Огляд моделей та методів моделювання задач оптимізації портфелю компанії-постачальника електричної енергії та підтримки прийняття стратегічних рішень

О.І. Клюзко, аспірант

Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(1):03-21

https://doi.org/10.15407/emodel.47.01.003

АНОТАЦІЯ

Визначено проблему прийняття стратегічних рішень постачальником електричної енер­гії в умовах значної невизначеності, зумовленої високою волатильністю цін на оптовому ринку та коливаннями обсягів споживання електроенергії. Виконано огляд математич­них моделей та методів, представлених в науковій літературі, спрямованих на розв'язан­ня задач, що виникають перед окремими учасниками ринку, з урахуванням їх специфіч­них цілей, нормативних та технологічних обмежень. Проведено аналіз основних методів та моделей, що використовуються для оптимізації діяльності електропостачальників з метою підвищення їх рентабельності через удосконалення процесів формування та уп­равління портфелем закупівель, а також прийняття стратегічних рішень. Запропоно­вано рекомендації щодо оптимізації діяльності електропостачальників, спрямованої на підви­щення їх рентабельності та ефективності управління портфелем закупівель.

КЛЮЧОВІ СЛОВА:

математичне моделювання, оптимізаційна модель, програму­ван­ня, ринок електричної енергії, постачання електричної енергії.

СПИСОК ЛІТЕРАТУРИ

1. Закон України № 2019-VIII вид 13.04.2017 «Про ринок електричної енергії».
2. Саух С.Є., Борисенко А.В. Математичне моделювання електроенергетичних систем в ринкових умовах: монографія. К.: «Три К». 2020. 340 с
3. Постанова Національної комісії, що здійснює державне регулювання у сферах енергетики та комунальних послуг № 307 від 14.03.2018 «Про затвердження Правил ринку».
4. Постанова Національної комісії що здійснює державне регулювання у сферах енергетики та комунальних послуг № 308 від 14.03.2018 «Про затвердження правил ринку «на добу наперед» та внутрішньодобового ринку»
5. Блінов І.В., Парус Є.В. Оптовий та роздрібний ринок електричної енергії: розрахункова робота [Електронний ресурс]: навч. посіб. для студ. які навчаються за спе­ціальністю 141 «Електроенергетика, електротехніка та електромеханіка» / КПІ ім. Іго­ря Сікорського; уклад.: Електронні текстові дані (1 файл: 1,1 Мбайт). Київ: КПІ ім. Ігоря Сікорського, 2022. 44 с.
6. Євдокімов В.А., Іванов Г.А. Методи визначення обсягів та цін на електричну енер­гію в контрактах в умовах лібералізованого ринку [Електронний ресурс] Моделювання та інформаційні технології. 2017. Вип. 81. С. 142—152. Режим доступу: http://nbuv.gov.ua/UJRN/Mtit_2017_81_22
7. Leandro, J., Cesini Silva, Cindy P., Guzman, Marcos J. Rider, Contracting Strategy for Con­sumers with Distributed Energy Resources in the Liberalized Electricity Market, ACCESS vol. 10, 2022, pp 80437—80447. https://ieeexplore.ieee.org/document/9844706
8. Han F., Pu T., Li M., Taylor, G. “Short-term forecasting of individual residential load based on deep learning and K-means clustering”, in CSEE Journal of Power and Energy Systems, vol. 7, no. 2, pp. 261—269, March 2021, doi: 10.17775/CSEEJPES.2020.04060.
9. Dudek G., Pełka P. and Smyl S. “A Hybrid Residual Dilated LSTM and Exponential Smoothing Model for Midterm Electric Load Forecasting”, in IEEE Transactions on Neural Networks and Learning Systems, vol. 33, no. 7, pp. 2879—2891, July 2022, doi: 10.1109/TNNLS.2020.3046629.
10. Bedi, J. and Toshniwal, D. “Empirical Mode Decomposition Based Deep Learning for Electricity Demand Forecasting”, in IEEE Access, vol. 6, pp. 49144—49156, 2018, doi: 10.1109/ACCESS.2018.2867681.
11. Shi, H., Xu, M.H. and Li, R. “Deep learning for household load forecasting-a novel pooling deep RNN,” IEEE Transactions on Smart Grid, vol. 9, no. 5, pp. 5271—5280, Sep. 2018.
12. Hongsheng Xu, Jinyu Wen, Senior Member, CSEE, Qinran Hu, Jiao Shu, Jixiang Lu, Zhihong Yang, Energy Procurement and Retail Pricing for Electricity Retailers via Deep Reinforcement Learning with Long Short-term Memory, CSEE Journal of Power and Energy Systems, vol. 8, no. 5, September 2022, pp. 1338—1351. https://ieeexplore.ieee.org/ document/9713968
13. Kong, W.C., Dong, Z.Y., Hill, D.J., Luo, F.J. and Xu, Y. “Short-term residential load forecasting based on resident behaviour learning,” IEEE Transactions on Power Systems, vol. 33, no. 1, pp. 1087—1088, Jan. 2018.
14. Kong, W.C., Dong, Z.Y., Jia, Y.W., Hill, D.J., Xu, Y. and Zhang, Y. “Short-term residential load forecasting based on LSTM recurrent neural network,” IEEE Transactions on Smart Grid, vol. 10, no. 1, pp. 841—851, Jan. 2019.
15. Dash, S.K., Dash, P.K. “Short-term mixed electricity demand and price forecasting using adaptive autoregressive moving average and functional link neural network”, in Journal of Modern Power Systems and Clean Energy, vol. 7, no. 5, pp. 1241—1255, September 2019, doi: 10.1007/s40565-018-0496-z.
16. Hyun-kyeong Hwang, Ah-yun Yoon, Hyun-koo Kang Seung-il Moon, Retail Electricity Pricing Strategy via an Artificial Neural Network-Based Demand Response Model of an Energy Storage System, ACCESS vol 9, 2021, pp 13440—13450. https://ieeexplore. ieee.org/document/9310260
17. Azam, M.F., Younis, M.S. "Multi-Horizon Electricity Load and Price Forecasting Using an Interpretable Multi-Head Self-Attention and EEMD-Based Framework," in IEEE Access, vol. 9, pp. 85918—85932, 2021, doi: 10.1109/ACCESS.2021.3086039.
18. Hu, F., Feng, X., & Cao, H. (2018). A Short-Term Decision Model for Electricity Retai­lers: Electricity Procurement and Time-of-Use Pricing. Energies, 11(12), 3258. https://doi.org/10.3390/en11123258
19. Josue Campos do Prado, J., & Qiao, W. (2019, May). A Stochastic Decision-Making Model for an Electricity Retailer with Intermittent Renewable Energy and Short-Term Demand Response. IEEE Transactions on Smart Grid, 10(3), 2581—2592. https://doi.org/10.1109/TSG.2018.2805326
20. Guo, L., Sriyakul, T., Nojavan, S., & Jermsittiparsert, K. (2020). Risk-Based Traded Demand Response Between Consumers’ Aggregator and Retailer Using Downside Risk Constraints Technique. IEEE Access, 8, 90957—90968. https://doi.org/10.1109/ACCESS. 2993868
21. Prado, J.C.D., Qiao, W. ‘‘A stochastic bilevel model for an electric- ity retailer in a liberalized distributed renewable energy market,’’ IEEE Trans. Sustain. Energy, vol. 11, no. 4, pp. 2803—2812, Oct. 2020, doi: 10.1109/TSTE.2020.2976968.
22. Golmohamadi, H., & Keypour, R. (2018, July). Stochastic optimization for retailers with distributed wind generation considering demand response. Journal of Modern Power Systems and Clean Energy, 6(4), 733—748. https://doi.org/10.1007/s40565-017-0368-y
23. Xu, H., Wen, J., Hu, Q., Shu, J., Lu, J., & Yang, Z. (2022, September). Energy Procurement and Retail Pricing for Electricity Retailers via Deep Reinforcement Learning with Long Short-term Memory. CSEE Journal of Power and Energy Systems, 8(5), 1338—1351. https://ieeexplore.ieee.org/document/9713968
24. Liu, Y., Zhang, D., & Gooi, H.B. (2021, March). Data-driven Decision-making Strategies for Electricity Retailers: A Deep Reinforcement Learning Approach. CSEE Journal of Power and Energy Systems, 7(2), 358—367. https://ieeexplore.ieee.org/document/ 9215156
25. Takigawa, F.Y.K., Scuzziato, M.R., Tenfen, D. and Fernandes, R.C. ‘‘A mathematical modeling for contract flexibility optimization by Brazilian free consumers,’’ IEEE Latin Amer. Trans., vol. 18, no. 09, pp. 1530—1537, Sep. 2020, doi: 10.1109/TLA.2020.
26. Cesini Silva, L., Guzman, C., & Rider, M. (2022). Contracting Strategy for Consumers with Distributed Energy Resources in the Liberalized Electricity Market. IEEE Access, 10, 80437-80447. https://ieeexplore.ieee.org/document/9844706
27. Oprea, S., Bâra A., Preotescu, D., Bologa, R., & Coroianu, L. (2020). A Trading Simulator Model for the Wholesale Electricity Market. IEEE Access, 8, 184210-184230. https://doi.org/10.1109/ACCESS.2020.3029291

Повний текст: PDF