况下用线性规划进行功率优化分配。
在用遗传算法确定了交易组合方式后,功率的分配通过求解以下目标函数及约束条件获得。
2算例分析
本算例的系统网络模型采用IEEE 14节点模型,4个节点为发电机组,1节点为平衡节点,负荷点11个,作为系统内的需求侧用户。则日前市场上共有4个发电商(假设每个发电商有一台机组参与竞争)与11个需求侧用户进行日前市场交易。为说明问题方便,本文设交易双方任意时段内的报价段数最多为2段,即在一个时段内最多拥有两个虚拟机组或虚拟用户。全交易日分为48个时段出清,交易中心接收的原始报价数据机组参数可参考程序中的算例,本算例将就不考虑和考虑系统安全约束两种情况分别进行日前市场出清,并对结果做比较分析。
在遗传算法的参数选择上,本文定义种群规模为200,交叉概率为0.8,变异概率为0.1,最大遗传代数为100。使用Matlab R2008a编程进行算法实现。如考虑系统安全约束条件,则对线性规划产生的功率分配进行潮流计算,根据是否存在线路潮流越限来判断交易组合方式,若存在越限则调整交易组合直至满足系统安全约束条件。通过实际验证,可以看出本文算法的收敛性较好,在遗传了20多代后即寻得相对最优解。通过本算例的说明,证明了遗传算法与线性规划的结合在求解考虑需求侧竞价的日前市场出清模型上的有效性。在算法计算时间上,也可以看出算法具有实际可行性,但仍需要改进优化,以进一步提高计算效率。