3/21/2021

Electricity markets and tools
Day‐ahead Real‐time

SCUC and SCED SCED
BOTH LOOK LIKE THIS
SCUC:  Minimize f(x) SCED:
x contains  x contains only 
discrete &  subject to continuous 
continuous  h(x)=c variables.
variables. g(x)< b
1

Optimization Terminology
An optimization problem or a mathematical program 
or a mathematical programming problem.
Minimize f(x)
subject to
h(x)=c
g(x)< b
f(x): Objective function 
x: Decision variables
h(x)=c: Equality constraint
g(x)< b: Inequality constraint
x*: solution 2

1
 3/21/2021

Classification of Optimization Problems
Continuous Optimization Optimization Under Uncertainty
Unconstrained Optimization Robust Optimization
Bound Constrained Optimization Stochastic Programming
Derivative‐Free Optimization Simulation/Noisy Optimization
Global Optimization Stochastic Algorithms
Linear Programming Complementarity Constraints and 
Network Flow Problems Variational Inequalities
Nondifferentiable Optimization Complementarity Constraints
Nonlinear Programming Game Theory
Optimization of Dynamic Systems Linear Complementarity Problems
Quadratic Constrained Quadratic Programming Mathematical Programs with 
Quadratic Programming Complementarity Constraints 
Second Order Cone Programming Nonlinear Complementarity 
Semidefinite Programming Problems
Semiinfinite Programming Systems of Equations
Discrete and Integer Optimization Data Fitting/Robust Estimation
Combinatorial Optimization Nonlinear Equations
Traveling Salesman Problem Nonlinear Least Squares
Integer Programming Systems of Inequalities
Mixed Integer Linear Programming Multiobjective Optimization
Mixed Integer Nonlinear Programming 3
www.neos‐guide.org/ provides excellent overview.

Convex functions
Definition #1: A function f(x) is convex in an interval if its 
second derivative is positive on that interval.
Example: f(x)=x2 is convex since f’(x)=2x,  f’’(x)=2>0

2
 3/21/2021

Convex functions
The second derivative test is sufficient but not necessary. 

Definition #2: A function f(x) is convex if a line drawn 
between any two points on the function remains on or 
above the function in the interval between the two points.

www.ebyte.it/library/docs/math09/AConvexInequality.html  5

Convex functions
Definition #2: A function f(x) is convex if a line drawn 
between any two points on the function remains on or 
above the function in the interval between the two points.
Is a linear function convex?

Answer is “yes” since a line drawn between any two 
points on the function remains on the function. 6

3
 3/21/2021

Convex Sets
Definition #3: A set C is convex if a line segment between 
any two points in C lies in C.
Ex: Which of the below are convex sets?

The set on the left is convex. The set on the right is not.
7

Convex Sets
Definition #3: A set C is convex if a line segment between 
any two points in C lies in C.

8
S. Boyd and L. Vandenberghe, “Convex optimization,” Cambridge University Press, 2004.

4
 3/21/2021

Global vs. local optima
Example: Solve the following:
Minimize f(x)=x2

Solution: f’(x)=2x=0x*=0.
This solution is a local optimum. 
It is also the global optimum.
Example: Solve the following:
Minimize f(x)=x3‐17x2+80x‐100
Solution: f’(x)=3x2‐34x+80=0
Solving the above results in x=3.33 and x=8. 

Issue#1: Which is the best solution?
Issue#2: Is the best solution the global solution?
9

Global vs. local optima
Example: Solve the following:
Minimize f(x)=x3‐17x2+80x‐100
Solution: f’(x)=3x2‐34x+80=0. Solving results in x=3.33, x=8. 
Issue#1: Which is the 
best solution?
x=8
Issue#2: Is the best 
solution the global 
solution?
No! It is unbounded.

10

5
 3/21/2021

Convexity & global vs. local optima
When minimizing a function, if we want to be sure that we 
can get a global solution via differentiation, we need to impose 
some requirements on our objective function. 
We will also need to impose some requirements on the 
feasible set S (set of possible values the solution x* may take). 
Min  f(x) min f ( x)
subject to subject to
h(x)=c
g(x)< b
Feasible set
xS
Definition: If f(x) is a convex function, and if S is a convex set, then 
the above problem is a convex programming problem. 
Definition: If f(x) is not a convex function, or if S is not a convex set, 
then the above problem is a non‐convex programming problem.  11

Convex vs. nonconvex programming problems
MATHEMATICAL 
PROGRAMMING
The desirable quality of a convex 
programming problem is that any locally 
optimal solution is also a globally optimal  Convex 
solution. If we have a method of 
finding a locally optimal solution, that  We address convex 
programming 
method also finds for us the globally  problems in 
optimum solution. addressing linear 
programming.
The undesirable quality of a non‐convex 
programming problem is that any method 
which finds a locally optimal solution  Non‐convex 
does not necessarily find the globally  We  will  also, later, 
address a special form of 
optimum solution. non‐convex programming 
problems called integer 
programs. 12

6
 3/21/2021

Convex vs. nonconvex programming problems
It is easy to see why we require the function be convex in order to 
guarantee a local optimal is a global optimal
But why do we require that the set 
be convex in order to guarantee a 
local optimal is a global optimal? 
The range of x, [‐8, ‐6]  The range of x, [‐8, ‐6], [2, 9] 
defines a convex set. If you  defines a nonconvex set. If 
found the local minimum  you found a local minimum at 
at x=‐6, it would be the  x=‐6, it would NOT be the 
global minimum as well. global minimum (which is at 
x=2).

The range of x, [‐1, 4] 
The range of x, [‐8, ‐6], [‐1, 4] 
defines a convex set. If you 
defines a nonconvex set. If 
found the local minimum 
you found a local minimum at 
at x=0, it would be the 
x=‐6, it would NOT be the 
global minimum as well.
global minimum (which is at 
x=0).
13

Some simple forms of optimization problems
We focus on this one, but 
Two variables with one  min f ( x1 , x2 ) conclusions we derive will also 
equality‐constraint s.t. h( x1 , x2 )  c apply to the other two. The 
benefit of focusing on this one is 
that we can visualize it.

Multi‐variable with one  min f ( x)
equality‐constraint. s.t. h( x )  c

Multi‐variable with multiple  min f ( x)
equality‐constraints. s.t. h( x )  c

In each case, we will only consider problems for which  that 
• f is convex and 
• the constraints define a convex set
And so the problems will be convex programming problems. 14

7
 3/21/2021

Contour maps
. Definition: A contour map is a 2‐dimensional plane, i.e., a 
coordinate system in 2 variables, say, x1, x2, that illustrates 
curves (contours) of constant functional value f(x1, x2). 
2 2
Example: Draw the contour map for f ( x1 , x2 )  x1  x2
[X,Y] = meshgrid(‐
2.0:.2:2.0,‐2.0:.2:2.0);
Z = X.^2+Y.^2;
[c,h]=contour(X,Y,Z);
clabel(c,h);
grid;
xlabel('x1');
ylabel('x2');

15

Contour maps and 3‐D illustrations
.

Example: Draw the 3-D surface for f ( x1 , x2 )  x12  x22

[X,Y] = meshgrid(‐
2.0:.2:2.0,‐2.0:.2:2.0);
Z = X.^2+Y.^2;
surfc(X,Y,Z)
xlabel('x1')
ylabel('x2')
zlabel('f(x1,x2)')

Height is f(x)
Each contour of fixed value f is 
the projection onto the x1‐x2
plane of a horizontal slice 
made of the 3‐D figure at a  Contours
value f above the x1‐x2 plane.

16

8
 3/21/2021

Solving a convex program: graphical analysis
.
Example: Solve this convex program: min f ( x1 , x2 )  x12  x22
A straight line is a convex set because a line 
segment between any two points on it remain on it. s.t. h(x1,x2 )  x1  x2  6

x1  x2  6  x2   x1  6

Superimpose this 
relation on top of the 
contour plot for f(x1,x2).

1. f(x1,x2) must be minimized, and so we would like the solution 
to be as close to the origin as possible;
2. The solution must be on the thick line in the right‐hand corner 
of the plot, since this line represents the equality constraint. 17

Solving a convex program: graphical analysis
.
Solution:
x*  ( x1 , x2 )*  (1.25,1.25)
f ( x1 , x2 )*  3

Any contour f<3 does not 
intersect the equality 
constraint;
Any contour f>3 intersects the 
equality constraint at two 
points.

The contour f=3 and the 
equality constraint just touch 
each other at the point x*.

“Just touch”:
The two curves are tangent to one another at the solution point. 
18

9
 3/21/2021

Solving a convex program: graphical analysis
The two curves are tangent to one another at the solution point. 
.
 The normal (gradient) 
vectors of the two curves, at 
the solution (tangent) point, 
are parallel. 
How to obtain gradients?
*
2x 
 *

{ f ( x1 , x2 )*}   x12  x22   1 
 2 x2 
*

 *

1
{h( x1 , x2 ) *  6 }   x1  x2  6   
1

“Parallel” means that the two vectors have the same direction. We do not know that 
they have the same magnitude. To account for this, we  equate with a “multiplier” λ:
f ( x , x )   h(x ,x )  c
1 2
*
1 2 *
 19

Solving a convex program: graphical analysis

.

f ( x1 , x2 )*   h(x1,x2 )*  c 
Moving everything to the left:

f ( x1 , x2 )*   h(x1,x2 )*  c  0  Alternately:

f ( x1 , x2 )*   c  h(x1,x2 )*  0 
Performing the gradient operation (taking 
derivatives with respect to x1 and x2) :
*
  
 x  f ( x1 , x 2 )   h(x1 ,x 2 )  c  0 
 1   
   f ( x , x )   h(x ,x )  c  0 
 x 2 1 2 1 2


In this problem, we already know the solution, but what if we did not? 
Then could we use the above equations to find the solution?
20

10
 3/21/2021

Solving a convex program: analytical analysis
In this problem, we already know the solution, but what if we did not? 
Then could we use the above equations to find the solution?
*
  
 x  f ( x1 , x 2 )   h(x1 ,x 2 )  c  0 
 1   

  f ( x1 , x2 )   h(x1,x 2 )  c  0 
 x 2 
NO! Because we only have 2 equations, yet 3 unknowns: x1, x2, λ.
So we need another equation. Where do we get that equation?
Recall our equality constraint: h(x1, x2)‐c=0 . This must be satisfied! 
Therefore: *
  
  x  f ( x1 , x 2 )   h(x 1 ,x 2 )  c 
 1  0  Three equations, 

 f ( x1 , x 2 )   h(x 1 ,x 2 )  c    0  we can solve.
three unknowns, 

 x2 
   0 
h ( x1 , x 2 )  c
  21
 

Solving a convex program: analytical analysis
Observation: The three equations are simply partial derivatives of the 
f ( x1 , x2 )   h(x1 ,x2 )  c 
function 

*
  
  x  f ( x1 , x 2 )   h(x 1 ,x 2 )  c 
 1  0 
   f ( x , x )   h(x ,x )  c     0 
 x 2 1 2 1 2
  
   0 
h ( x1 , x 2 )  c
 
 
This is obviously true for the first two equations , but it is not so 
obviously true for the last one. But to see it, observe

 f ( x1, x2 )   h(x1,x2 )  c   0

 h(x1,x2 )  c  0  h(x1,x2 )  c
22

11
 3/21/2021

Formal approach to solving our problem
Define the Lagrangian function: 

L ( x1 , x2 ,  )  f ( x1 , x2 )   h(x1 ,x2 )  c 
In a convex programming problem, the “first‐order conditions” for 
finding the solution are given by
L ( x1 , x2 ,  )  0

L ( x1, x2 ,  )  0
x1 
L ( x,  )  0
OR

L ( x1, x2 ,  )  0
Or more  x
x2 compactly 
 L ( x,  )  0
L ( x1, x2 ,  )  0 

where we have 
used x=(x1, x2)
23

Applying to our example
Define the Lagrangian function: 
L ( x1 , x2 ,  )  f ( x1 , x2 )   h(x1,x2 )  c 

 x12  x22   x1  x2  6 
L ( x1 , x2 ,  )  0
 
L ( x1, x2 ,  )  0 L ( x1 , x2 ,  )  2 x1    0
x1 x1
 
OR L ( x1, x2 ,  )  0 L ( x1 , x2 ,  )  2 x2    0
x2 x2


L ( x1, x2 ,  )  0 


L ( x1 , x2 ,  )   x1  x2  6  0 
A set of 3 linear equations and 3 unknowns; 
we can write in the form of Ax=b. 24

12
 3/21/2021

Applying to our example
2 0  1  x1   0 
0 2  1  x    0 
  2   
1 1 0      6 
1
 x1  2 0  1  0  1.2247 
  x2   0 2  1  0   1.2247 
   1 1 0   6  2.4495
And the objective 
function evaluates to:


f ( x1 , x2 )*  x12  x22  *

 1.2247 2  1.2247 2  3
25

Now, let’s go back to our example with a 
nonlinear equality constraint.

26

13
 3/21/2021

Example with nonlinear equality
.Non-convex because a line connecting two points in the min f ( x1 , x2 )  x12  x22
set do not remain in the set. (see “notes” of this slide)
s.t. h(x1,x2 )  2 x1 x2  3

3
2 x1 x2  3  x2 
2 x1

Superimpose this 
The  relation on top of the 
constraint 
also provides  contour plot for f(x1,x2).
a similar 
curve in the 
lower  left‐
hand‐corner

1. f(x1,x2) must be minimized, and so we would like the solution 
to be as close to the origin as possible;
2. The solution must be on the thick line in the right‐hand corner 
of the plot, since this line represents the equality constraint. 27

Example with nonlinear equality
.
Solution:
x*  ( x1 , x2 )*  (1.25,1.25)
f ( x1 , x2 )*  3

Any contour f<3 does not 
intersect the equality 
constraint;
Any contour f>3 intersects the 
equality constraint at two 
points.

The contour f=3 and the 
equality constraint just touch 
each other at the point x*.

“Just touch”:
The two curves are tangent to one another at the solution point. 
28

14
 3/21/2021

Example with nonlinear equality
The two curves are tangent to one another at the solution point. 
.
 The normal (gradient) 
vectors of the two curves, at 
the solution (tangent) point, 
are parallel. 
How to obtain gradients?

*
2x 
 *
{ f ( x1 , x2 )*}   x12  x22   1 
 2 x2 
*
2 x 
{h( x1 , x2 ) * 3}  2 x1 x2  3   2 
*

 2 x1 
“Parallel” means that the two vectors have the same direction. We do not know that 
they have the same magnitude. To account for this, we  equate with a “multiplier” λ:
f ( x , x )   h(x ,x )  c
1 2
*

1 2
*
 29

Example with nonlinear equality
This gives us the following two equations.

*
  
 x  f ( x1 , x 2 )   h(x1 ,x 2 )  c  0 
 1   
   f ( x , x )   h(x ,x )  c  0 
 x 2 1 2 1 2


And we add the equality constraint to give 3 equations, 3 unknowns:
*
  
  x  f ( x1 , x 2 )   h(x 1 ,x 2 )  c 
 1  0  Three equations, 
   f ( x , x )   h(x ,x )  c    0  three unknowns, 
 x2 1 2 1 2
   we can solve.
   0 
h ( x1 , x 2 )  c
 
 
30

15
 3/21/2021

Example with nonlinear equality
Define the Lagrangian function: 
L ( x1 , x2 ,  )  f ( x1 , x2 )   h(x1,x2 )  c 
 x12  x22   2 x1 x2  3
L ( x1 , x2 ,  )  0
 
L ( x1, x2 ,  )  0 L ( x1 , x2 ,  )  2 x1  2x2  0
x1 x1
 
OR L ( x1, x2 ,  )  0 L ( x1 , x2 ,  )  2 x2  2x1  0
x2 x2
 
L ( x1, x2 ,  )  0 L ( x1 , x2 ,  )  2 x1 x2  3  0
 
3
x1  x2   1.2247
You can solve this algebraically to obtain 2 and f=3 in 
3 both cases
x1  x 2    1.2247
2 31

Example with nonlinear equality
Our approach worked in this case, i.e., we 
found a local optimal point that was also a 
global optimal point, but because it was 
not a convex programming problem, we 
had no guarantee that this would happen.
The conditions we established, below, we call first order conditions.

For convex programming problems, they are first order sufficient conditions to provide
the global optimal point.

For nonconvex programming problems, they are first order necessary conditions to
provide the global optimal point.

L ( x,  )  0
x

L ( x,  )  0
 32

16
 3/21/2021

Multiple equality constraints
min f ( x) We assume that f and
h are continuously
s.t. h( x)  c differentiable.
L ( x,  )  f ( x)  1 h1( x )  c1   2 h2( x )  c2 
 ...  m hm( x )  cm 
First order necessary conditions finds (x*, λ*) that solves the above:


L ( x* ,  * )  0
x

L ( x* ,  * )  0

33

Multiple equality & 1 inequality constraint
min f ( x) We assume that f, h, and
g are continuously
s.t. h( x )  c
differentiable.
g ( x)  b

Solution approach:
• Ignore the inequality constraint and solve the problem.
(this is just a problem with multiple equality constraints).
• If inequality constraint is satisfied, then problem is solved.
• If inequality constraint is violated, then the inequality constraint
must be binding  inequality constraint enforced with equality:
g ( x)  b
Let’s look at this new problem where the inequality is binding.

34

17
 3/21/2021

Multiple equality & 1 inequality constraint
min f ( x ) We assume that f, h, and
s.t. h( x )  c g are continuously
differentiable.
g ( x)  b
L ( x,  ,  )  f ( x)  1 h1( x )  c1   2 h2( x )  c2 
 ...  m hm( x )  cm     g ( x)  b 
First order necessary conditions finds (x*, λ*, μ*) that solves the
above:

L ( x* ,  * ,  * )  0 We were able to write down this 
x solution only after we knew the 
 * * inequality constraint was binding. 
L ( x ,  ,  *)  0 Can we generalize this approach?


L ( x* ,  * ,  *)  0
 35

Multiple equality & 1 inequality constraint
L ( x,  ,  )  f ( x)  1 h1( x )  c1   2 h2( x )  c2 
 ...  m hm( x )  cm     g ( x)  b 
If inequality is not binding, then apply first order necessary
conditions by ignoring it:
μ=0
g(x)-b≠0 (since it is not binding!)
If inequality is binding, then apply first order necessary
conditions treating inequality constraint as an equality constraint
μ≠0
g(x)-b=0 (since it is binding!)
This relation encodes our
Either way: solution procedure!
μ(g(x)-b)=0 It can be used to generalize our
necessary conditions 36

18
 3/21/2021

Multiple equality & multiple inequality constraints
min f ( x ) We assume that f, h, and
s.t. h( x )  c g are continuously
differentiable.
g ( x)  b
L ( x,  ,  )  f ( x)  1 h1( x )  c1   2 h2( x )  c2  - ...  m hm( x )  cm 
 1  g1 ( x)  b1    2  g1 ( x)  b1   ...   n  g1 ( x)  b1 

First order necessary conditions finds (x*, λ*, μ*) that solves the
above:

L(x ,  ,  )  0
* * * These conditions also referred
x to as the Kurash-Kuhn-
 Tucker (KKT) conditions
L ( x ,  , *)  0
* *



Nonnegativity * Complementarity condition:

k ( gk ( x* )  b)  0 k Inactive constraints have a
on inequality
k*  0 k zero multiplier.
multipliers. 37

An additional requirement
min f ( x ) We assume that f, h, and
s.t. h( x )  c g are continuously
differentiable.
g ( x)  b
For KKT to guarantee finding a local optimum, we need the
Kuhn-Tucker Constraint Qualification (even under convexity).
This condition imposes a certain restriction on the constraint functions .

Its purpose is to rule out certain irregularities on the boundary of the 
feasible set, that would invalidate the KKT conditions should the optimal 
solution occur there.

We will not address this idea, but know this:

If the feasible region is a convex set formed by linear
constraints only, then the constraint qualification will be met, and
the Kuhn-Tucker conditions will always hold at an optimal
solution.
38

19
 3/21/2021

Economic dispatch calculation (EDC)
Generator unit cost function:
COSTi = CiPi   aiPi   biPi  ci
2

where Power balance 
COSTi = production cost n

Pi = production power 
i 1
Pi  PD  PLOSS  Ptie  PT
(no transmission 
Unit capacity limits representation)

Pi P i Pi  P i
where:
Pi  P min  min generation level

Pi  P max  max generation level

Notation: double underline means lower bound.
39
Double overline means upper bound.

General EDC problem statement.
n Two unit system, KKT conditions:
min f ( Pi )   Ci  Pi  L C1  P1
0     1   1  0
P1 P1
i 1 L C 2  P2 
Subject to 0     2  2  0
n P2 P2
P
i 1
i  PT L

 0  P1  P2  PT  0

 h  x   c   0  1  P1  P1  0, 1  P1  P1  0

Pi  Pi   Pi   Pi  
 2  P2  P2   0,  2  P2  P2   0
 
Pi  Pi
k  0, k  1, 2

k  0, k  1, 2
Two unit system, Lagrangian function:
 
L P1, P2, , 1, 1,  2,  2  C1  P1  C2  P2 

   P1  P2  PT 

 1 P1  P1  1 P1  P1

 
  2 P2  P2   2 P2  P2
  40

20
 3/21/2021

Unit 1 Unit 2
Generation
Specifications:
Minimum Generation 200 MW 100 MW
Maximum Generation 380 MW 200 MW
Cost Curve Coefficients:
Quadratic Term 0.016 0.019
Linear Term 2.187 2.407
Constant Term 120.312 74.074

C1 (P1 )  0.016  P1  2.187  P1  120.312

2

C2 (P2 )  0.019  P2   2.407  P2   74.074

2

h(P1 , P2 )  P1  P2  400
200  P1  380  P1  380, -P1  200
100  P2  200  P2  200, -P2  100 41

LaGrangian function

L P1, P2, , 1, 1,  2,  2   0.016 P1  2.187 P1 120.312
2

 0.019 P2  2.407 P2  74.074

2

 P1  P2  400
 1P1  200  1 P1  380

  2P2 100   2 P2  200

KKT conditions

L
 0  0.032  P1  2.187    1  1  0
P1
L
 0  0.038  P2   2.407     2   2  0
P2
L
 0  P1  P2  400  0

  g  x   c   0  1 P1  200  0, 1 P1  380  0

 2   P2  100  0,  2  P2  200  0
42

21
 3/21/2021

Assume all inequality constraints are non‐binding.
This means that
i  0 and i  0  i 1, n
And KKT conditions become

0.032 P1  2.187    0

0.038P 2   2.407    0
P1  P 2  400  0
Rewrite them as: 0.032 P1  0P 2     2.187
And it is easy to see 
how to put them 
P1  0.038P2    2.407
into matrix form for 
solution in matlab.
P1  P 2  400 43

0.032 0  1  P1   2.187
 0 0.038  1   P2   2.407
     
 1 1 0      400 

Solution yields:
 P1  220.29
 P 2  179.71
   
    9.24 

44

22
 3/21/2021

What is  = $9.24/MW‐hr  ???
It is the system “incremental cost.”

It is the cost if the system provides an 
additional MW over the next hour.

It is the cost of “increasing” the RHS of the
equality constraint by 1 MW for an hour.

We can verify this.

45

Verification for meaning of lambda.

• Compute total costs/hr for Pd=400 MW

• Compute total costs/hr for Pd=401 MW
• Find the difference in total costs/hr for
the two demands.

If our interpretation of lambda is correct,

this difference should be $9.24.

46

23
 3/21/2021

Get cost/hr for each unit.
C1 P1  0.016220.29  2.187220.29  120.312
2

C1 P1  1378.53 $ / hr

C 2 P 2   0.019179.71  2.407179.71  74.074
2

C 2 P 2   1120.25 $ / hr
Total cost/hr are C1+C2
CT  C1 P1  C 2 P2  1378.53  1120.25  2498.78

47

Now solve EDC for Pd=401 MW to get P1,P2

0.032 0  1  P1  2.187

 0 0.038  1   P2   2.407
     
 1 1 0      401 

 P1  220.83
 P 2  180.17 
   
    9.25 

48

24
 3/21/2021

Get cost/hr for each unit.

C1 P1  0.016220.83  2.187220.83  120.312
2

C1 P1  1383.52 $ / hr

C 2 P 2   0.019180.17   2.407180.17   74.074
2

C 2 P 2   1124.51 $ / hr
Total cost/hr are C1+C2
CT  C1P1  C 2P2  1383.52  1124.51  2508.03

Total cost/hr changed by 2508.03‐2498.78 = 9.25 $/hr,
which is in agreement with our interpretation of lambda.

49

The λ we have computed here is the same as the LMP assuming the transmission system has 
infinite capacity (“copper plate”). Observe in the above that the LMPs are very close to the 
same. This is because it was only 9:10am and load was not yet very heavy, and so almost all 
transmission was unconstrained (looked like infinite capacity).  50

25
 3/21/2021

Interpretation of Lagrange multipliers:

The Lagrange multiplier corresponding to a 
constraint gives the change in the objective 
function for an increase in the right‐hand‐side 
of the constraint by one unit.
h(P1 , P2 )  P1  P2  400   9.24

P1  380 1  0
-P1  200 1  0
P2  200 2  0
-P2  100 2  0
51

Generation with Limited Energy 
Supply

26
 3/21/2021

Fuel Delivery Networks

Schedule oil usage so as to  not 
empty storage tank until  new 
supplies are available

Generators with hydro units on  river networks

Schedule hydro to
avoid overflow of
reservoirs

54

27
 3/21/2021

Generation With Limited Energy Supply

• Economic operation requires that fuel 
expenditure should be minimum
• Fuel supply with no limitation
• Fuel supply with limitation
– Incorporate fuel supply constraints in the 
economic dispatch
– Solve the economic dispatch by appropriate 
method 

“Take or Pay” Fuel Supply Contract

• Purchase a specific number of cubic feet of  
gas for a fix price
• Contract specifies a time period for the gas to  
be taken
• If buyer does not take all the gas purchased  
the unused gas remains with the seller.
• There is no refund for the unused gas.
• Summary: Buyer pays fixed amount for gas  
whether it uses the gas or not.

28
 3/21/2021

Take or Pay example
The T generator is supplied  
By a take‐or‐pay gas contract
Generators 1 to N do not have  
Fuel supply restrictions.

57

Problem Variables

29
 3/21/2021

Load Conversion to Discrete Hours

Basic Optimization Blocks
Determine the minimum production cost for units 1 to N 
subject to constraints that ensure that fuel consumption 
is as contracted and also subject to the set of constraints 
to ensure that power supplied is within limits each 
interval.

30
 3/21/2021

LaGrange Function

For any given time period j = k

and

 has the units $/ton or $/bbl or $/cuft and therefore serves as a fuel price

31
 3/21/2021

Example 5A

Gas contract calls for the T plant to burn 40 
million cuft of gas  Gas contract cost = 
2$/1000cuft x 40 million cuft = $ 80,000  Use 
use six 4 hour time periods for a 24 hour day

Load Profile

Time Period Load
1. 0000–0400 400 MW
2. 0400–0800 650 MW
3. 0800–1200 800 MW
4. 1200–1600 500 MW
5. 1600–2000 200 MW
6. 2000–2400 300 MW

32
 3/21/2021

Solution to Sample
Optimum Economic Schedule  
(Gas Constraints Ignored) Optimal Schedule (Gas Constraints Met)

Time Period Ps PT Time Period Ps PT

1 350 50 1 197.3 202.6
2 500 150 2 353.2 296.8
3 500 300 3 446.7 353.3
4 450 50 4 259.7 240.3
5 150 50 5 72.6 127.4
6 250 50 6 135.0 165.0

Uses 21.8 million 
cuft of gas

Generators with hydro units on  river networks

Schedule hydro to
avoid overflow of
reservoirs

66

33
 3/21/2021

Hydroplant Components.

Incremental water rate versus 
power output

34
 3/21/2021

Basic Hydro – Thermal Problem

Hydro Scheduling Problem
max

• The hydroplant can supply the load by itself 
for a limited time.

• The energy available from the hydroplant is 
insufficient to meet the load:

35
 3/21/2021

Problem Statement

• Use up the entire amount of energy from 
the hydroplant in such a way that the cost of 
running the steam plant is minimized. 
• The steam‐plant energy required is

• The steam unit is not required to run for the 
entire interval of Tmax hours. Therefore,

Scheduling Problem

36
 3/21/2021

• This means that the steam plant should be run 
at constant incremental cost for the entire 
period it is on. 
• Let this optimum value of steam‐generated 
power be 𝑃∗ for all time intervals the steam 
unit is on.
• The total cost over the interval is

Where

37
3/21/2021

38
 3/21/2021

Example 5D Part 2:
Instead of specifying the energy limit on the 
steam plant, let the limit be on the volume of 
water that can be drawn from the hydroplants’ 
reservoir in 1 week. Suppose the maximum 
drawdown is 250,000 AF, how long should the 
steam unit run?

39
 3/21/2021

THE HYDROTHERMAL 
SCHEDULING PROBLEM

40
 3/21/2021

The Lagrange function is

and for a specific interval j = k,
gives

And   gives 

41
 3/21/2021

The Lagrange function with 
network loss
• At each hour

• Lagrange function

• Equations for hour k

42
 3/21/2021

Hydraulically Coupled 
Hydroelectric Plants

Pump Storage Hydro Plant

43
 3/21/2021

Pump Storage Hydro Plant

Pump Storage Hydro Plant

44
 3/21/2021

Pumped‐Storage Hydroplants
• Pumped‐storage hydroplants serve the peak 
load with hydro‐energy and then pumping the 
water back up into the reservoir at light load 
periods.

45
 3/21/2021

Pumped‐Storage Hydro‐
Scheduling with a λ‐γ Iteration
Assumptions
 Constant head hydro‐operation.
 An equivalent steam unit with convex input–output curve.
 A 24‐h operating schedule, each time intervals equals 1 h.
 In any one interval, the plant is either pumping or 
generating or idle (idle will be considered as just a limiting 
case of pumping or generating).
 Beginning and ending storage reservoir volumes are 
specified.
 Pumping can be done continuously over the range of 
pump capability.
 Pump and generating ratings are the same.
 There is a constant cycle efficiency.

Pump Storage Hydro Plant

46
3/21/2021

47
 3/21/2021

• The total Lagrange function is

48