Generation Expansion Planning in a Pool Based Electricity Market, using Game Theory and Genetic Algorithm

ABSTRACT

Restructuring has changed purpose of generation expansion planning (GEP) from being cost-minimization to proft-maximization. In this paper, we introduce a new formulation for objective function of generating companies (GENCOs) GEP problem in pool electricity market which includes the revenues of energy and capacity reserve markets and costs of fuel, investment, O&M, outage and emission tax. Moreover, in order to solve GEP problem with above objective function, an algorithm are introduced that use game theory and genetic algorithm for market modeling and optimization of GENCOs objective functions, respectively. To calculate the generation levels of generating units and long-term market price, we have used the traditional probabilistic production costing (PPC) which is modifed to be used in competitive electricity market.

INTRODUCTION

Generation expansion planning (GEP), is a large-scale, nonlinear, discrete, dynamic and highly constrained optimization problem that determines which generating units should be constructed and when should be committed online over the planning horizon in such a way that installed capacity meet forecasted demand . The sites locations and other factors related to transmission network are comonly analyzed separately and afer a size for expansion has been decided . In traditional monopolistic framework, generation expansion activities has been performed by a vertically integrated utility and in order to meet long-term reliability criteria. The objective of monopolistic GEP problem, has been the minimization of the expected sum of yearly discounted costs which incorporate construction costs, operating costs, salvage value, and so on . However, constraints such as reserve margin, fuel mix, reliability criteria and environmental limitations, must be considered . Various models for traditional GEP, were developed to fulfill the minimum cost through several optimization algorithms and probabilistic production costing (PPC).

چکیده

تجدید ساختار، هدف از برنامه ریزی برای توسعه تولید (GEP) را از کم کردن هزینه به حداکثر رساندن مجدد (proft-maximization) تغییر داده است. در این مقاله، یک فرمول جدید برای عملکرد عاملی شرکت های تولید کننده (GENCO) یک مشکل GEP در بازار برق استخر که شامل درآمدهای بازار ذخایر انرژی و ظرفیت و هزینه های سوخت، سرمایه گذاری، O & M، قطع برق و مالیات بر انتشار است، معرفی می کنیم. علاوه بر این، به منظور حل مشکل GEP با عملکرد فوق هدف، یک الگوریتم معرفی می شود که از تئوری بازی و الگوریتم ژنتیک برای مدل سازی بازار و بهینه سازی توابع هدف GENCO استفاده می کند. برای محاسبه سطوح تولید واحدهای تولیدی و قیمت بازار بلند مدت، از هزینه تولید تولید احتمالی سنتی (PPC) استفاده شده است که برای بازار برق رقابتی مورد استفاده قرار می گیرد.

مقدمه

برنامه ریزی برای توسعه تولید (GEP) یک مشکل بهینه سازی بزرگ، غیر خطی، گسسته، پویا و بسیار محدود است که تعیین می کند که کدام واحد های تولید باید ساخته شوند و چه زمانی باید در طول افق برنامه ریزی به طور آنلاین متعهد شوند، به طوری که ظرفیت نصب شده با پیش بینی تقاضا مکان های سایت ها و عوامل دیگر مربوط به شبکه انتقال، به طور جداگانه مورد تجزیه و تحلیل قرار گرفته و تصمیم گرفته شده است که اندازه آن گسترش یابد. در چارچوب انحصاری سنتی، فعالیت های توسعه تولید توسط یک ابزار عمودی یکپارچه و به منظور رفع معیارهای پایدار درازمدت انجام شده است. هدف از مساله ی انحصاری GEP، به حداقل رساندن مبلغ مورد انتظار از هزینه های تخفیف سالانه است که شامل هزینه های ساخت و ساز، هزینه های عملیاتی، ارزش نجات و غیره است. با این حال، محدودیت هایی مانند حاشیه ذخایر، مخلوط سوخت، معیارهای قابلیت اطمینان و محدودیت های زیست محیطی باید مورد توجه قرار گیرد. مدل های مختلف GEP سنتی برای به حداقل رساندن هزینه از طریق چندین الگوریتم بهینه سازی و هزینه تولید احتمالی تولید (PPC) به دست آمد.

Year: 2012

Publisher : IEEE

By :Amir Mo’meni zadeh pandasi , G. R. Yousefi