【电网技术复现】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）

💥💥💞💞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、数据、讲解

💥1 概述

文献来源：

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;

随着电力市场化改革的深入进行，工商业目录销售电价退出了历史舞台[1]，电力现货价格作为内

生变量，完全由市场供需平衡决定，这意味着市场主体将面临更大的价格波动风险。但另一方面，工商业用户全部进入电力市场也为售电公司等市场主体带来了新的机遇。售电公司是电力市场化改革过程中培育的重要市场主体[2]，其本质是电力零售商，能够代表电力用户参与现货市场交易，连接了电力批发市场与零售市场。电力零售商的经营效率是反映市场活力的重要指标[3]，因此如何提升电力零售商的收益成为了当下热门的研究课题。电力零售商的市场行为可以简单归结为：代表

用户参与日前和实时批发市场交易，按照零售电价与电力终端用户完成交易，并从中赚取差价[4]。因此零售商能够通过协调日前和实时的交易策略[5]以及制定合理的零售价格[6]优化自身的市场行为，具有提升自身经营效率的潜力。其中，日前和实时交易策略的协调是指电力零售商利用实时市场与日前市场的联动机制表现出的套期保值、套利或投机等市场行为[7]。

以电动汽车运营商为例，电力零售商典型的运营模式如图 1 所示。

📚2 运行结果

IEEE 33节点配电系统的网络参数如下所示：

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。

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

表2 日前电力批发市场基础电价

时段	1	2	3	4	5	6	7	8
电价(元/kWh)	0.4148	0.3931	0.3875	0.3856	0.3900	0.4062	0.4664	0.5442
时段	9	10	11	12	13	14	15	16
电价(元/kWh)	0.5836	0.5718	0.5432	0.5324	0.5321	0.5122	0.5066	0.5028
时段	17	18	19	20	21	22	23	24
电价(元/kWh)	0.4933	0.5168	0.5572	0.5651	0.5442	0.5258	0.4911	0.4278

论文将1000个历史电动汽车数据聚类成10类，每类电动汽车的参数如表3所示。零售商平均每天服务的电动汽车数量为50，电动汽车的充放电效率均为0.95，电动汽车电池荷电状态的安全范围为20%至95%，假设电动汽车的期望电量均为95%的电池容量，置信度和均为0.99。

另外，算例中的最大日前购电量为500kWh，零售电价的下限为节点边际电价的0.8倍，零售电价的上限为节点边际电价的1.2倍，零售电价的平均值等于全天节点边际电价的平均值。储能系统的容量为1000kWh，最大充放电功率均为250kW，储能系统的充放电效率均为0.95，储能系统荷电状态的安全范围为20%至95%，在08:00时储能系统的电量为500kWh，最大实时购售电量均为500kWh。

表3 不同类型电动汽车的参数

电动汽车类型	最大充放电功率 (kW)	电池容量 (kWh)	初始电量 (kWh)	到达时间	离开时间	频数
EV1	6	40	15	17:00	次日08:00	105
EV2	6	32	16	09:00	17:00	132
EV3	3	24	8	18:00	次日07:00	89
EV4	6	24	12	20:00	次日06:00	97
EV5	6	40	25	08:00	16:00	101
EV6	6	40	16	19:00	次日07:00	175
EV7	3	24	8	17:00	次日08:00	35
EV8	10	40	20	09:00	17:00	88
EV9	10	40	18	18:00	次日08:00	112
EV10	10	64	25	18:00	次日07:00	66

假设场景生成和场景削减得到了10个实时节点边界电价场景，每个场景的电价曲线与概率如图4所示。

图4 实时节点边际电价场景与概率

考虑电动汽车慢充场景，即认为电动汽车的单位效用均为1元/kWh，而对时序不敏感。论文以第9个时段为仿真起点，对24个时间断面进行仿真，即仿真时间为08:00至次日08:00。

%确定性，全局优化，假设只有实时市场，确定实时节点边际电价
clear
clc
N=50;%电动汽车数量
%电价数据
load DLMP_data
a_data=[a_data(9:24);a_data(1:8)];b_data=[b_data(9:24);b_data(1:8)];
%电动汽车聚类数据(08:00-09:00为时段1)
EVdata=[6,40,15,10,24,105;6,32,16,2,9,132;3,24,8,11,23,89;6,24,12,13,22,97;6,40,25,1,8,101;6,40,16,12,23,175;3,24,8,10,24,35;10,40,20,2,8,88;10,40,18,11,24,112;10,64,25,11,23,66];
xiaoyong=ones(10,24);
ratio=EVdata(:,6)/1000;%经验分布
%电动汽车状态矩阵
X=zeros(24,10);Y=zeros(24,10);
for i=1:10
    X(EVdata(i,4):EVdata(i,5),i)=1;%电动汽车停泊矩阵
end
%建模
price_EV=sdpvar(24,1);KKTsystem=[];
pch=sdpvar(24,10);%电动汽车充电
pdis=sdpvar(24,10);%电动汽车放电
S_EV=sdpvar(24,10);%电动汽车电量状态
for n=1:10
    obj_DR=price_EV'*(pch(:,n)-pdis(:,n))-xiaoyong(n,:)*(0.95*pch(:,n)-pdis(:,n)/0.95);%电动汽车目标函数
    C_EV=[0<=pch(:,n)<=ones(24,1)*EVdata(n,1).*X(:,n),0<=pdis(:,n)<=ones(24,1)*EVdata(n,1).*X(:,n),
        0.2*ones(24,1)*EVdata(n,2).*X(:,n)<=S_EV(:,n)<=0.95*ones(24,1)*EVdata(n,2).*X(:,n)];%电动汽车边界约束条件
    C_EV=[C_EV,S_EV(EVdata(n,4)+1:EVdata(n,5),n)==S_EV(EVdata(n,4):EVdata(n,5)-1,n)+0.95*pch(EVdata(n,4)+1:EVdata(n,5),n)-pdis(EVdata(n,4)+1:EVdata(n,5),n)/0.95,
        S_EV(EVdata(n,4),n)==EVdata(n,3)+0.95*pch(EVdata(n,4),n)-pdis(EVdata(n,4),n)/0.95,
        S_EV(EVdata(n,5),n)==0.95*EVdata(n,2)];%电动汽车电量约束条件
    ops=sdpsettings('kkt.dualbound',0);%不进行对偶边界估计
    [KKTsystem_single,details]=kkt(C_EV,obj_DR,price_EV,ops);%将电动汽车问题转化为KKT系统
    KKTsystem=[KKTsystem,KKTsystem_single];%合成KKT系统
    obj_EV(n)=xiaoyong(n,:)*(0.95*pch(:,n)-pdis(:,n)/0.95)-(details.b'*details.dual+details.f'*details.dualeq);
end
Pch=sdpvar(24,1);%储能系统充电
Pdis=sdpvar(24,1);%储能系统放电
S_ESS=sdpvar(24,1);%储能系统电量状态
Ps=sdpvar(24,1);%充电站与电网的交换功率
price_E=a_data.*Ps+b_data;%节点边际电价
C_price=[mean(price_EV)<=mean(price_E),0.8*price_E<=price_EV<=1.2*price_E];%零售电价约束条件
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=[-1000<=Ps<=1000,Ps+Pdis+N*pdis*ratio==Pch+N*pch*ratio];%零售商约束条件
Constraints=[C_price,C_ESS,C_CS,KKTsystem];%总的约束条件
obj=-price_E'*Ps+N*obj_EV*ratio
result=optimize(Constraints,-obj,ops)%求解最大化问题
Pch=double(Pch);Pdis=double(Pdis);Ps=double(Ps);price_E=double(price_E);price_EV=double(price_EV);
price_E=[price_E(17:24);price_E(1:16)];