开源代码分享(11)—考虑不确定性的输配电网双层优化(附matlab代码)

1.背景介绍

        随着随机可再生能源的不断增加，对运营灵活性来应对不平衡的需求也增加。现有的灵活性采购方案设想了供电系统运营商（TSO）能够访问配电系统运营商（DSO）级别的灵活资源，反之亦然，但这两个实体之间的协调是一个活跃的研究领域。我们考虑两个交易市场，即日前市场和实时市场，并提出一种日前协调的方法，描述为互补模型，用于共享灵活资源。所提出的协调方法是优化TSO和DSO之间的物理接口处的价格和容量限制，即所谓的“协调变量”。对于给定这些变量的值，DSO通过限制其数量投标来预先确认DSO级别资源在日前市场的参与。通过这种方式，DSO确保其系统的约束条件，即一个锥形规划所建模的条件将被满足。为了追求计算可行性，我们使用了多段Benders分解方法对模型进行分解。该方法将每个情景下实时功率流的锥形建模与日前市场清算问题的混合整数线性建模相分离。我们通过改进社会福利来量化所提出协调方法的潜在收益。通过进行事后的模拟，评估了所提出协调方法的性能，并与两个基准进行对比：（i）完全无协调方案，该方案得到了预期社会福利的下界，以及（ii）理想基准，该基准共同优化了TSO和DSO的问题，并提供了预期社会福利的上界。

        在上述背景下，一个相关的研究问题是如何进行TSO和DSO之间的日前协调。为了实现这样的协调，我们的建议是专注于TSO和每个DSO之间的接口，并将接口上的流量容量限制和电力价格作为“协调变量”在日前阶段进行处理。通过优化这些协调变量，TSO对DSO级别的灵活资源的访问可以得到调整。

        值得一提的是，日前市场是纯粹的金融交易，实际的电力交付并不在该时间段内进行。因此，系统运营商不一定需要在日前阶段强加实际物理接口的容量限制，只要这样的限制将在随后的市场中强制实施，例如，在日内或实时市场中。然而，我们需要一个整体的模型，不仅优化日前协调变量，还要考虑在随后的市场中强制实施实际物理限制所产生的任何额外操作成本。在这样的框架下，日前阶段的接口容量限制可以高于、等于或低于实际物理限制。

        提出的协调机制引出了一个制度性问题：由谁负责优化协调变量？我们引入了一个新的代理机构来完成这项任务，称为“接口优化器”，它是一个非盈利的代理机构，负责TSO-DSO的协调。目前的实践中并没有这样的机构，我们也不急于要求监管机构和行业建立这样的机构。相反，我们将我们提出的方法视为一种工具，通过优化日前阶段的接口特性，展示了TSO-DSO协调的最大潜力空间，这是一个全新的概念。我们提出的工具表明，在不需要极端破坏性解决方案的情况下，可能有可能改善TSO和DSO之间的部门协调。本文不涉及TSO和DSO如何在尊重其现行部门政策和市场法规的情况下实际实施这一理念。

        接下来提出的问题是如何为接口优化器开发一个适当的数学工具，以确定最佳的协调变量，这可以作为未来实际协调机制的参考。接口优化器旨在最大化整个系统的预期社会福利，包括输电和配电层面，在日前和实时交易阶段。我们提出了一个双层优化模型，其中领导者是接口优化器，跟随者是DSO以及日前和实时市场。潜在的不确定性，例如DSO和TSO层面的风电发电量，被建模为有限数量的场景。在一些假设下，我们在数学上证明了结果随机双层模型中的第一阶段可以不进行近似处理。为了减轻计算负担，我们使用多割Benders分解算法对简化的双层问题进行分解。分解的一个附带好处是避免解决混合整数二阶锥规划问题，并将其分解为混合整数线性问题和一组凸连续二阶锥规划问题。我们使用后验外样本模拟来量化所提出的协调方法的潜在效益，评估其性能与两个基准进行对比：（i）一个完全不协调的机制，获得预期社会福利的下界；（ii）一个理想的基准，同时协调TSO和DSO的问题，获得预期社会福利的上界。

2.基本原理

2.1一主多从的主从博弈模型

        在介绍我们提出的TSO-DSO协调的双层模型之前，让我们先给出一个含有一个领导者和三个顺序跟随者的特定双层模型的一般数学描述。我们提出的双层模型具有相同的数学结构。

        设x、y1、y2和y3分别表示领导者、跟随者1、跟随者2和跟随者3的决策变量集合。领导者做出决策x，而三个跟随者对此做出响应。所谓顺序跟随者，指的是三个跟随者之间存在一种决策顺序。详细情况如下所述。

        领导者通过求解优化问题PL(x, y1, y2, y3)来作出最优决策x。跟随者的响应，即y1、y2和y3，会影响领导者的问题。给定领导者的决策x后，跟随者1通过优化问题PF1(x, y1)确定最优响应y1。然后，对于领导者的决策x和跟随者1的响应y1，跟随者2通过求解优化问题PF2(x, y1, y2)来确定最优响应y2。最后，跟随者3将x、y1和y2视为给定值，并通过优化问题PF3(x, y1, y2, y3)确定最优响应y3。由此得到的双层模型是由三个优化问题PF1(x, y1)、PF2(x, y1, y2)和PF3(x, y1, y2, y3)约束的优化问题PL(x, y1, y2, y3)。

        假设三个跟随者的所有优化问题都是凸优化问题。

        为了一次解决这个双层问题，需要用相应的最优性Karush-Kuhn-Tucker（KKT）条件替换三个追随者的优化问题。在推导与问题PF1(x, y1)相关的KKT条件时，将决策x视为参数，使得唯一的原始变量是y1。类似地，可以推导出问题PF2(x, y1, y2)的KKT条件，将x和y1视为外生参数，而y2是唯一的原始变量。最后，我们得到问题PF3(x, y1, y2, y3)的KKT条件，其中唯一的原始变量是y3。

        上述的数学过程导致了一个互补问题，它由领导者的优化问题PL(x, y1, y2, y3)限制，这些限制是由问题PF1(x, y1)，PF2(x, y1, y2)和PF3(x, y1, y2, y3)的KKT条件组成的。这个互补问题的变量是x，y1，y2，y3以及在追随者的KKT条件中的所有对偶变量。这个互补问题的解实际上是原始双层问题的解。

        在我们提出的双层优化问题中，界面优化器是唯一的领导者，而三个顺序的追随者分别是（i）配电系统操作者（DSOs），（ii）日前市场和（iii）实时市场。这个提议的设置遵循了两阶段市场清算的范式，即日前市场和一系列实时再调度。尽管界面优化器将整个问题解决为一个整体，但在建模三个追随者的决策过程中考虑到顺序是至关重要的。否则，界面优化器在正确地建模市场交互方面将会失败。在所提出的双层模型中，代理和市场的交互关系如图1所示，并通过以下四个步骤进行解释：

图1 双层优化框架 

        步骤1：领导者问题：在日前市场清算之前，作为领导者的界面优化器确定每个界面上协调变量的最优值，即价格和流量容量限制。界面优化器的目标是最大化整个系统（包括TSO和DSO层级以及日前和实时交易阶段）的总体预期社会福利。

        步骤2：第一个追随者问题：在步骤1中，给定领导者的决策，即界面上的价格和功率流限制，并且仍然在日前市场清算之前，每个作为第一个追随者的DSO都对分布式能源资源或其聚合在其领域内可以向日前市场竞标的生产或消费数量设置上限。我们将这个阶段称为DSOs的预限制。

        步骤3：第二个追随者问题：在步骤2中，给定步骤2中分布式能源资源的数量竞标，日前市场清算操作员作为第二个追随者对市场进行清算。

        步骤4：第三个追随者问题：在步骤3中，按照日前市场，作为第三个追随者的实时市场操作员对市场进行清算，以调整由随机可再生电力发电引起的潜在不平衡。

        在步骤3中，日前市场按照当前现实世界电力市场的做法以确定性方式进行清算。这意味着每个依赖天气的可再生能源单位（例如风电场）的生产数量竞标由一个单点值给出，即其生产预测的平均值。在步骤3中，日前市场被认为遵循一个仅限于能源的机制，即不考虑其他市场产品（例如运行备用）。
        在步骤4中，实时市场被构想为一个随后的市场，根据更新的预测可用性改变日前调度。这种重新调度通常会产生额外的运营成本。需要注意的是，在实时市场中，灵活资源提供的上调和下调服务的成本可能不同。
        需要回顾的是，整个双层模型是由界面优化器在日前市场清算之前的某个时间点解决的，而在那个阶段可再生电力发电的实现是不确定的。这种不确定性是通过有限数量的情景来建模的。每个情景都包含日前可再生能源单位的数量竞标和底层情景中实时生产之间的不平衡的不同大小。因此，在步骤4中，我们为每个可再生能源情景考虑一个实时市场清算问题。这些情景是基于在界面优化器解决提出的双层问题之前某个时间点的可用预测信息生成的。在步骤4中包含的可再生能源生成情景的均值与步骤3中可再生能源单位的日前竞标数量相同。虽然所提出的模型依赖于使用的情景，并且对谁生成它们进行全面定义通常很重要，但我们在这里将其视为外部参数。但是，在第5节中，我们将通过事后的样本外分析评估基于给定情景集的协调决策的质量。在我们提出的模型中，风电场作为可再生能源单位以零价格竞标其生产，如有需要，风力可以自由泄放。

        在输电网络高压传输网络中的功率流采用线性无损耗功率流近似进行建模。尽管这种近似通常适用于输电网络，但它不一定是用于在配电系统低压运行领域内表示功率流方程的合适模型。功率损耗、无功功率流和电压约束是配电系统运行的关键方面，不能忽略。本文通过对交流(AC)功率流方程进行凸松弛，考虑损耗、电压限制以及有功和无功功率流，确定径向低压配电馈线中的功率流。具体而言，我们使用径向配电系统中的交流功率流的锥型松弛（Farivar＆Low，2013），从而得到二阶锥规划问题。

        根据欧洲的分区市场设计，在日前阶段我们排除输电和配电网络的约束条件，从而得到一个单节点线性模型。相反，在实时市场中，每个场景都包括输电和配电系统的网络约束。实时市场清算问题是一个锥形规划问题，因为分布系统功率流方程中存在二阶锥约束。界面优化器被假设具有足够的追随者数据，以能够构建双层模型并预测其反应。实际市场协调的实施可能不需要如此高程度的信息共享，可以通过谈判来确定协调变量，但由于我们构建了一个基准工具来展示在这样一个框架下的可能性，我们的目标是检查最佳情况，即所有信息都得到共享。这种数据可用性假设使我们能够探索界面优化器改进TSO和DSO之间协调的最大能力。可以预期，放松这种假设可能会降低其能力，这取决于信息不对称的程度。

        为了计算实时重新调度成本，需要TSO和DSO网络的拓扑信息。TSO和DSO可能不愿意共享有关其网络拓扑的数据。假设界面优化器具有这些信息，这是一个合理的假设，因为我们正在研究最好的情况。分散式优化，如Caramanis等人（2016）和Mohammadi等人（2019）中提出的建议，将来可能会使在实时阶段协调而不共享具体的与网络相关的专有信息更容易。

        为了简单起见，我们排除了调整约束、储能和其他时间间隔的耦合。因此，我们只考虑了一个小时，而不是每天的时间跨度。与欧洲电力市场一致，单位投入约束被内部化到市场参与者的出价中，因此忽略了常规发电机的承诺状态的二进制变量，这样日前和实时市场清算问题都是凸的。我们还忽略了分布式能源资源（Greening，Greene和Difiglio，2000）的潜在反弹效应，这在恒温负荷中是最常见的情况。

2.2随机双层优化

        如前所述，所提出的随机二层模型中，单一的领导者是界面优化器，其目标是在整个系统中最大化预期社会福利，包括传输和配电系统，同时考虑到日前和实时交易阶段。三个连续的追随者分别是本地DSO市场（每个配电系统一个）、日前市场和实时市场（每个情景一个）。所提出的二层结构的示意图如图2a所示。作为领导者的界面优化器确定所有界面处协调变量的最优值，集中在变量集合 IO 中。对于给定这些协调变量的值，每个配电系统 e 的 DSO 市场进行预资格审核，以找到对本地发电机和需求施加的最优限制，以确定它们在批发日前市场中的参与度。通过这种方式，每个配电系统确保满足其本地交流功率流限制，该限制通过锥规划模型建模。对于给定DSO这些限制的值，使用线性规划来清算日前市场。日前市场的目标是最大化日前阶段的社会福利。对于给定的日前市场结果，即发电机调度 和需求调度 ，实时市场则在每个情景下进行清算，以调整可再生能源的不平衡，即实际可再生能源与其日前调度之间的差异。由于需求在此阶段已确定，因此在每个情景 ω 下，实时市场清算的目标是在该情景下最小化社会成本。

        实时市场涵盖了传输和配电两个层面，因此其清算问题是一个锥规划。日前阶段的最优社会福利和实时阶段的社会成本，构成了界面优化器的目标函数，追随者因此影响了领导者的决策。

3算例分析

        在前文介绍的基础上，我们提出的双层问题（2）采用多切割Benders分解方法进行求解，使用Matlab编程语言和CVX包，并使用MOSEK 8.0进行求解。本德分解被设置为在上下界的相对差距达到0.1%时收敛。通过并行求解每个情景的子问题，可以加快计算速度。在本节的其余部分，我们首先给出一个小规模的示例，然后展示一个更大案例的协调结果。

3.1小规模算例

        本节中，我们使用一个小规模的示例案例来展示界面优化器的概念，该示例涉及一个三节点传输网络与三个配电网的连接。系统的拓扑结构如图3所示。一个输电系统运营商（TSO）负责运营包括节点1、2和3以及传输线L1、L2和L3在内的传输系统。网络数据记录在表格1中。传输线L1的容量最低（35MVA）。需要注意的是，这只是一个虚构的示例，不一定代表现实世界中的电力系统。在第5.2节中我们将展示一个更加现实的案例研究。

        柔性传统发电机G1位于TSO的操作范围内，连接到节点2。传输网络中的每个节点都连接到一个由其自己的配电网运营商（DSO）运营的两个节点的配电系统。需求D1、D2和D3位于配电系统中，每个配电系统处于不同DSO的操作范围内。此外，还有一个风力发电装置W1，连接到其中一个配电系统。这个风力发电装置的发电量是唯一的不确定性来源，并通过三种等概率的情景ω1、ω2和ω3进行建模。根据日前阶段的风力发电预测，该装置的发电量有三种情景：97.1MW、106.9MW和142.2MW。该装置在日前市场的申报发电量是预测发电量的均值，即115.4MW。因此，在情景ω1下存在18.3MW的风力不足，在情景ω2下存在8.5MW的风力不足，在情景ω3下存在26.8MW的风力过剩。

 3.2大规模测试系统

        在这个案例研究中，使用了经过修改的IEEE 24节点可靠性测试系统。通过添加五个径向配电线路，扩展了网络，这些线路替代了节点6、13、15、18和19处的负荷。这意味着单个TSO与五个DSO（即DSO 1到DSO 5）进行交互。总共，总系统负荷的39.3％放置在由DSO运营的径向配电系统中，而其余的总负荷连接到输电网。整个网络的图示见附录B。该系统还配备了七个额外的风力发电场，这是系统中唯一的不确定性来源。其中一个风力发电装置位于由DSO 3运营的配电系统中，而其余的风力发电装置则连接到输电网。为了在网络中产生拥塞，更改了一些TSO级别的输电线路容量和发电机容量。复制该案例研究所需的所有网络和发电机/负荷数据均可在在线附录中获得。

        使用随机抽样从高斯混合模型中生成了七个风力发电场的情景，其协方差基于风力发电场之间的地理距离。。本文超出了使用更先进的预测工具生成情景的范围，而不对已知概率分布的不确定性做出假设。

        从生成的情景中，首先任意选择20个样本内情景来解决提出的双层模型，然后选择不同的300个情景进行事后样本外验证。。我们对所有情景分配相同的概率。对于样本内分析，界面优化器使用任意选择的20个样本内情景解决提出的双层问题，以确定所有五个界面的协调变量的最佳值。对于从样本内分析中获得的固定日前决策，实时市场在每个300个样本外情景中确定性地清算（即所谓的样本外模拟）。我们通过从样本外模拟中获得的实时社会成本的均值扣除日前社会福利（从样本内分析中获得）来计算预期社会福利。不同市场设置下的这个值将在下一节中报告。

4.完整代码

https://download.csdn.net/download/weixin_44209907/88171845