Complementarity Modeling in Energy Markets

این افزوده به سری ISOR مدل‌های مکمل را به روشی ساده و قابل دسترسی معرفی می‌کند و از آنها برای انجام تجزیه و تحلیل عمیق بازارهای انرژی، از جمله مسائل فرمول‌بندی و تکنیک‌های راه‌حل استفاده می‌کند. به طور خلاصه، مدل‌های تکمیلی تعمیم می‌دهند: الف. مسائل بهینه سازی از طریق شرایط کاروش-کوهن-تاکر آنها ب. بازی‌های مشارکتی که در آن هر بازیکن ممکن است یک مشکل بهینه‌سازی جداگانه اما مرتبط با محدودیت‌های بالقوه کلی سیستم (مانند شرایط تسویه بازار) را حل کند. مسائل اقتصادی و مهندسی که به طور خاص از مسائل بهینه سازی ناشی نمی شوند (مثلاً تعادل قیمت فضایی) d. مشکلاتی که در آن متغیرهای اولیه و دوگانه (قیمت ها) در فرمول اولیه ظاهر می شوند (به عنوان مثال، سیستم مدل سازی انرژی ملی (NEMS) یا پیش ساز آن، PIES). به این ترتیب، مدل‌های مکمل یک قالب مدل‌سازی بسیار کلی و انعطاف‌پذیر هستند. یک سوال طبیعی این است که چرا برای این رویکرد مکمل روی بازارهای انرژی تمرکز می کنیم؟ به نظر می رسد، انرژی یا بازارهای دیگری که جنبه های نظری بازی دارند، به بهترین وجه توسط مسائل مکمل مدل سازی می شوند. دلیل آن این است که رویکرد سنتی رقابت کامل دیگر به دلیل مقررات زدایی و بازسازی این بازارها اعمال نمی شود و بنابراین ممکن است مشکلات بهینه سازی مربوطه دیگر وجود نداشته باشد. همچنین، در برخی موارد، در فرمول‌بندی مدل اصلی مهم است که هم متغیرهای اولیه (مانند تولید) و هم متغیرهای دوگانه (مانند قیمت‌های بازار) برای برنامه‌ریزی انرژی بخش دولتی و خصوصی را شامل شود. مسائل بهینه‌سازی سنتی نمی‌توانند مستقیماً با این اختلاط متغیرهای اولیه و دوگانه مقابله کنند، اما مدل‌های مکمل می‌توانند و این باعث می‌شود همه آنها برای تصمیم‌گیرندگان مؤثرتر باشند.

This addition to the ISOR series introduces complementarity models in a straightforward and approachable manner and uses them to carry out an in-depth analysis of energy markets, including formulation issues and solution techniques. In a nutshell, complementarity models generalize: a. optimization problems via their Karush-Kuhn-Tucker conditions b. on-cooperative games in which each player may be solving a separate but related optimization problem with potentially overall system constraints (e.g., market-clearing conditions) c. conomic and engineering problems that aren’t specifically derived from optimization problems (e.g., spatial price equilibria) d. roblems in which both primal and dual variables (prices) appear in the original formulation (e.g., The National Energy Modeling System (NEMS) or its precursor, PIES). As such, complementarity models are a very general and flexible modeling format. A natural question is why concentrate on energy markets for this complementarity approach? s it turns out, energy or other markets that have game theoretic aspects are best modeled by complementarity problems. The reason is that the traditional perfect competition approach no longer applies due to deregulation and restructuring of these markets and thus the corresponding optimization problems may no longer hold. Also, in some instances it is important in the original model formulation to involve both primal variables (e.g., production) as well as dual variables (e.g., market prices) for public and private sector energy planning. Traditional optimization problems can not directly handle this mixing of primal and dual variables but complementarity models can and this makes them all that more effective for decision-makers.