TELKOM NIKA , Vol.10, No .1, March 2 0 1 2 , pp. 33~4 2   ISSN: 1693-6 930   accredited by DGHE (DIKTI ), Decree No: 51/Dikti/Kep/2010  ¢     33     Re cei v ed Juli   18 th , 2011; Revi sed Septe m ber 15 th , 2011; Accepted  Jan uary 5 th , 2012   Demand Shifting Bidding in a Hybrid System with  Volatile Wind Power Generation      D.K.  A g ra w a l, N.P.  Patidar, R.K.  Nema   Dep a rtment of Electrical E ngi neer ing,  MANIT, Bhopal, India   e-mail: dk agra w a l _ 2 0 0 @ y a h oo.co.in ,n ppati dar@ y a h o o .co m , rk_nema@ yaho o.com       Abs t rak   Mekan i sme “ p rice res p o n sive  de ma nd  shifti ng b i d d in g ”  d i bah as se ba gai  solus i  a l tern atif unt u k   me na nga ni i n termitansi  dal a m  pe mba ngkit  tenaga  ang in . Makalah i n i  me ng usulk an  sebu ah for m u l asi   persa maan  p e ngur ang an  h a rga  dan  p e m bat asan  e m is i ek o n o m i  de ng an  a ksentuas i p a d a  inte grasi  ten a g a   angin. Analisis  ini didas arkan dat a pembangkitan sistem   uji bus I EEE 30 pada pembangk it konv ens iona l  dan ten a g a  angi n sela ma peri ode 2 4  ja m. Hasi l pen elitia n men unj ukkan b ahw a  pend ekata n  ya n g   dius ulka n da pa t mere duksi h a r ga da n men a n gan i inter m ita n s i dal a m  pe mb angk it tenag a ang in.      Ka ta  k unc i : pe mb an gkit tena ga an gi n, pr ice  respons ive d e m a nd sh ifting b i ddi ng, siste m   uji b u s IEEE 30       A b st r a ct   Price resp onsi v e de ma nd sh i fting bid d i ng  mecha n is m is d i scussed as  an  alternativ e sol u tion t o   dea l w i th intermittency i n  w i nd gen eratio n. T h is pap er  pro poses a for m u l ation of  soci al  w e lfare equ ati o n   w i th price res pons ive d e m a nd shifti ng b i ddi ng a nd ec ono mic e m issi on dis patch  w i th emp has is  o n   integr ation  of wind power.  The analys is is based on  the IEEE 30 bus test system   generation data, wit h   conve n tio nal a nd w i nd g e n e r a tion p l a n t over a per i od of  24 ho urs. It  has be en d e m onstrated th at th e   prop osed  appr oach l e a d s to reducti on i n  e m i ssion as w e ll d eal w i th inter m i ttency in w i nd gen eratio n.      Ke y w ords : IEEE 30 bus test system, price r e spo n sive  de mand sh ifting b i d d in g, w i nd pow er gen erati o n        1.  Introducti on  Due to enviro n mental an d energy  se cu ri ty benefits there is a p o siti ve shift towards the  prod uctio n  of  ele c tri c al  en ergy from  re newable   source s of  en erg y  esp e ci ally from  win d   whi c h   are cl ean a n d  abun dantly  available in  nature.  On  regul atory si de in India  and many ot her   cou n trie s, there a r e ne cessities to g enerate a  certain am ou nt of electri c al en ergy from   rene wa ble  so urces.  China  is the  co untry with th e la rgest i n stall e d  win d   power  cap a city in  th e  worl d at the end of year 2 010 wh erea s India’s total  installe d wind  powe r  ca pa city is fifth in the   worl d. It is reported by the  Global  Wind  Energy C oun cil (G WEC) that global inst alled win d  po wer  cap a city in creased  by 24 .1% duri ng t he yea r   a n d  stan ds at 1 97.0 G W  i n   2010  [1]. Large   cap a city win d  powe r  gen erators  are  con necte d to  t r a n smi ssi on o r  sub - t r a n smi s sion  sy st em s.  At  the end of 2 010, India h ad 13.1 G W  of insta lled  wind  cap a cit y , with 40%  operating in  th e   south e rn  state of Tamil Na du and  wind  power pote n ti al estimated  by the Centre  for Wind Ene r gy   Tech nolo g y (C-WET) i s  49 .13 GW [2].   The ge neration of ele c tri c  po we r by conv e n tional  sou r ces p r odu ce s main ly sulfur  dioxide, ca rb on, NOx, an d mercury e m issi on s ca u s ing a c id rai n , urban  smo g , and event ually  global  climat e ch ange i n  addition to  posi ng si gn if icant he alth risks.  Ren e wabl e ele c tri c ity  gene ration s  mainly from   Wind  farm s  h e lp to  prev en t relea s e  of  e m issi on s into  the atm o sph e re  preventin g e n vironm ent damage. On t he other h a n d , unpre d icta ble, intermittent and vola tile   nature of  win d  energy ma y threat en po wer  system  chara c te risti c s such as volt age s, freque ncy  and ge neratio n adeq ua cy whi c h can pot entially enl arge the we akn e ss of  power  system s.   Dema nd  sid e  ma nage m ent (DSM) i n co rpo r ate s   energy effici ency  (EE),  Energy   Con s e r vation  (EC)  and   De mand  Respo n se  (DR). In  the m o st  ele c tricity ma rkets; the  con s um ers  play a  mu ch  more limite d  rol e  tha n  p r odu cers. It i s  wid e ly a c kn owle dged  tha t  a mo re  a c tive   partici pation i n  the ma rket  by the dem an d sid e   could   have si gnifica nt benefits [3]. A good d eal  of  resea r ch ha s been  re port ed on  mea s urem ent of l oad el asti city, pre s umin g  that indu stria l ,  resi dential a n d  comme rcial  consume r s  will re spo nd to price  sign als [3]-[8]. DR at end user’s  Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 10, No. 1,  March 2 012 :  33 – 42   34 premi s e s   ca n  re du ce  gen eration,  tran smissi on  and   distrib u tion  capa city of uti lity at relativ e ly  fraction al cost as compa r e d  to investm ent re q u ire d   to provide  ne w capa city. The ap pro p riat e  deman d man ageme n t in  mode rn inte rcon ne cted po wer  syste m  with dispe r se d gene ratio n  may  also  result in  redu ce d a s so ciated  CO2  e m issi on s in  d a y-ahe ad  ele c tri c ity marke t s throug h p r i c e   respon sive  d e mand   shiftin g  bid d ing  (P RDS ). Su  an d Kirschen  [9 ] pro p o s ed  th e PRDS  bidd ing   for ma rket  cl earin g m e ch anism  of  da y-ahea d m a rkets. P R DS  biddin g  q uan tify the dem and   respon se i n  day-ah ead m a rket, and  so me re spo n siv e  cu stome r s  are a b le to shift the dema n d   from p e rio d s  of high l o cational m a rgi nal  pri c e  (LMP )  to the p e rio d s  of l o w  LMP s . However, t h e   market cle a ri ng me chani sms devel ope d in [9] do  not take into  accou n t the operational a n d   se curit y  c o n s t r aint s of  t r a n smi ssi on n e t wor ks.  Kan w ardee p Sin gh et al. [10] discu ssed t he  influen ce of PRDS bid d ing  on co nge stio n and LMP in  Pool-Based  Electri c ity Market s. Impact s  of  availability based tariff on  wind p o wer trading o p tion  were analy z e d  in [11].    This pa per in vestigate s  th ese  un match ed  chall eng e s   cau s e d  by   wind  po we r  plants to   the optimization problem.  PRDS bid,  e m issi on s con s traint s, and f uel co sts  are  con s id ere d  in  the   reali z ation  of most favora ble gen eration mix  for a system  with  wind p o wer  gene ration. F uel   co sts, enviro n mental cost s and emi ssi ons a r e  co n s ide r ed in th e implement ation of optimal  gene ration m i x for a system with win d  gene ration  along with  PRDS bid to  maximize social  welfare. The  rest of the p aper  i s  orga nize d as foll ows: Next  se ction 2 de scribes  wind p o w er  scena rio redu ction an d PRDS bidi ng m e cha n ism. Se ction 3 de scri b e s research  method. Results  are p r e s ente d  and di scussed in se ction  4.  Finally, section 5 con c lu des the p ape r.      2. The Propo sed Me thod   The  win d  p o w er p a rtici pat ion into  total  prod uctio n  of   electri c al  en e r gy d epen ds  upon  the   forecast  of  wi nd mo mentu m . A pri n ci pa l difficulty wit h  mod e ling  wind p o wer  produ ction i s  th at  the relation sh ip of  wind  sp eed to  wi nd  p o we r p r o d u c tion i s  extreme l y nonlin ear.  The  wind  po wer  gene rato rs require  no  fo ssil so urce s hen ce,  the  o peratio nal  co st of win d  u n its ha s b e e n   assume d to be ze ro. Diff erent forecasting approa ches avail able  can be  stud ied in [12]-[1 3 ].  Re sult of win d  power  unp redi ctability can be  st udie d  by applyin g  different  scenari o s i n to the   model.  M ont e  Carlo   si m u lation wa s popul ari z ed  by  scienti s t in  the 195 0 s .  Mo nte Carlo   simulatio n  is  a method tha t  can mod e l thou san d s  of  scena rio s  an d help s  to mo del un certai nties  of win d  p o we r o u tput. It provides a  ra n ge of  po ssibl e   out com e s  togethe r with there   proba bi lity.  Modelin g all  main an d po ssible  scen ario s dete r min ed  by the un ce rtain varia b le s  can  be d one  by  Monte Carlo  simulatio n . These scen ari o s a r e def in e d  by the pro bability distri bution s  and t heir  simulation parameters. M a ny types  of probability distri butions  are used in  dif f erent situations  su ch a s  norm a l, uniform an d triangul ar di stributio ns.   There are m any sam p ling  techni que s  su ch  a s  Imp o rtan ce  sam p ling, Sobol  numbe rs  sampli ng, Mi dpoint  sam p li ng, Latin  hyp e rcube   sampl i ng (LHS ), an d L H S Mo nte  Ca rlo  sa mpli ng  to eliminat e  scenarios with very  low  probability.  T hese techniques are en gaged to  reduce t h e   comp utationa l req u irem ent  to simul a te  larg e  num b e r of  scena ri os. L H S ha s the be nefit of  gene rating a  set of strati fied sampl e s that more pre c isely refl ect the sh ap e of a samp led  distrib u tion a nd red u ces t he numb e r o f  runs. The  g eneral effect is that the mean of a set of  simulatio n   re sults mo re  q u ickly ap pro a c he s th e  ‘tru e’ value,  particularly fo r  model s that  are   simply ad din g  or  subtract ing a nu mbe r  of  variabl e s . The trade off betwee n  the numb e r  of  redu ce d scen ario s and the  simulation p r eci s ion i s  po ssible by choo sing the n u m ber of re du ce d  scena rio s  so  that the obje c tive function  woul d not   ch ange m u ch o r  the rel a tive d i stan ce b e twe e n   origin al  scen ario s  and  re d u ce d  scena ri os i s  within  a n  a c ceptabl e  level [14], [15 ]. In this  mod e l  the numbe r o f  reduced sce nario s is cho s en to be ten  since the valu e of objective  function at this   numbe r  doe s not  cha nge  much.  The  scenari o s taken  we re  having  the hi ghe r p r obabilitie s. T he  deviation s in  wind  po wer  h a ve bee n taken in to a c co unt by co nsi d ering  differe n t  sce na rio s . The  forecaste d  wi nd po wer g e n e rated a nd re duced sce narios data a r e take n from [16 ].    Not all consumers have the facility or the in centive to adjust thei r  demand when pri c es  cha nge. La rg e part of the power requi rement will th er efo r e totally inelasti c. In price takin g  b i ds,  the dem and  aggregato r  i s  rea d y to a c cept  a spe c ified am ount o f  powe r   at prevailing m a rket  price, an d its power  co nsumption  rem a ins co nsta nt  irre sp ective of  variation s  in  market pri c e.   This  kind  of bid is  req u i r ed to m eet  necessa ry  d a ily servi c e s  to indu strial , resid ential  and   dome s tic loa d s. In  pri c e  re spo n sive  bid s , the p r ice to   be p a id  by a   bidde r d e cre a s e s   con s i s ten t ly  decrea s in g  with re sp ect to  incre a se in   power  u s e. Details of  PRDS  biddi ng scheme   ha s be en   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930   ¢     Dem and Shifting Bidding in  a Hyb r id System  with Volatile Wind Power …. (D.K. Agra wal )   35 formed in [9] .  In PRDS bids, an ag gregator  on  be half of con s u m ers is abl e  to incre a se or  decrea s e  its  certai n p e rce n tage of  dem and in  re sp o n se to  ma rke t  price. Key factor in P R DS  biddin g  sche me is p r ice resp on sive co nsum er   wh o can tran sfer i t s dema nd from pea k d e m an d   perio ds of hig h  market pri c e to off peak deman d pe rio d s in which market pri c e is  some wh at low.  The sco pe o f  present pa per i s  to stu d y the influe nce of P R DS bidding in  a hybrid   system  with v o latile Wi nd  Powe r Ge neration in  d a y-a head m a rket s.A usual P R DS bid is  sh own  in [10]. Main  dissimila rity betwee n  PRDS bidding  sch e me an d p r ice re spo n sive  deman d bid d i ng  is that i n  P R DS bid d ing  d u ring  a  pa rticular  th t pe riod,  maximum d e mand li mit ca n be  greate r   than earli er, to inclu de the  fall of load occurre d  duri ng pea k pe ri ods d ue to soarin g ele c tri c ity  rate, whe r ea s in  pri c e  re spo n sive  bid d ing  schem e  loss  of loa d  duri ng  pea k hou rs can  not  recovered in  off peak  hou rs. In PRDS  b i dding  agg reg a tor’s  on b e h a lf of respon sive con s um ers  specifies for  particular  th t period, its  maxi mum, an d mi nimum  pri c e   bids an d m a ximum p o wer  deman d which in sim p le st form can b e  sum of e n tire ene rgy ne e d  of re spo n si ve part. Du e  to   negative sl op e of PRDS bi dding  re spon sive pa rt  of demand  ca n b e  less than it s maximum v a lue  becau se  ag gregator wo uld accept  o n ly that part of d e m and fo r whi c h its  willing  price is l e ss t han  or e qual  to m a rket de cla r e d  pri c e. In  PRDS bid d ing  a ggre gato r ’s p r ice  respon si ve part  of en e r gy  of sch eduli n g  period  can b e  con s um ed i n  few su b-in t e rvals. In sim p lest form it can be con s u m ed  in a singl e pe riod. Mathem atically, it can  be rep r e s ent ed as:     ,m a x , , 0         kt kt RS RS DD t T ≤≤ ∀ ∈   (1)   , , kt RS R S k tT Dt E ∈ ⋅Δ ≤ ∑   (2)   ma x , , ,        kt RS RS k DE t t T =Δ ∀ ∈ (3)     whe r e:   , kt R S D Consumption of    th k  demand shifting consumer at peri od  t ;  max , , kt R S D Maximum consu m ption of th k deman d shifting consu m er at pe riod  t ;  ,  Tt ∀ Set of scheduling sub-intervals and  duration of o n e  sub-interval;  , R Sk E Maximum limit on energ y  consum ed under  deman d  shifting bid of  th k  DistCo during en tire  scheduling  period;    Price  taki ng  consume r s ha ve infinite ma rginal   value due to vertic al  c u rve with res p ec t to  power  so it  can  not be i n clu ded in  consume r   gro ss  su rplu s. In optimizatio n pro b lem g r oss   surplu s of  thi s  type  co nsu m ers a r e  not  inclu ded   an d assume d con s tant.  Th us  e quation s  (4 ) and  (5) sho w s  ho w the  consu m er  gro s s  su rplu s i s   cal c u l ated b a se d  on the  acce p t ed dem and -side  bids a nd the  margi nal valu e that con s u m ers attach t o  these bi ds:     ,, , , , 1 RS kj t k j t RS J kt j GS MB D = ⋅ = ∑ (4)   ,, , 1 RS RS kt k j t J j DD = = ∑   (5)   whe r e:   ,, kj t R S MB   Marginal benefit  of th j segment of  th k demand shifting  bidder  du ring  th t period;    J   Number of seg m ent of the bid of  bidder;   ,, RS kj t D   Demand of  th k bidder during  th t hour on  th j segment of its bid;  , kt GS     th k demand shifting consumer gross  surplus at period t ;    In this model  certain pe rcentage of po wer for e a ch  hour whi c h i s  pri c e takin g  can be  pro c u r ed by con s um ers regardle s s  of   market-c le aring p r ices. F o r a  co mplet e  and  comp act  formulatio n of the PRDS bidding m e ch ani sm th e rea der i s  referred to  [9], [10].  In the  Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 10, No. 1,  March 2 012 :  33 – 42   36 optimizatio n prog ram use d   for  ma rket-cle ari ng,  th e bid spe c ification s  a r e  transl a ted int o   con s trai nts:   (i) on the  d e mand  duri n g each pe rio d  and (ii )  on  the total demand ove r  the  optimizatio n hori z on. Thi s   last sp ecification  i s  impl emented  a s   an in equality  rathe r  th an  an  equality con s traint be ca use a d e man d -side  bid b e lo w the l o west  price at  whi c h  gen erators are  willing to produce  woul d otherwi se prev ent the  mark et from  cleari ng. The price responsive bids  are conve r ted  into a form suitable for mi xed-integ e r li near p r o g ra m m ing su ch a s  in [9].      3.  Resear ch  Method   The obj ective  is to maximi ze the  so cial  we lfare, i.e., the differen c e between th e value  that con s um e r s atta ch to the ele c trical  energy t hat they buy and the co st  of ge neratio n that has  been formulat ed ba sed on  cla ssi cal EL D with emissi o n .  Equation (6) as p r op osed in [9] is used  to co nsi d e r  e c on omic loa d  dispatch  with emi s si on. T he  p r o p o s ed  so cial welfa r e  eq uation   af ter   mo d i fic a tion  is  r e pr es en te d a s :    () ,, , , 11 1 ,   g N TK k t it i t it up tk i it G M a x G S u FC S t EEC φ ⋅ == = ⎛⎞ =− + + ⎜⎟ ⎜⎟ ⎝⎠ ∑∑ ∑ (6)     whe r e:   φ   Optimal social welfare;   , it F C   Fuel cost of  th i gene rator at time t ;  , it G u   Status of  th i generat or at time t  (1:on,  0:off);   , it EE C   Blended emissio n  cost of  th i generat or at time t ;  , it up St   Start up cost of  th i generato r  at time t ;  g N   Total numbe r of  generato r s in the  net w o rk;   K   Total numbe r of  demand side bidders;    Fuel co st of  th i g enerator in te rms of real po wer o u tput  , g it P ca n be expre ssed as:     , 2 ,, $/ hr it i g it i g it i FC a P b P c =⋅ + ⋅ + (7)     whe r e:   , gi t P   Real po w e r  outp u t of an  th i generato r  at time t ;  , , ii i ab c   F uel cost cur v e coefficients;     The  th i gene rato r sta r tup  co st is de scrib ed  in te rm of the  numbe r of h ours the g e n e rato r  has b een d o w n:     , , 1e x p it off it i i i up H St κρ τ ⎡⎤ ⎛⎞ =+ − − ⎢⎥ ⎜⎟ ⎝⎠ ⎣⎦ (8)     whe r e:   i κ   The  th i unit fixed start-up cost part  in $;  i ρ   Start-up cost of  th i unit at  th t hour fr om cold condition in $;  , it off H   The numbe r of h our’s  th i unit do w n  a t   th t hour;   i τ   Rate of cooling o f   th i unit    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930   ¢     Dem and Shifting Bidding in  a Hyb r id System  with Volatile Wind Power …. (D.K. Agra wal )   37 In this  optimiz a tion  problem, for the  sak e   of  sim p li cit y ,  t he st art - up co sts are  take n  con s tant, whi c h can be giv en as:     ( ) ,, , 1 it i i t i t up G G St u u κ − =⋅ −   (9)   , 0 it up St ≥ (10 )     Emissi on of  th i u n it can be ex pre s sed a s :    , 2 ,, lb/ h r it i g it i g it i EC P P αβ γ =⋅ + ⋅ + (11 )     whe r e:     , ,   ii i α βγ   are emission coefficients;     The fuel co st curve s  an d emissi on curve s  of  the powe r  plants a r e modele d  as step-wi se   linear fun c tio n , in o r de r to  approximate t he typica l  qu adrati c   sha p e d  cost  cu rve  of a po we r pl ant.  The d ual-obj ective combi ned e c o nomi c  emi s sion  d i spat ch p r obl em is  co nve r ted into  sin g le  optimizatio n  probl em by i n trodu cin g  p r ice  penalty fa ctor  h  which  convert e m issi on o u tput int o   equivalent e m issi on cost  as follo ws:     ,,  $/hr it it EEC h E C =⋅   (12 )       The pri c e  pe nalty factor  h merg e the  emis sion  wi th fuel co st and sum of  merg ed   emis sion  c o st ,  f uel c o st  an d st a r t  u p   co st  giv e s t o tal  prod uctio n   co st in  $/hr [17] . Modified  pri c e   penalty fa cto r  ap proa ch  wa s p r op ose d  in [1 8] to  give exa c t to tal ope rating  co st. The  p r ice  penalty facto r   i h  is the ratio between  maximum fu el co st an d  maximum e m issi on of  th i   gene rato r:    ,m a x ,m a x  $ / l b                1 , 2 ,   3  . .... ... ii ig hF C E C i N == (13 )     whe r e:   ,m a x i FC   Fuel cost of an  th i unit at maximum p o wer out put;   ,m a x i EC   Emission of an  th i u n it at maximum p o wer out put;     To find out the modified  price pen alty factor for a particula r loa d  deman ds f o llowin g   step s are p r o posed in [18].  •   The pri c e p e n a lty factor  i h  is cal c ulate d .  •   Price p enalty factors  i h are arrang ed in a s cendin g  ord e r.   •   Add the maximum ca pa city of each un it  ,m a x gi P  one at a time, starting  from the sm allest   value  i h  until ,m a x g id PP ≥ ∑ .  •   Then the mo dified pri c e p enalty factor m h  is com puted  by interpolati ng the value s  of  i h  for   the last two u n its by satisf y i ng the co rrespondi ng load  deman d.  In this pa per  shifted p r ice  penalty facto r  appr oa ch i s   use d  to a cco mmodate l o a d  shifting  behavio r. The  inequality co nstrai nt on re al power ge n e ration  , g it P  of  th i generato r  is:     ,m i n , , m a x gi gi t g i PP P ≤≤   (14 )     Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 10, No. 1,  March 2 012 :  33 – 42   38 whe r e:   ,m i n gi P   Minimum val ue of real po wer g ene ratio n  of  th i generato r ;  ,m a x gi P   Maximum value of real po wer g ene ratio n  of  th i generato r ;    If a unit m u st  be  “on ”  fo r a  ce rtain  num ber  of   ho urs before   it  can be shut do wn ,  then a   minimum up-time ( i UP T ) is im posed. On t he contra ry, the minimum  down-time  ( i D N T ) is the   numbe r of hour(s) a u n it must sta y  off-line before it can  be brou ght  on-line a g a in.  Mathemati c al ly, the minimum up/do wn time con s train t s for  th i  unit ca n be expre ssed as:     () ( ) ,1 , , 1 0 ii t i t i t UP in G G TH u u −− −⋅ − ≥ (15 )   () ( ) ,1 ,1 , .0 ii t i t i t DN of f G G TH u u −− −− ≥ (16 )     whe r e:   , it in H   Amount of time  th i unit has b een ru nnin g ;    Equation s  (1 3), (14 )  are n online a r. It c an be line a ri zed usi ng the  method p r e s ented by  Cha ng et al. [20]. The UC sche dule  should p r ov id e the exact  amount of p o we r to meet  the   con s um er’ s  d e mand. Th erefore:     ,, 11 1 1 ,, g RS T N NW K M kt m t in w k m gi t n w t P PD D == = = += + ∑∑ ∑∑ (17 )   whe r e:   , T mt D   Con s um ption  of    th m pri c e ta kin g  bidde r at pe riod t ;  M   Maximum value of real po wer g ene ratio n  of  th i generato r ;  , P nw t   Fore ca sted g eneration of  th nw wind p o wer u n it at time t ;  NW   Numb er of wi nd po wer u n its;      4.  Results a nd Analy s is  Mathemati c al ly so cial  welf are  eq uation  is a  de cisi o n  p r oble m   wi th an  obje c ti ve to b e   maximize d with re spe c t to a seri es  of prevailin g  equality an d ineq uality con s trai nts.  The   equatio n is a  mixed-integ e r no n linea r probl em an d inclu d e s  a  large  numb e r of integers  and   contin uou s variabl es.  No n linea r pa rt is co nver te d into pie c e w ise linea r functio n  usi n g the   techni que  given in [9]. The  market-clea r i ng alg o rithm  descri bed i n   Section - 3 h a s been  applie d  to   several sce n a rio s  to asse ss  eco nomi c   viability  of demand  shifting  and evalu a te its impa ct on  emission  di spatch  and  o n  win d   scen ario s. The   pl atform u s ed   for the im ple m entation  of this   prop osed  ap proa ch  is on  INTEL[R], P entium [R ]  4  CPU 3.06   GHz, 51 2 M B  of RAM.  Many  c o mmerc i al pack ages   s u c h  as  CPLEX, LINDO,  OSL and XPRESS-MP exis t in the mark et place   have been suc c ess f ully applied to  UC  problems .  In this  paper,  we  us e XP RESS-MP to  s o lve t h e   probl em [19].   The tes t  s y stem used in the  s t udies c o ns is ts of  IEEE 30 bus s y s t em with a total   capacity of 435 MW. The IEEE 30 bus  system ha s  six generating units. The  characteristi c s o f   gene rato rs,  u n it co nstraint s a nd the  e m issi on  co efficient s a r e  gi ven in T able  I. The maxim u m  and mi nimu m load s  are  396.7 6  M W  and  183.4   MW, respe c tively, while t he total  syst em  forecaste d  en ergy de mand  is 693 4.76 M W h. T he  stud y period i s  2 4 - hou rs. The 2 4 -ho u r  syste m   load an d fore ca sted wi nd  power a r e p r ese n ted in  T able 2. The  prop ortio n  of the dema nd that  respon ds to  prices affect s the shap e o f  the  dem and  cu rve. Loa d  parti cipatio n  factor (LPF ) is   defined a s  th e ratio of the price re sp on sive demand t o  the total possi ble dem an d [9].    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930   ¢     Dem and Shifting Bidding in  a Hyb r id System  with Volatile Wind Power …. (D.K. Agra wal )   39 The  simul a te d wi nd  po wer scen ario s  are a s sumed  to  follow a  normal di strib u tion  with a   standard  devi a tion (volatilit y) of 10%  of  expected val ues  whi c h i s  t he forecasted value and in  the   followin g  stu d ies, th e n u m ber of redu ced  sce nari o s i s   cho s e n  t o  be  ten, ta ken fro m  [16].  The   followin g  thre e ca se s are d i scusse d in this pap er:     Ca se 1: Ca se 1 is the b a se  ca se wit hout  PRDS biddin g  whi c h applie s 11  commitme n t and   disp atch  for  the forecaste d  wi nd  po wer  and   the other  ten si mulated win d   po we r  scena rio s , without co nsi dering the  co rrel ation betwee n  scena rio s .   Ca se 2: In this ca se, we  obse r ve the im pact of PRDS on sy stem  operation  and comp are  gene ration di spat ch an d total system op erating  co st with and  with out PRDS.     Ca se 3: De monst r ate th e relation shi p  betwe en  L P F and emi s sion at different value of load   partici pation f a ctor from 0 to 0.1.    4.1.  Social  Welfare  w i th out PRDS bidding       With  fo re ca sted wind po wer given  in Table  2, we solve  the so cial welfare equatio n  without in clu s ion of dem an d shifting  and  determi ne  th e dispatch of  non-win d  unit s  given i n  Ta ble  3(a ) . The  che ape st Unit 1  and 2 a r e  al ways  com m itted. The mo re expen sive  Unit 3 an d 4  are  committed  be tween  Ho urs  1 and  22.  Un it 5 is  com m i tted between  Hou r s 1 6  an d 21.  Unit 6 i s   committed  b e twee n Hours 2 - 7 a nd 1 5 -21. T he  sy stem g ene rat i on cost i s  $ 1608 0.296.  To  observe the  impact of  wi nd po we r scenari o s,  we  solve ten  so cial welfare  equatio ns. T h e   operation  co sts a r e  sho w n in Figu re  1(a )  wh ich range from $ 1618 5.804 fo r Sce nari o  5  to  $158 37.47 5 for Scena rio  9. Table  4(a). sho w s the  social  welfa r e  equatio n solu tions fo r the  10   scena rio s . Each value in  the table sho w s the num b e r of times certain unit s  are ON in the  10   scena rio s . Here, Unit 3 and 4 are ON  mainly bet we en Ho urs 1– 22, while  Uni t  5 is ON ma inly  betwe en Hou r s 16 –21, whi l e Unit 6 is O N  mainly bet wee n  Ho urs 3-7 an d Ho urs 15– 21.     4.2. Social Welfare  w i th PRDS bidding   To ob serve t he impa ct of deman d shifti ng we  ta ke L P F 0.1. The load an d win d  profile   are  same  as Ca se 1. Ta ble 3(b). pre s ent s the  di spatch of n o n - win d  unit s  for 24  hou rs.  The  system  gen eration  co st red u ce s  to   $1 56 57.407.  In   all 10 scena rio s  operation co sts  a r e sh own  in  Figure 1 ( b )  which  ra nge  from $1 577 3.6 16 for Scena rio 5 to  $15 33 0.454 fo r S c e nario  10. In  this  ca se, for fore ca sted a nd  a ll ten sce nari o s the  expe n s ive unit  5 is not di spat ch ed a s   sho w n  in  Table 4(b). T hese re sults  sho w  the lower co st of  usi ng PRDS bid d ing for su pp lying the load in   the system.       Gen N o 1234 56 Max  (MW ) 200 80 50 35 30 40 Mi n   (MW ) 50 20 15 10 10 12 γ 0 . 013 0. 02 0. 027 0. 0 2 9 0 . 0 2 9 0. 027 β - 0 .9 -0 .1 - 0 . 0 1 - 0 . 0 1 -0 -0 .0 1 1 232. 4 4 4 13 238 84 α 2 2 . 9 8 25. 31 25. 51 24. 9 24. 7 2 5. 3 2 274. 4 70. 2 14 259 80 c 0000 00 3 320. 6 7 6 15 291. 2 7 8 b 21 . 7 1 3 . 2 5 3 3 4 373. 8 8 2 16 324. 8 3 2 a 0 . 004 0. 018 0. 063 0. 0 0 8 0 . 0 2 5 0. 025 5 396. 8 8 4 17 344. 4 4 Mi n Up   T i m e  (Hrs ) 1211 21 6 380. 8 8 4 18 337. 4 8 Mi n Do w n   T i m e  (Hrs ) 1212 11 7 344. 4 100 19 330. 4 1 0 S hut  Dow n   c o s t 50 60 30 85 52 30 8 298. 2 100 20 315 5 Col d  s t art    (Hrs ) 2111 11 9 268. 8 7 8 21 285. 6 6 I n i t i a l  uni t   s t at us -1 -3 2 3 - 2 2 10 225. 4 6 4 22 254. 8 5 6 Hot   S t art  up c o s t 70 74 50 1 1 0 7 2 4 0 11 205. 8 100 23 225. 4 8 2 C o l d   S t art  up c o s t 176 187 113 2 6 7 180 113 12 224 92 24 183. 4 5 2 T able 1. Data f o r  IE EE-30 bus  sy stem Load  (MW ) W i nd  (MW ) T abl e 2. Hourly  lo ad and f o rec a st  w i n d  power Pe r i o d Load  (MW ) W i nd  (MW ) Pe r i o d     Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 10, No. 1,  March 2 012 :  33 – 42   40 S y s t em  oper at i on c o s t  i n  t e n   s c enar i o s  w i t h o u t  P R D S  bi ddi ng 15600 15700 15800 15900 16000 16100 16200 16300 13579 S c enar i o s (A ) Co s t ( $ ) S y s t em  oper at i o n  c o s t  i n  t en  s c enar i o s  w i t h  P R D S  bi ddi ng 15000 15200 15400 15600 15800 16000 1 3 579 S c en ar i o s (B ) Co s t ( $ ) T o t a l  em i s s i on w i t h   and w i t h o u t   w i nd pow er 6200 7200 8200 9200 10200 0 0 . 02 0 .0 4 0 . 06 0 .0 8 LP F (C ) T o t a l  em i s s i on  (l b) W i th o u t w i n d pow er W i t h  w i nd pow er Figure 1. System operation cost       Table   3.   G e n e ration Dis p a t ch  (M W) with   Fore ca sted Wind  Po we r   Ho ur U1 U2 U 3 U4 U5 U 6 Hou r U 1 U2 U3 U 4 U5 U6 1 100 4 0 26.67 21.73 0 0 1 100 40 2 6 .67 0 0 0 2 100 4 0 24.53 18.33 0 21.33 2 100 50.09 2 6 .67 0 0 0 3 100 6 0 26.67 27.27 0 30.67 3 100 40 2 6 .67 26.67 0 2 1.33 4 139.5 6 0 26.67 35 0 30.67 4 102.1 6 0 2 6.67 35 0 3 0.67 5 150 6 0 37.09 35 0 30.67 5 120.8 6 0 2 6.67 35 0 3 0.67 6 144.5 6 0 26.67 35 0 30.67 6 106.4 6 0 2 6.67 35 0 3 0.67 7 100 6 0 26.67 27.07 0 30.67 7 100 40 2 6 .67 26.67 0 2 1.33 8 100 44.8 7 26.67 26.67 0 0 8 100 40 2 6 .67 26.67 0 2 1.33 9 100 4 0 26.67 24.13 0 0 9 100 40 2 6 .67 26.67 0 2 1.33 10 100 36. 4 1 5 1 0 0 0 1 0 100 40 2 6 .67 26.67 0 2 1.33 11 60.8 2 0 1 5 1 0 0 0 1 1 100 40 2 6 .67 26.67 0 2 1.33 12 87 2 0 15 10 0 0 12 100 40 2 6 .67 26.67 0 2 1.33 13 100 2 9 15 10 0 0 13 100 40 2 6 .67 26.67 0 2 1.33 14 100 4 0 20.67 18.33 0 0 14 100 40 2 6 .67 26.67 0 2 1.33 15 100 4 0 26.67 25.2 0 21.33 15 100 40 2 6 .67 26.67 0 2 1.33 16 110.5 6 0 26.67 35 3 0 30.67 16 108 60 2 6 .67 3 5 0 3 0 .67 17 150 6 0 34.73 35 3 0 30.67 17 150 60 3 0 .29 3 5 0 3 0 .67 18 147.1 6 0 26.67 35 3 0 30.67 18 143.3 6 0 2 6.67 35 0 3 0.67 19 138.1 6 0 26.67 35 3 0 30.67 19 135 60 2 6 .67 3 5 0 3 0 .67 20 127.7 6 0 26.67 35 3 0 30.67 20 126.2 6 0 2 6.67 35 0 3 0.67 21 112.3 6 0 26.67 26.67 23. 33 30.67 21 107 60 2 6 .67 26.67 0 3 0.67 22 100 45.4 7 26.67 26.67 0 0 22 100 46.65 2 6 .67 0 0 0 23 100 43. 4 0 0 0 0 23 100 40 2 6 .67 0 0 0 24 100 31. 4 0 0 0 0 24 100 41.75 2 6 .67 0 0 0 ( a )  w i tho u t  PRD S   bidd in g ( b )  w i th  PRD S   bidd in g     4.3. Social Welfare  w i th L P F  v a r y ing fr om 0 to 0.1  In this sectio n, we study the  sen s it iv it y  of  social w e lf are re sult s t o  t he size of  P RDS  biddin g   with  and without wind po we r.  For  th e  same  system  we u s e  different P RDS  with  sev e ral   LPF option s   as  sho w n i n  fig. 1(C). It ca n be  see n  th at with wi nd  power total e m issi on  red u c e s   from 9 275.7 4 8  lb  to 6 628. 245 l b   whe n  we  d o  n o t  consi der PRDS. By increa sing  the  si ze  of  PRDS, the total emission fu rther  redu ce s to 6449.473 l b .      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930   ¢     Dem and Shifting Bidding in  a Hyb r id System  with Volatile Wind Power …. (D.K. Agra wal )   41 Table 4. Statistics of Unit  Commitments  in Sc enarios          5.  Conclusi on    A MIP base d  soci al  welf are  problem  i n clu d in g  win d  and  PRDS b i dding  is de scrib ed i n   this  paper. The case s t udies  based on  an IEEE 30  bus   s y s t em  generator data indicate that the   appli c ation o f  PRDS can  impact the  pea k load  re ductio n , syst em ope rating  co st, emissi on   reduction, commitment  and dispatch  of the units . Much of the benefits  listed here will depend on   the loa d  p a rti c ipatio n fa cto r  of P R DS bi dding.  The  e x ample  on IE EE 30  bu s  system g ene rator   data sho w ed  the effectiven ess of  the  propo sed m ode l. The propo sed alg o rithm  can  be u s e d  f o r  the ope ration  plannin g  in the day-ahe a d  as  well  a s   the long term  plannin g  of wind u n its in  a   con s trai ned t herm a l po wer system.       Referen ces   [1]  Global Wind E nergy  Counc il. [Online ]. Available: http:// w w w.gw ec.net/.  [2]  CWET, Govt . o f  India. [Online] . Available h ttp:// w w w . c w et.tn. n ic.in/html/departments_ w r a.html  [3]  DS  Kirsch en. Dema nd-si de vie w  of  e l ectri c it y   m a rkets.  IEEE Trans. P o wer Syst.  20 03; 1 8 (2): 5 2 0 – 527.   [4]  S Borenstein,  J Bushnell. An em p i rica l a n a l y sis  of the  potenti a l for   market po w e r  in  Cal i forni a ’s   electricit y i ndu str y .  T he Journ a l of Industria l Econo mics , 19 99; 47(3): 2 85– 333.   [5]  S Stoft. Pow e r Sy stem Economics:  Designing Ma rkets for Electricit y .   New   York: Wiley - Interscience.   200 2.  [6]  Natio nal Institu t e of Econom ic s and In dustr y  Rese arch . T he price e l asticit y  of dema nd for  electricit y i n   NEM regi ons. T e ch. rep.,  Nation al Electric ity Market Manag ement Co mpa n y , Victoria, 20 02.   [7]  Ho w  a nd W h y  Customers R e spon d to Electr icit y  Pr ice  Var i abil i t y . C h a p ter  5: Implicit Pric e Elasticiti es  of Dem and  for El ectricit y   an d P e rformanc e  Results.  200 5. [Onlin e].  Avai la ble :   http://certs.lbl.gov/pdf/ny i so   [8]  RH Patrick, F A  W o lak. Esti mating th e cus t omer-l ev el d e m and for  el ectricit y   un der re al-time mark e t   prices. 20 01. [Onlin e]. Availa ble: http:// w w w . nber.org/p ap e r s/ w 8 21 3.pdf   [9]  CL Su,  D Kirs chen. Qu antif yi ng th e effect  o f  deman d res p onse  on  el ectri c it y  m a rkets.  IEEE Trans.   Power Syst.  2009; 24(3): 1 199 –12 07.   [10]  K Sing h, NP P adh y,  J S har ma. Influe nce  of  price r e sp on sive d e man d  s h ifting  bi ddi ng  on co ng esti o n   and LMP i n  po ol-b ased d a y -a hea d el ectricit y markets.  IEEE  Trans. Power  Syst . 2011; 26( 2).  [11] DK Agra w a l, RK Nema, NP Patidar.  W i nd p o w e r trading o p tions i n  India n  electricity ma rket: inclusio n   of avail abi lity b a sed tariff an d day ah ea d trad ing . IEEE ICPS. 2009: 1-6.    [12]  Sánch e z I. Short-term predicti on of  w i n d  en e r g y  pr od uction.   Int. J .  Forecast.  2006; 22: 43 –56.   [13]    Li S, W unsch DC, O’Hair  EA, Giesselman n MG. Using neur al net w o rk s to estimate w i nd tur b in e   po w e r gen erati on,”  IEEE Trans. Energy Conversion . 200 1; 16: 276 –2 82.   [14]    J Dup a cová,  N Grö w e-K u s k a, W  Römis c h.  Scen ario  reducti on in  s t ochastic prog ramming: A n   appr oach  usin g prob abi lit y  m e trics.  Math. Program . Series A . 2003: 3:  49 3–5 11.   [15]  N Grö w e-Kusk a, H Heitsch,  W Römisch.  Scenar io re ducti on a nd sce nari o  tree construc tion for pow e r   ma na ge me nt p r obl ems.   Proc.  IEEE Po w e r T e ch Co nf.  Italy . 2003. 3: 23– 2 6 .   [16]  Jian hui  W ang,  Moh a mmad   Shah ide h p our,  Z u yi  L i . Sec u rit y - C onstr ain ed U n it  Com m itment  w i t h   Volatile Wind Po w e r Generation.  IEEE Trans. Power Syst.  2008; 23( 3): 131 9–1 32 7.  [17]  P Venkates h, R Gnana dass,  NP  Padh y. C o mparis on a n d  Applic at ion of  Evolutio nar y Programmi n g   T e chniques to  Combi n e d  Eco nomic Emiss i o n  Disp a tch  w i t h  Lin e  F l o w   C onstrai nts.  IEEE Trans. On  Power Syst.  2003; 18(2): 6 88- 697.   [18]  I Jacob  Rag l e nd, Nar a ya na  Prasad P a d h y .  Soluti ons  to  Practical Unit Commitment  P r obl ems  w i t h   Operatio nal, P o w e r F l o w   and  Enviro nmenta l  Constra i nts.   IEEE , 1-424 4-0 493- 2/06. 20 06 .    [19]  Mode lin g  w i th  Xpr e ss-MP, D. Associates, Ed ., 2005. Avail a ble: http:// w w w . dasho ptimizati on.com   Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 10, No. 1,  March 2 012 :  33 – 42   42 [20]  Cha ng GW , Agan agic M, W a ig ht JG, Medina J, Bu rton T ,  Reeves S, C h ristofori d is M. Exp e rie n ce s   w i t h  Mi xe d Int eger  Lin ear Pr ogrammi ng B a sed Ap proac h e s on S hort-T e rm H y dro Sc hed uli ng.  IEEE   Transactions on Power Syst..   200 1; 16(4): 74 3-74 9.  Evaluation Warning : The document was created with Spire.PDF for Python.