考虑实时市场联动的电力零售商鲁棒定价策略（Matlab代码实现）

news2024/10/6 4:14:16

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

参考文献：

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、电动汽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;

本文采用IEEE-33节点测试系统，节点边际电价通过二阶锥模型计算得到，节点边际电价通过最小二乘法拟合为一次函数，实时电价场景通过聚类得到，电动汽车类型通过聚类得到，电动汽车需求响应通过主从博弈模型描述并转化为KKT条件，两阶段离散场景分布鲁棒优化模型通过列与约束生成算法迭代求解，主问题为混合整数二次规划问题，子问题为混合整数线性规划问题。

📚2 运行结果

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。

图1 IEEE 33节点配电系统拓扑结构

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

部分结果：

部分代码：

%% 建模
pch=data_MP.pch;pdis=data_MP.pdis;price_EV=data_MP.price_EV;Pb_DA=data_MP.Pb_DA;price_DA=data_MP.price_DA;%鲁棒主问题数据
Pch=sdpvar(24,10);%储能系统充电
Pdis=sdpvar(24,10);%储能系统放电
S_ESS=sdpvar(24,10);%储能系统电量状态
Pb_RT=sdpvar(24,10);%实时购电量
Ps_RT=sdpvar(24,10);%实时售电量
ratio=sdpvar(10,1);%不同类型电动汽车的分布
C_ESS=[0<=Pch<=250,0<=Pdis<=250,200<=S_ESS<=950,
S_ESS(1,:)==500+0.95*Pch(1,:)-Pdis(1,:)/0.95,
S_ESS(2:24,:)==S_ESS(1:23,:)+0.95*Pch(2:24,:)-Pdis(2:24,:)/0.95,
S_ESS(24,:)==500];%储能系统约束条件
C_CS=[0<=Pb_RT<=500,0<=Ps_RT<=500,Pb_DA*ones(1,10)+Pb_RT+Pdis+N*pdis*ratio*ones(1,10)==Ps_RT+Pch+N*pch*ratio*ones(1,10)];%零售商约束条件
obj_inner=sum(PDF.*sum(-(price_RT'+0.001).*Pb_RT+(price_RT'-0.001).*Ps_RT));%内层问题目标函数(最大化)
Constraints_inner=[C_ESS,C_CS];%内层问题约束条件
ops=sdpsettings('kkt.dualbound',0);%不进行对偶边界估计
[KKTsystem,details]=kkt(Constraints_inner,-obj_inner,ratio,ops);%内层问题的KKT条件
C_RO=[sum(ratio)==1,0<=ratio<=1,sum(abs(ratio-ratio_initial))<=log(20/(1-0.99))*10/2000,abs(ratio-ratio_initial)<=log(20/(1-0.99))/2000];%离散场景概率约束
%% 求解
Constraints_outer=[KKTsystem,C_RO];%外层问题约束条件
obj_outer=-price_DA'*Pb_DA+sum(PDF.*sum(-(price_RT'+0.001).*Pb_RT+(price_RT'-0.001).*Ps_RT))+N*price_EV'*(pch-pdis)*ratio;%外层问题目标函数(零售商的收益)
ops=sdpsettings('solver','gurobi','gurobi.FeasibilityTol',1e-9,'gurobi.IntFeasTol',1e-9,'gurobi.MIPGap',1e-9,'gurobi.OptimalityTol',1e-9);%求解器参数,MILP问题
result=optimize(Constraints_outer,obj_outer,ops)%求解最小化问题
result_SP.ratio=double(ratio);result_SP.obj=double(obj_outer);
end