مجتبي محوي - مرتضي محمدي اردهالي

98-F-EPM-49 روش جديد پيشنهاددهي در بازار برق رقابتي با استفاده از آناليز حساسيت و ديدگاه بنگاهي مجتبي محوي - مرتضي محمدي اردهالي دانشكده برق - دانشگاه صنعتي اميركبير( پلي تكنيك تهران) ايران واژههاي كليدي: بازار برق استراتژي پيشنهاددهي بهينه ديدگاه بنگاهي آناليز حساسيت چكيده هدف اين مطالعه اراي ه يك روش جديد پيشنهاددهي در بازار برق رقابتي با استفاده از آناليز حساسيت و بر اساس ديدگاه بنگاهي است. مكانيزم تسويه بازار در اين مطالعه قيمت گذاري حدي محلي LMP) ( است. حساسيت سود هر بازيگر نسبت به پيشنهاد قيمت او محاسبه شده و سپس استراتژي بهينه تعيين ميگردد. يك مطالعه موردي براي نشان دادن كارآي ي اين روش صورت گرفته و نتايج LMPهاي بدست آمده و ميزان توليد هر شركت توليدي ( GenCo) نشان داد كه اين روش منجر به يادگيري يك رفتار استراتژيك توسط GenCoها شده و در نتيجه آنها توانسته اند قيمت بازار و در نتيجه سود خود را افزايش دهند. - مقدمه در بازارهاي برق هر GenCo مسي ول ماكزيمم كردن سود خود است. براي رسيدن به اين منظور GenCoها يك سري اهداف اقتصادي براي خود تعريف ميكنند كه شامل برنامه ريزي كوتاه مدت و بلند مدت خودشان ميشود. استراتژيهاي پيشنهاددهي كه از مجموعه دوتاي يهاي قيمت- توليد تشكيل شده است براي ناي ل شدن به اهداف كوتاه مدت توسعه يافته اند[ ]. GenCoها در بازار برق به دنبال سياست هايي هستند كه آنها را در چگونگي تعيين يك شيوه مناسب براي قيمت گذاري راهنماي ي كند []. از طرفي بازارهاي برق در حالت كلي با يك سري مشكلات سخت و حقيقي روبرو است از جمله اطلاعات نامتناسب رقابت ناكامل تعاملات استراتژيك و يادگيري تباني. بسياري از اين مشكلات با استفاده از تكنيكهاي سنتي اقتصادي قابل مدلسازي نيستند[ ]. بازار برق يك سيستم پيچيده است و وقتي مفهوم پيچيدگي به ميان ميآيد تحليلهاي اقتصادي در بازار از سمت و سوي رفتار عقلاني و تعادلي به سمت و سوي رفتارهاي استراتژيك و ناهماهنگ پيش خواهد رفت. ديدگاههاي بنگاهي 4 نه تنها -Complex 4 -Agen Based - Locaional Marginal Pricing - Generaing Company

و 6 روش جديد پيشنهاددهي در بازار برق رقابتي با استفاده از آناليز حساسيت و ديدگاه بنگاهي ميتوانند روابط استراتژيك در سيستمهاي پيچيده را مدل - ادبيات موضوع كنند بلكه اين قابليت را نيز دارند كه اين روابط را در يك محيط مجازي توسعه بدهند[ 4 ]. ديدگاه بنگاهي براي بررسي سيستمهاي پيچيده گوناگوني بكار برده شده است. كارآي ي اين ديدگاه در علوم كامپيوتري و تصميم گيري بخوبي اثبات شده است. براي مثال Samuelson [5] در باره چگونگي كاربرد اين ديدگاه در سيستمهاي اجتماعي از منظر بهينه سازي بحث كرده است. از كاربردهاي ديدگاه بنگاهي در صنعت برق ميتوان به 7] مراجع ] اشاره كرد. اين مطالعات قابليتهاي يادگيري گوناگوني بر اساس يادگيري تقويتي را در مدلسازي انواع گوناگون بنگاهها مورد بررسي قرار داده اند. تحليل حساسيت ( SA) در مدلهاي ميتواند براي ريسك مشخص كردن فاكتورهاي مهم در ريسك و توسعه روش هايي براي كاهش ريسك كمك فراواني بكند. روشهاي مختلف SA در زمينههاي بسياري شامل سيستمهاي پيچيده مهندسي اقتصاد فيزيك علوم اجتماعي و تصميم گيري بكار برده شده اند [8]. حساسيت سود نسبت به پيشنهاد حاوي اطلاعات مهم و ارزشمندي براي GenCoها است و ميتواند در تعيين استراتژي بهينه پيشنهاددهي براي افزايش سود كمك نمايد. علاوه براين حساسيت شاخص مهمي براي هايي GenCo است كه قدرت بازار و قابليت تباني با سايرين را دارند. از اين منظر اين تحليل حساسيتها براي نهاد قانونگزار بازار براي بررسي پتانسيل اجراي قدرت بازار ميتواند بسيار مفيد واقع شود[ 9 ]. بر اين اساس ساختار اين مطالعه بصورت زير خواهد بود. بخش بعدي بررسي ادبيات موضوع بخش سوم فرمول بندي مسي له و بخش چهارم روش پيشنهاددهي بر را SA اساس اراي ه خواهند كرد. بررسي عددي روش پيشنهادي در يك مثال در بخش پنجم آورده خواهد شد. در نهايت بخش ششم به نتيجه گيري اين مطالعه و پيشنهادات خواهد پرداخت. تاكنون موضوعات بسيار فراواني در رابطه با استراتژي پيشنهاددهي در بازار برق مطرح شده است. Toshiyuki Sueyoshi و همكاران [7] مطالعات قبلي در اين زمينه را به گروههاي زير تقسيم كرده اند. تحليل رفتاري: اين گروه استراتژيهاي پيشنهاددهي و رفتار معامله كنندگان در بازار برق را مورد بحث قرار داده اند. اين مطالعات يك منطق تحليلي در مورد اينكه چگونه قدرت بازار ميتواند بر قيمت عمده فروشي برق تاثير بگذارد اراي ه ميدهند. است. تحليل عددي: محدوديت اين نوع تحليلها كامپيوتري نظير شبكههاي در پيش بيني قيمت اين گروه بطور كامل از تكنيكهاي علوم عصبي و الگوريتم ژنتيك براي پيش بيني تغييرات قيمت برق كه تحت تاثير نوسانات ديناميك ساير فاكتورها (مانند تغييرات جوي) قرار دارند استفاده ميكنند. مشكلي كه وجود دارد اين است كه در مورد قابليت اطمينان شبكههاي عصبي هنوز دليل و منطق تي وريكي وجود ندارد. الگوريتم ژنتيك نيز وقتي سودمند است كه بازار برق فرار نباشد. تحليل بر اساس ديدگاه بنگاهي: اين گروه سيستمهاي چند بنگاهي با قابليت يادگيري و سازگاري را توسعه ميدهند كه بدنبال يك فرآيند ديناميك پيشنهاددهي در بازار برق با در نظر گرفتن فاكتورهاي غيرقابل كنترل هستند. اين مطالعات روشهاي جديد عددي براي بررسي پيچيدگيهاي بازار برق ايجاد كرده اند. براي جزي يات بيشتر به Toshiyuki Sueyoshi و همكاران[ 7 ] و Ernan و همكاران[ ] مراجعه كنيد. در مرجع[ 9 ] مولفان مشتقهاي مرتبه اول قيمتهاي گرهي توليد واحدها سود واحدها و توان عبوري خطوط انتقال نسبت به پيشنهادهاي GenCoها حساسيتهاي پيشنهادها بر اساس مدل IPOPF و سپس يك روش پيشنهاددهي بر اساس GenCoها توسعه داده شده است. را اراي ه كرده اند. محاسبه شده براي IPOPF اما قابليت يادگيري براي -Iner-poin Opimal Power Flow -Sensiiviy Analysis

GenCoها در اين مرجع در نظر گرفته نشده است. همچنين بازيگران بصورت غيرهمزمان بازي ميكنند و ديدگاه بنگاهي نيز در اين مطالعه گنجانده نشده است. در [] و [] با استفاده از حساسيت سود و ميزان توليد GenCoها نسبت به پيشنهادهايشان يك روش رياضي براي تعيين گروهي از GenCoها كه قابليت اجراي قدرت بازار را دارند استخراج شده است. در [] نيزيك روش ساده تحليلي براي محاسبه حساسيت LMP نسبت به تغييرات تقاضا در يك بازار برق اراي ه شده است. اين مطالعه يك روش جديد براي محاسبه استراتژي بهينه پيشنهاددهي در بين GenCoها در بازار برق را با استفاده از ديدگاه بنگاهي و SA اراي ه ميكند. - فرمول بندي مسي له بازار برقي با تسويه روز بعد در نظر بگيريد كه N توليدكننده و يك تقاضاي ثابت براي T دوره دارد. معامله كنندگان در بازار بنگاه هايي با قابليت يادگيري هستند. فرضيات: فرض ميشود كه طرف تقاضا غيرالاستيك (غير حساس به قيمت بازار) است و در هر ساعت تقاضاي ثابتي به بازار اراي ه ميدهد. طرف تقاضا: بصورت طرف تقاضا يك مقدار ثابت براي دوره d = ce به بازار اراي ه ميدهد. s, m را i طرف عرضه: GenCo ي i -ام در دوره -ام مقدار پيشنهاد ميدهد. قيمت پيشنهادي اين GenCo بصورت ( MC = a q b ) p + i, = k i, a i q i, + k i, b i i, i i, ( k i و 5),, ki, k i, i ضرايب k i, خواهد بود. افزايش قيمت پيشنهادي هستند كه مشخص ميكنند قيمت هر MC تا چه اندازه از GenCo استراتژي قيمت دهي GenCo را ميرسانند. فرآيند حراجي در بازار روز بعد: ISO او بيشتر است. اين ضرايب (بهره بردار مستقل سيستم) پيشنهادهاي طرف عرضه و تقاضا را ثبت ميكند. تركيب ( s i, p i ) از طرف عرضه بصورت صعودي بر اساس قيمت پيشنهادي مرتب شده و پيشنهاد طرف تقاضا ) ( d نيز توسط ISO ثبت ميشود. ISO بازار را اجرا كرده و مقادير توليد هر GenCo را براي تامين تقاضا مشخص ميكند. تابع سود هرGenCo : تابع سود هر GenCo بصورت زير محاسبه ميشود: ( a q + b q sa c ) ( ) R = LMP q + i, i, i, i i, i i, i, i بنابراين هدف هر GenCo بيشينه كردن سود خود با توجه به محددويتهاي 4 OPF (پخش بار اقتصادي) خواهد بود. 4- روش پيشنهاد دهي -4- فرآيند پيشنهاددهي روش پيشنهاددهي در شكل فرآيند بنگاهها مشخص شده است. به جمع آوري پايگاه دانش در اين (ماتريس حساسيت) از نتايج پيشنهادها و سودهاي دريافتي خود به منظور تنظيم استراتژي پيشنهاددهي خود ميپردازند. فرآيند انطباقي به دو مرحله توليد پايگاه داده پيشنهاددهي در بازار واقعي 5 ( DG) 6 ميشود. تقسيم RB) ( و فرآيند فرآيند DG يك فرآيند تمريني است كه GenCoها به قيمت بازار ميزان توان توليدي خود و سودشان دسترسي دارند. بنابراين GenCoها ميتوانند حساسيت سود خود نسبت به k i, ( k i, را محاسبه كرده ضرايب قيمت پيشنهادهايشان ) و و پايگاه دانش خود را بر اساس اين حساسيتها شكل بدهند. حساسيت هايي كه ΔR حساسيت (SEN) ذخيره ميگردند. آنها مثبت باشد در ماتريس پس از اينكه مرحله DG تمام شد بنگاهها وارد مرحله RB ميشوند تا با ساير رقباي خود به رقابت بپردازند. آنها ميتوانند به سودها و پايگاه داده خود در مرحله DG دسترسي داشته باشند. بر اساس الگوريتم يادگيري كه در ادامه آورده خواهد شد GenCoها ميتوانند در بازار برق شركت كنند. 4 - Opimal Power Flow 5 - Daabase Generaion 6 - Real world Bidding -Day Ahead -Marginal Cos - Independen Sysem Operaor

k -4- الگوريتم به روز كردن i, اگر حساسيت سود نسبت به ضرايب افزايش قيمت ( k i به ترتيب sena و senb باشد GenCoها k ),, i, بر اساس علامت sena و senb پارامترهاي تصميم گيري خود را بصورت زير به روز ميكنند. ) if sena > & senb >, hen ki, + + ) if sena > & senb =, hen ki, + + ) if sena > & senb <, hen ki, + + 4) if sena = & senb >, hen ki, + + 5) if sena = & senb =, hen ki, + + 6) if sena = & senb <, hen ki, + + 7) if sena < & senb >, hen ki, + + 8) if sena < & senb =, hen ki, + + 9) if sena < & senb <, hen ki, + + 5- مطالعه موردي شكل - روش پيشنهاددهي -4- يادگيري انطباقي در فرآيند RB در هر GenCo دو پيشنهاد به بازار ارسال ميكند و سودهاي متناظر را دريافت ميكند. سپس حساسيت سود به ضريب افزايش قيمت محاسبه ميشود. با استفاده از ماتريس حساسيت كه در مرحله DG توليد شده بود و حساسيتي كه محاسبه شده GenCo اولين مقدار حساسيت از RB ماتريس SEN را كه بزرگتر از حساسيت محاسبه شده فعلي است پيدا كرده و Δk متناظر با آن را به ضرايب افزايش فعلي قيمت مطابق زير ميافزايد: k = k + Δk i, + i, i, ( ) توجه شود كه اگر GenCo در بازار بازنده شود بايد دوباره بصورت تصادفي پيشنهاد بدهد. فرآيند تا جاي يكه تكرارهاي -5- شبكه مورد مطالعه: بازاري را در نظر بگيريد كه در آن پنج GenCo و سه LSE (شركتهاي تامين كننده بار) در يك شبكه پنج باسه همانند شكل قرار گرفته اند. شكل - شبكه پنج باسه مورد مطالعه[ 4 ] اطلاعات دقيق شبكه توليد و بار بصورت جداگانه و به ترتيب در جداول و و شكل آورده شده است. همانطور كه از شكل مشخص است بار غير حساس به قيمت است و پيك آن در ساعت 8 رخ ميدهد. مرحله (K) RB تمام شود ادامه مييابد. 4

جدول - اطلاعات خط [4]. جدول - اطلاعات توليدكنندگان[ 4 ]. ID 4 5 Node 4 5 c 6 85 54 a 4 5 5 b.5.6...7 Lower Cap. (MW) Upper Cap. (MW) 5 6 Line - -4-5 - -4 4-5 Line Capaciy (MW) 5 5 4 5 4 4 Line Reacance(ohm).8.4.64.8.97.97 شكل - توزيع ساعتي بار براي شبكه پنج باسه -5- نتايج : در اين بخش به اراي ه نتايج ميپردازيم. شكلهاي 4 و 5 نمودار LMPهاي بدست آمده را براي دو حالت بدون يادگيري و با يادگيري GenCoها نشان ميدهند. همانطور كه در شكل 5 مشاهده ميشود LMPها روند تغييرات بار را دنبال ميكنند براي مثال در ساعات بين 5 تا 9 منحني بار شامل پيك هايي است و نمودار LMP نيز همان انحناي نمودار بار را دارد. همچنين سطح قيمتها در شكل 5 بالاتر از سطح قيمتها در شكل 4 است و اين بدليل قابليت يادگيري GenCoها در حالت اول است. شكل 4 - منحني LMP براي GenCoها (حالت بدون يادگيري) 5

شكل 5 - منحني LMP براي GenCoها (حالت با يادگيري) شكل 6 سود GenCoها در ساعت 5 را نشان ميدهد كه همگي به يك مقدار ثابت همگرا ميشوند. GenCo شماره بهتر از ساير رقبايش بازي ميكند. در مورد GenCoهاي شماره و 5 كه دو واحد بزرگ توليدي هستند افزايش در ضريب MC قابل توجه است اين دو GenCo سريعا ياد ميگيرند كه چگونه MC خود را نزديك به بيشترين حد مجاز قيمت در بازار گزارش كنند. شكل 6 - سود توليدكنندگان در ساعت 5 شكلهاي 7 و 8 توليد 4 ساعته هر GenCo را براي دو حالت بدون يادگيري و با قابليت يادگيري نشان ميدهد. همانطور كه از شكل 8 مشخص است GenCo شماره 4 قادر به استفاده از عرضه استراتژيك براي توليد در بالاترين حد خود ( مگاوات) است. در حالي كه در حالت بدون يادگيري توليد او حدود 5 مگاوات بود. GenCo ي شماره 5 نيز در حالت با يادگيري توليد خود را كاهش داده است چراكه او يكي از گرانترين توليد كنندگان بازار است و از طريق افزايش قيمت (بجاي افزايش مقدار فروش خود) به بيشينه كردن سود خود ميپردازد. 6

شكل 7 - ميزان توليد هر GenCo در حالت بدون يادگيري شكل 8 - ميزان توليد هر GenCo در حالت با قابليت يادگيري 6- استنتاج بازارهاي برق سيستمهاي پيچيده اي هستند و ديدگاه بنگاهي براي چنين سيستم هايي مورد استفاده قرار ميگيرد. SA يكي از ابزارهاي مفيد براي تعيين پيشنهادهاي بهينه با در نظر گرفتن بيشينه كردن سود GenCo و بالابردن امنيت سيستم است. در اين مطالعه با استفاده از ديدگاه بنگاهي و SA به شبيه سازي رفتار GenCoها در بازار برق پرداخته ايم. يك شبكه 5 باسه براي تست درستي روش پيشنهادي بكار برده شد و نتايج بدست آمده كارايي اين روش را به اثبات رساند. نمودار LMPها و ميزان توليد هر GenCo نشان داد كه اين روش منجر ميشود تا GenCoها رفتار استراتژيك در بازار برق را ياد بگيرند و بنابراين قيمتها را افزايش داده و سود خود را بيشينه كنند. مراجع [] Claudia P. Rodriguez and George J. Anders, Bidding Sraegy Design for Differen Types of Elecric Power Marke Paricipans, IEEE Trans. on power sysems, vol. 9, May 4,pp. 964-97. [] Toshiyuki Sueyoshi and Gopalakrishna Reddy Tadiparhi, A Wholesale Power Trading Simulaor wih Learning Capabiliies, IEEE Trans. on power sysems, vol., Augus 5,pp. -4. [] Tesfasion L., Agen-based Modeling of Evoluional Economic Sysems, IEEE Trans.on Evoluionary Compuaion, vol. 5, Augus,pp. 47-44. [4] Anke Weidlich, Daniel Vei, A Criical Survey of Agen-based Wholesale Elecriciy Marke Models, Energy Economics, vol., July 8,pp. 78 759. [5] Samuelson, D., Agens of change, OR/MS Today. Vol., 5, pp. 6-. [6] Sueyoshi, T., G.R. Tadiparhi, A Wholesale Power Trading Simulaor wih Learning Capabiliies, IEEE Trans. on Power Sysems, vol., Augus 5,pp.- 4. 7

[7] Toshiyuki Sueyoshi and Gopalakrishna R. Tadiparhi, Agen-based Approach o Handle Business Complexiy in US Wholesale Power Trading, IEEE Trans. on Power Sysems, vol., April 5,pp.5-54. [8] H. Chrisopher Frey and Sumee R. Pail, Idenificaion and Review of Sensiiviy Analysis Mehods, Norh Carolina Sae Universiy,. [9] Y. He and Y.H. Song and X.F. Wang, Bidding Sraegies Based on Bid Sensiiviies in Generaion Aucion Markes, IEE Proc-Gener. Transm. Disrib., vol. 49, January. [] Ernan Ni, Peer B. Luh and Sephen Rourke, Opimal Inegraed Generaion Bidding and Scheduling Wih Risk Managemen under a Deregulaed Power Marke IEEE Trans. on Power Sysems, vol. 9, February 4. [] HS Oh and Rober J. Thomasm, Esimaion of A Sensiiviy-Based Meric for Deecing Marke Power, Journal of Energy Engineering, vol. 6,, pp. -4. [] Mary B. Cain and Fernando L. Alvarado, Merics for Applicaion of Revenue Sensiiviy Analysis o Predic Marke Power Coaliions in Elecriciy Markes, 6h Annual Norh American Power Symposium, Universiy of Idaho, Moscow, Idaho, Augus 4. [] Anonio J. Conejo, Enrique Casillo, Robero Mínguez, and Federico Mi, Locaional Marginal Price Sensiiviies, IEEE Trans. on Power Sysems, vol., November 5, pp. 6-. [4] Junjie Sun and Leigh Tesfasion, Dynamic Tesing of Wholesale Power Marke Designs: An Open-Source Agen- Based Framework, ISU Economics Working Paper, July 7. 8