文献阅读03期:A bilevel programming method 一种针对包含不确定性微网实时定价的双层优化方法

Posted RaZLeon

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了文献阅读03期:A bilevel programming method 一种针对包含不确定性微网实时定价的双层优化方法相关的知识,希望对你有一定的参考价值。

[ 文献阅读·能源 ] Outline:Real-time pricing for smart grid with multi-energy microgrids and uncertain loads: a bilevel programming method

写在前面:这期的论文推选是能源领域,有小伙伴可能会问,怎么机器学习做得好好地去做能源了?其实答案很简单,一来本人对能源领域很感兴趣,而且这个博客的主题也是:数学、机器学习与未来,只要涉及数学模型的地方,博主都会感兴趣,想要一探究竟。不过,对机器学习感兴趣的小伙伴请放心,机器学习的后续推文还是会有的,而且有很大占比,敬请期待!
另外:在此申明一下,本系列所选取文章皆为SCI2区及以上(或同级别会议),但文章选择有较大的随机性,基本是抓过来,看一下分区和领域,没有问题直接上的那种,本系列就是如此,原本就是想通过一步一步的读取,来拓宽自己的视野。虽然有点来者不拒之意,但个人风格已成定数,还望见谅。
天下同归而殊途,一致而百虑。

文献全名:Real-time pricing for smart grid with multi-energy microgrids and uncertain loads: a bilevel programming method [1]

1.摘要&简介

  • 研究背景:最近这几年,新能源早已不是什么新鲜时髦的词汇,它们早已进入人们的视野,甚至是商业领域。但其最主要的还数两种能源:光伏PV、风能WP,但光伏和风能的能源产出又比较分散,而且因自然气候原因不是非常稳定。不过,这些散布在各个区域的新能源有时候自成一套体系,在风能和光能满足自身(有时是公司企业,有时是偏远地区)供电的同时,还能将多余的电量存储起来,甚至卖给电力经销商。

  • 虽然多了这么多竞争者,有利于能源的高效利用,但IMO对电力的价格实时制定如何让社会整体“福利”最大化,成了一个需要优化的难题,本文课题由此引出

  • 在接入电力经销商的网络之后,整个电网不仅由传统电网构成,其也包含了新加入的各个微网(Micro Grid),其整体也可以算作为一个Smart Grid,这样一套系统可以用引文[2]中的一图所示:
    在这里插入图片描述

  • 经过上文引入,咱们话不多说,老规矩直接开始拆解。首先,能源类文章有个特点:模型复杂,变量众多,依照这个领域的行文惯例先上变量表:
    在这里插入图片描述

2.建模与优化

  • 首先是要看到的本文的主体结构,本文将,直接上文中所示流程图:
    在这里插入图片描述
  • 可以初步看到,整个问题被做成了一个Bilevel optimization的形式,也叫双层规划,其旨在将有关联的两个问题嵌套起来,形成一个动态平衡系统,其形式一般写为如下表达:
    min ⁡ x ∈ X , y ∈ Y F ( x , y ) subject to: G i ( x , y ) ≤ 0 ,  for  i ∈ { 1 , 2 , … , I } y ∈ arg ⁡ min ⁡ z ∈ Y { f ( x , z ) : g j ( x , z ) ≤ 0 , j ∈ { 1 , 2 , … , J } } where: F , f : R n x × R n y → R G i , g j : R n x × R n y → R X ⊆ R n x Y ⊂ R n y \\begin{array}{l} \\min _{x \\in X, y \\in Y} \\quad F(x, y) \\\\ \\text{subject to:}\\\\ G_{i}(x, y) \\leq 0, \\text { for } i \\in\\{1,2, \\ldots, I\\} \\\\ y \\in \\arg \\min _{z \\in Y}\\left\\{f(x, z): g_{j}(x, z) \\leq 0, j \\in\\{1,2, \\ldots, J\\}\\right\\}\\\\ \\text{where:} \\\\ F, f: R^{n_{x}} \\times R^{n_{y}} \\rightarrow R \\\\ G_{i}, g_{j}: R^{n_{x}} \\times R^{n_{y}} \\rightarrow R \\\\ X \\subseteq R^{n_{x}} \\\\ Y \\subset R^{n_{y}} \\end{array} minxX,yYF(x,y)subject to:Gi(x,y)0, for i{1,2,,I}yargminzY{f(x,z):gj(x,z)0,j{1,2,,J}}where:F,f:Rnx×RnyRGi,gj:Rnx×RnyRXRnxYRny
    其中上层问题(Upper Level Problem)目标函数和自变量为 F F F x x x,下层问题(Lower Level Problem)的目标函数函数和自变量分别为 f f f y y y,基本思路:由上层搜索出一套解,传递给下层之后,由下层根据下层的目标函数计算反馈出一套参数给上层,由上层得出目标函数值。(笔者认为这多多少少有点对动态环境进行优化的意思,在下层目标函数的约束之下,下层问题有时候更像是一个会对上层变量作出动态反馈的环境。)
  • 这里引自bi-level.org的一张图解:
    https://bi-level.org/introduction-to-bilevel-optimization/

2.1.本文上层问题

  • 上层问题旨在减少电力供应商成本:
    在这里插入图片描述

2.2.本文下层问题

  • 下层问题旨在最大化社会福利:
  • 虽然本文考虑了不确定条件,但经过数学期望“固化”之后,其实可以近似地视作一个确定问题:
  • 转换前的,带不确定条件的目标函数:
    在这里插入图片描述
  • 转换后的确定性问题:
    在这里插入图片描述
  • 限制条件基本不会有所改变:
    在这里插入图片描述
    在这里插入图片描述

文献实验

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

参考文献

[1] Yuan G, Gao Y, Ye B, et al. Real-time pricing for smart grid with multi-energy microgrids and uncertain loads: a bilevel programming method[J]. International Journal of Electrical Power & Energy Systems, 2020, 123: 106206.

[2] Wang L, Zhang B, Li Q, et al. Robust distributed optimization for energy dispatch of multi-stakeholder multiple microgrids under uncertainty[J]. Applied Energy, 2019, 255: 113845.

博文作者

昵称:RaZNero
邮箱(常年在线):rareleo@qq.com
如有疑问或合作意向,欢迎邮箱电联。

以上是关于文献阅读03期:A bilevel programming method 一种针对包含不确定性微网实时定价的双层优化方法的主要内容,如果未能解决你的问题,请参考以下文章

文献阅读17期:Deep Learning on Graphs: A Survey - 6

文献阅读16期:Deep Learning on Graphs: A Survey - 5

文献阅读12期:Deep Learning on Graphs: A Survey - 1

文献阅读17期:Deep Learning on Graphs: A Survey - 6

文献阅读15期:Deep Learning on Graphs: A Survey - 4

文献阅读14期:Deep Learning on Graphs: A Survey - 3