| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,179 |
| تعداد مقالات | 17,645 |
| تعداد مشاهده مقاله | 53,508,780 |
| تعداد دریافت فایل اصل مقاله | 28,264,509 |
بررسی آثار سیاست‌‌های افزایش رقابت در بخش عمده‌فروشی برق بر قیمت و ترکیب نیروگاه‌های تولید برق ایران (رهیافت اقتصاد محاسباتی مبتنی بر عامل) | ||
| پژوهشهای اقتصادی ایران | ||
| دوره 24، شماره 81، دی 1398، صفحه 1-42 اصل مقاله (772.19 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/ijer.2019.11685 | ||
| نویسندگان | ||
| سعید مشیری1؛ حبیب مروت* 2؛ فرهاد فلاحی3؛ محمدرضا اصغری اسکوئی4؛ میثم دوستی زاده5 | ||
| 1استاد، دانشکده اقتصاد، دانشگاه ساسکاچوآن | ||
| 2استادیار، دانشکده اقتصاد، دانشگاه علامه طباطبائی | ||
| 3دانشجوی دکتری مهندسی برق قدرت دانشگاه شاهد و پژوهشگر پژوهشگاه نیرو | ||
| 4استادیار دانشکده علوم ریاضی و رایانه، دانشگاه علامه طباطبائی | ||
| 5استادیار دانشکده فنی و مهندسی دانشگاه لرستان | ||
| چکیده | ||
| شناسایی عوامل موثر بر تامین و عرضه برق در ادبیات اقتصادی اهمیت بسیاری دار.د در این مطالعه از یک مدل مبتنی بر عامل برای شبیه‌سازی بازار عمده‌فروشی رقابتی برق ایران و بررسی آثار سناریوهایی که در راستای رقابتی و کارا کردن بازار است، استفاده شده است. به طور مشخص، آثار اجرای دو سناریوی تغییر مکانیزم تسویه بازار و حذف یارانه سوخت بر قیمت‌‌های تعادلی برق، عایدی، سهم بازار و ظرفیت واقعی نیروگاه‌های با فناوری‌‌های متفاوت، برآورد شده است. نتایج شبیه‌سازی نشان می‌دهد قیمت‌‌های برق در ساعت اوج بار به دلیل ورود نیروگاه‌های با هزینه نهایی بیشتر به شبکه،بیشتر از سایر زمان‌ها است. قیمت‌ها در سناریوی تغییر مکانیزم تسویه کمتر و در سناریوی حذف یارانه سوخت بیشتر از قیمت‌‌های سناریوی پایه هستند که به ترتیب منجر به کاهش و افزایش عایدی نیروگاه‌ها در این دو سناریو می‌شود. نتایج همچنین نشان می‌دهد ظرفیت واقعی نیروگاه‌ها و سهم نیروگاه‌های کاراتر در هردو سناریو نسبت به سناریوی پایه افزایش می‌یابد. | ||
| کلیدواژه‌ها | ||
| اقتصاد محاسباتی مبتنی بر عامل؛ رقابت؛ مکانیزم تسویه حساب؛ نیروگاه برق؛ یارانه سوخت | ||
| مراجع | ||
|
اصغری اسکویی، محمدرضا، فلاحی، فرهاد، دوستی‌زاده، میثم و مشیری، سعید (۱۳۹۷). کاربرد یادگیری تقویتی در یک مدل سازی عامل محور برای بازار عمده‌فروشی برق ایران. فصلنامه پژوهشهای اقتصاد انرژی ایران. شماره 25. صفحه 40-1. ترازنامه انرژی (سال‌‌های مختلف). وزارت نیرو. فلاحی، فرهاد (1392). بهینه‌سازی برنامه‌ریزی آرایش تولید واحدها براساس اولویت قیمت‌‌های پذیرفته شده بازار با لحاظ محدودیت‌‌های بارگذاری شبکه انتقال با روش‌‌های جدید. گروه پژوهشی اقتصاد و مدیریت برق. پژوهشگاه نیرو. مروت، حبیب (۱۳۹۶). مروری بر اقتصاد محاسباتی مبتنی بر عامل. سیاست‌گذاری پیشرفت اقتصادی. شماره ۱۵.صفحه ۸۱- ۱۲۵. مزدآور، سیدعلیرضا، قرا‌گوزلو، حبیب و اکبری فرود، اصغر (۱۳۹۳). تاثیر مدلسازی پرداخت هزینه روشن و خاموش شدن واحدهای نیروگاهی در استراتژی قیمت دهی آنها در بازار برق ایران. کنفرانس بین المللی برق. پژوهشگاه نیرو. مشیری، سعید، مروت، حبیب و نصیری، عباس (1397). بررسی تاثیر افزایش قیمت سوخت بر قیمت برق با استفاده از مدلسازی عامل بنیان بازار برق. فصلنامه مطالعات اقتصاد انرژی. سال چهاردهم. شماره 56. 1-34. Bower, J., & Bunn, D. (2001). Experimental analysis of the efficiency of uniform-price versus discriminatory auctions in the England and Wales electricity market. Journal Of Economic Dynamics And Control, 25 (3-4), 561-592. Bower, J., Bunn, D. W., & Wattendrup, C. (2001). A model-based analysis of strategic consolidation in the German electricity industry. Energy Policy, 29 (12), 987-1005.
Browne, O., Poletti, S., & Young, D. (2015). How does market power affect the impact of large scale wind investment in'energy only'wholesale electricity markets?. Energy Policy, 87, 17-27.
Bublitz, A., Genoese, M., & Fichtner, W. (2014, May). An agent-based model of the German electricity market with short-time uncertainty factors. In 11th International Conference on the European Energy Market (EEM14) (pp. 1-5). IEEE.
Cau, T. D. H., & Anderson, E. J. (2002, July). A co-evolutionary approach to modelling the behaviour of participants in competitive electricity markets. In IEEE Power Engineering Society Summer Meeting, (Vol. 3, pp. 1534-1540). IEEE.
Epstein, J. M. (1999). Agent‐based computational models and generative social science. Complexity, 4(5), 41-60.
Erev, I., & Roth, A. E. (1998). Predicting how people play games: Reinforcement learning in experimental games with unique, mixed strategy equilibria. American Economic Review, 848-881.
Gallo, G. (2016, January). An integrated agent-based and production cost modeling framework for renewable energy studies. In 2016 49th Hawaii International Conference on System Sciences(HICSS) (pp. 2390-2399). IEEE.
Grigsby, L. L. (Ed.). (2001). The electric power engineering handbook (pp. 89-97). Boca Raton: CRC Press.
Kremers, E. A. (2013). Modelling and simulation of electrical energy systems through a complex systems approach using agent-based models. KIT scientific publishing.
Li, H., & Tesfatsion, L. (2009, July). The AMES wholesale power market test bed: A computational laboratory for research, teaching, and training. In 2009 IEEE Power & Energy Society General Meeting (pp. 1-8). IEEE.
Pisica, I., Axon, C. J., Hobson, P. R., Taylor, G. A., & Wallom, D. C. (2014, October). A multi-agent model for assessing electricity tariffs. In IEEE PES Innovative Smart Grid Technologies, Europe (pp. 1-6). IEEE.
Shahidehpour, M., Yamin, H., & Li, Z. (2003). Market operations in electric power systems: forecasting, scheduling, and risk management. John Wiley & Sons.
Tesfatsion, L. (2006). Agent-based computational economics: A constructive approach to economic theory. Handbook of computational economics, 2, 831-880.
Wallace, S. W., & Fleten, S. E. (2003). Stochastic programming models in energy. Handbooks in operations research and management science, 10, 637-677.
Weidlich, A., & Veit, D. (2008). A critical survey of agent-based wholesale electricity market models. Energy Economics, 30(4), 1728-1759. | ||
|
آمار تعداد مشاهده مقاله: 1,182 تعداد دریافت فایل اصل مقاله: 720 |
||