PSR SDDP 17.2 x64 电气系统的随机调度模型

1、目标

SDDP的目标是最大限度地减少火力发电厂燃料的购买和运输成本、污染物排放成本、水力发电厂和火力发电厂的运维成本、输电架载率、未供应能源成本和其他处罚的总和。为了做到这一点，该模型计算了系统的最低成本运营策略。此外，该模型还考虑了以下方面：

从1年到几十年的学习时间

时间分辨率低至5分钟的详细表示

需求侧响应：按系统、区域或总线级别的分段对价格信号的响应

能源和储量的协同优化，代表能源和储量市场

2、并行计算 

由于求解方法是基于将原始问题分解为较小规模的子问题（具有一个阶段），因此如果使用SDDP的并行版本，则可以提高计算效率。子问题可以由通过本地网络连接的几个计算机或在多任务计算机中同时解决。

并行计算此外，可以使用PSRCloud运行SDDP，PSRCloud是一个旨在管理PSR服务器上分布式流程环境中的远程执行的平台，充分利用了云计算功能。

3、SDDP主要结果

SDDP以Excel友好格式的文件生成350多份报告。结果由图形界面管理，该界面提取所需的统计信息并直接在Excel中创建图表。

SDDP的主要结果是：

系统运行统计：城市风险、输电线路、排放、生产和各自成本等

位置边际成本（每个地区或公共汽车）

产能边际成本（衡量强化资源的效益）

输电阻塞成本

每个水力发电厂的水量值

具有排放预算的污染物边际成本

此外，平均边际成本、总发电量和总成本等汇总结果以CSV格式的报告生成，并可通过仪表板可视化，可通过互联网链接共享

4、方法论

由于水力发电厂没有直接的运营成本，人们可以认为它们会在优次曲线中排名第一。然而，如下图所示，未来资金流入存在不确定性

尽管水力发电厂没有直接运营成本，但它们有一个机会成本，反映了未来能源生产带来的效益，而这一成本取决于对未来所有情况下储存/使用水的决策后果的分析。

传统上用于解决该调度问题的解决方法称为随机动态规划（SDP）。传统的SDP方法需要对水库蓄水位进行离散化，以表示每个阶段的未来成本函数。然而，由于这种离散化，SDP的计算工作量随着储层的数量呈指数级增长，这限制了传统SDP在实际大型系统中的应用。

SDDP代表随机对偶动态规划，是PSR在20世纪80年代开发的一种算法，用于解决不确定条件下的大规模多阶段优化问题。与传统的SDP不同，不需要枚举水库水位的组合，并且通过Benders分解方案来进行未来的成本函数近似。SDDP算法已扩展到多个领域，并成为全球行业标准，在科学/工程文献中被引用超过1.200次。三十多年来，它已成功应用于具有多尺度存储（水库、抽水蓄能、电池、燃料库、整体燃料合同、多级排放预算约束等）和概率模型（如水力流入、可再生能源间歇性、需求和燃料价格）的非常复杂的真实系统的中长期最优随机调度。

5、SDDP的用途

SDDP模型已用于研究公司估值、国际互联以及新水电、火电和可再生能源发电厂的分析。它还被用于五大洲几个国家的运筹学：

美洲

南美洲和中美洲所有国家、多米尼加共和国、墨西哥、美国和加拿大

欧洲

奥地利、法国、意大利、德国、西班牙、挪威（北欧地区）、比利时、土耳其、希腊、冰岛、格鲁吉亚和巴尔干地区（阿尔巴尼亚、波斯尼亚和黑塞哥维那、保加利亚、马其顿、黑山、塞尔维亚、科索沃、罗马尼亚和斯洛文尼亚

亚洲

中国各省（上海省、四川省、广东省和山东省）、越南、吉尔吉斯斯坦、塔吉克斯坦、印度、斯里兰卡、菲律宾、马来西亚、巴基斯坦和尼泊尔

大洋洲

新西兰和新喀里多尼亚

非洲

摩洛哥、突尼斯、坦桑尼亚、纳米比亚、埃及、苏丹、埃塞俄比亚、莫桑比克和加纳