خودبرنامه ریزی نهادهای تجمیع کننده ی پاسخگویی بار در بازارهای کوتاه مدت بر اساس تئوری تصمیم گیری مبتنی بر شکاف اطلاعاتی

قیمت: 48,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

خودبرنامه ریزی نهادهای تجمیع کننده ی پاسخگویی بار در بازارهای کوتاه مدت بر اساس تئوری تصمیم گیری مبتنی بر شکاف اطلاعاتی

عنوان لاتین

Self-Scheduling of Demand Response Aggregators in Short-Term Markets Based on Information Gap Decision Theory

این مقاله یک چارچوب خودبرنامه ریزی جدید را برای نهادهای تجمیع کننده ی پاسخگویی بار پیشنهاد می دهد که در جنبه های زیر، نسبت به مدل های موجود دارای نوآوری هایی هستند. این مدل پیشنهادی، عدم قطعیت-های تحمیل شده از سمت مصرف کنندگان و قیمت های بازار برق را نیز درنظر می گیرد. علاوه بر این این مدل، تئوری تصمیم گیری مبتنی بر شکاف اطلاعاتی (IGDT) را بر مسئله ی خودبرنامه ریزی اعمال می کند که این کار، سود از پیش تعریف شده توسط نهادتجمیع کننده را تضمین می کند و سبب می شود که بتوان از بار محاسباتی ای که توسط متدهای مبتنی بر سناریو همچون رویکرد برنامه ریزی اتفاقی ایجاد می شود، اجتناب کرد. نهادهای تجمیع کننده، پاسخگویی بار (DR) را از دو برنامه ی پیشنهادی، یعنی پاسخگویی بار مبتنی بر پاداش و برنامه ی مبتنی بر زمان استفاده بدست می آورد. سپس، DR بدست آمده به بازارهای روز-پیشرو و بازارهای تعادلی پیشنهاد می شود. یک تابع سود مبتنی بر IGDT پیشنهاد شده است که به یک برنامه ی دوسطحه منجر می شود. این مدل دوسطحه ی داده شده، سپس با استفاده از یک متد به غیر از KKT، به یک مدل تک سطحی معادل تبدیل می شود که این مدل تک سطحه ذکر شده، از طریق حل کننده های تجاری که در GAMS موجود هستند، حل می شود. شدنی بودن این مسئله، با استفاده از یک مطالعه ی موردی با داده ی واقعی از بازارهای برق مورد مطالعه قرار گرفته است.

This paper proposes a new self-scheduling framework for demand response aggregators, which contributes over the existing models in following aspects. The proposed model considers the uncertainties posed from consumers and electricity market prices. Further, the given model applies the information-gap decision theory (IGDT) in the self-scheduling problem, which guarantees the predefined profit by the aggregator and avoids computational burdens caused by scenario-based methods such as stochastic programming approaches. The DR aggregator procures DR from two proposed programs, i.e. reward-based DR and timeof- use (TOU). Then, the obtained DR is offered into day-ahead and balancing markets. An IGDT-based profit function is proposed, which leads to a bilevel program. The given bilevel model is then transformed into an equivalent single-level model by developing a non-KKT method, which is solved through commercial solvers available in General Algebraic Modeling System (GAMS). The feasibility of the problem is studied using a case study with realistic data of electricity markets.