風電儲能電力市場論文范文

本站小編為你精心準備了風電儲能電力市場論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1基于多的多方電力市場電價聯動博弈模型

1.1基于多的電力市場聯動博弈方式未來電力市場將包含諸如傳統發電、供電、用戶、儲能及風電等多個參與方[12]。在此基礎上，建立了如圖1所示的基于多的電力市場電價聯動博弈模型。本文首先將參與電力市場的各參與方視作具有自治和交互能力的個體，并組成多系統，博弈信息傳遞過程如圖1所示，其中模式1和模式2不同時存在。然后，將各方利潤模型和交互方式與多模型結合，對電力市場聯動博弈過程進行推演。2種模式下各方交互和博弈的基本思想與目標如下：1）傳統發電商(Agent_g1/g2/g3)。根據歷史投標策略和來自供電商Agent_dis的發電量信息，結合自身發電成本，調整電價投標策略，以獲得更高利潤。目前世界上投入運行的電力市場競價機制主要有統一市場出清價格(marketclearingprice，MCP)機制和按報價支付(payasbid，PAB)機制2種[20]，本文假設結算方式為PAB方式。2）供電商(Agent_dis)。Agent_dis根據凈負荷狀態以及Agent_g1/g2/g3的報價信息，以最小購電成本為目標，制定24h各發電商的發電計劃，并根據銷售收益和購電成本，決策24h銷售電價。3）用戶(Agent_c)。Agent_c在獲得Agent_dis制定的銷售電價基礎上，以自身用電效益最大為目標，安排其用電行為，并將用電計劃報送Agent_dis。4）風電商(Agent_w)。Agent_w在獲取Agent_dis所發送的銷售電價和最低發電商報價后，制定發電量投標計劃。通過基于場景技術的最佳風電投標電量決策模型，選擇最佳的投標策略。5）儲能系統(Agent_ess)。Agent_ess在獲取Agent_dis的銷售電價信息后，在滿足設備運行約束條件基礎上，以自身利潤最大化為目標制定充放電計劃，并反饋至Agent_dis。6）風儲聯營體(Agent_w_ess)。Agent_w_ess是風電與儲能服務商聯合后的個體。Agent_w_ess獲取Agent_dis的銷售電價和發電商最低報價后，在滿足風電和儲能技術約束條件下，以聯營體綜合利潤最大為目標，制定聯營體內部交互和外部充放電計劃，該計劃同樣需要考慮風電的隨機性。除博弈初始的第1輪以外，各方均按照上述過程進行互動。在博弈開始的第1輪，傳統發電商競標價格和供電商銷售電價均按照歷史數據形成初始價格。

1.2Roth-Erev強化學習算法Roth-Erev(RE)強化學習算法是一種基于動物學習和條件反射原理的一種機器學習算法。學習的個體通過采取動作并獲取外部環境給與的反饋，得到經驗并形成記憶，重復上述過程最終選取合適的策略[21]。在本文多模型中，傳統發電商及供電商是制定上網電價和銷售電價的博弈方，每種價格策略下的利潤無法直接獲取，因此，這2種中加入了上述RE強化學習算法，其中發電商和供電商策略集合由一定范圍內的上網電價和銷售電價組成，對應策略利潤為中標發電和銷售電能產生的利潤。

2多方聯動博弈模型

2.1傳統發電商競價博弈模型傳統發電商采用3段階梯式報價，報價曲線如文獻[21]中圖2-7所示。根據對投標風險的不同態度，將其分為保守、中庸和激進3種類型[21]。其中，保守型發電商報價時將分段函數中最大容量的報價報為最低，用以規避不中標的風險；中庸型居中，以取得合理利潤；激進型最高，用以投機獲得高額利潤。在某種中標狀態下，某個傳統發電商最終的結算價格。

2.2供電商博弈模型供電商的博弈模型分為調度決策和銷售電價決策兩大部分，其中調度決策部分與傳統調度問題一致，即在保證系統運行安全的狀態下獲取成本最低的發電計劃，銷售電價決策需要結合購電成本和電能銷售收益，采用1.2節所述學習算法，決策24h的銷售電價，以獲得更高的利潤。供電商的目標函數及調度過程中需滿足約束。

2.3用戶最佳用電計劃模型用戶根據最新24h制銷售電價，以自身用電效益最大為目標優化24h用電計劃。用戶在i時段不同用電量下效用函數Bi可表述為如下二次形式。

2.4基于場景的風電利潤模型風電具有不確定性，其實際出力可能大于或小于投標出力，將導致系統的供需不平衡，從而引起市場交易成本的升高。因此，需要制定一定的懲罰措施以引導風電選擇合理投標發電量?？紤]風電實際出力與投標電量的關系，制定如下2條措施：1）當實際出力大于投標量時，禁止風電商直接將該部分風能輸入電網。2）當實際出力小于競標出力時，風電商需要支付一定懲罰來彌補供需不平衡所導致的損失。參考文獻[5]中丹麥風電上網機制中風電優先上網的方式，但上網電價按照發電商最低報價結算。

2.5儲能服務商利潤模型儲能服務商根據銷售電價，以自身利潤最大化為目標，優化其充放電策略，其目標函數。

2.6風電-儲能聯營模式下的利潤模型在風電與儲能聯營模式下，風電與儲能服務商能夠整體協調投標時段和充放電計劃，提高其參與市場的靈活度。聯營模式下仍需考慮風電不確定性帶來的損失。風電-儲能聯營模式的目標函數。

3算例與分析

3.1算例概述Java語言具有面向對象的特點，適用于建立具有并行過程及復雜信息傳遞等特性的模型。因此，本文在基于Java語言的獨立開發平臺Netbeans上建立由上述各方利潤模型所組成的電力市場聯動博弈模型。同時，模型中還包括各參與方信息傳遞形式和博弈過程的各項基本規則，以保證博弈過程有序進行且可控。傳統發電商與供電商的電價制定采用RE強化學習算法，供電商調度模型調用商業規劃軟件Lingo進行求解。其中，傳統發電商為3個，依次為保守、中庸和激進型，其基本參數見表1，其中a、b、c分別為發電成本二次函數的二次項系數、一次項系數和常數項，Qmin、Q2、Q3、Qmax的單位為MW；儲能系統額定功率為100MW，額定容量為600MWh，充放電效率系數分別為0.9和1.1；發電商RE強化學習算法遺忘系數、經驗參數及傾向系數Q的初始值分別為0.03、0.97、5000；供電商RE強化學習算法遺忘系數、經驗參數及傾向系數Q的初始值分別為0.021、0.979、6000；負荷側24h彈性系數、基準電價及負荷如附錄中的表1所示。本文采用IEEE30系統對上述模型進行測試，網絡拓撲見附錄中的圖1。G1、G2、G3分別表示發電商1、2、3，風電商和儲能服務商均在節點1接入，負荷均勻分布在其余節點之上。為了對比獨立與聯合運營模式的差異，本文采取如下2種模式進行對比分析。另外，為考察網絡約束的影響，對模式2下計及網絡約束前后結果進行對比分析。模式1：風電與儲能服務商獨立運營，參與方式如2.4和2.5所述。模式2：風電與儲能服務商聯合運營，參與方式如2.6所述。由于強化學習是一種概率性的算法，在學習過程中存在一定的隨機性，因此，對2種模式及模式2不計及網絡約束情況均進行10盤博弈仿真，每盤1500輪。各方最終利潤情況分別如表2、3、4所示。模式2第1盤中發電商及供電商博弈過程如圖2所示，其中G1、G2、G3分別表示發電商1、2和3。模式2發電商和供電商在博弈過程中利潤的方差如表5所示。從圖2中發電商與供電商的博弈過程以及表5可以看出，在博弈初期，發電商和供電商的策略選擇概率分布較為均勻，各發電商決策隨機性較大，利潤方差較大；在博弈中期，由于使其利潤最大化的某策略被選擇的概率越來越大，利潤的方差變?。辉诓┺暮笃?，利潤的方差均接近于0，也就是說傳統發電商和供電商均在RE學習算法的引導下，選擇了較為合理的上網電價和銷售電價策略，達到均衡狀態。

3.2模式1與模式2結果對比分析表2、3分別為模式1和模式2仿真結果。從表2、3中可以發現，各方利潤在一定程度上呈現“小幅隨機波動，整體趨勢穩定”的特點。這是由于本文的模型為不完全信息博弈模型，各發電商不能得知除自身的被調度量以外的其他任何信息，并且RE強化學習在每一輪決策過程中具有一定的隨機性。因此，最終結果也呈現出一定程度的隨機性。進一步觀察表2、3中的結果可以發現，3個傳統發電商的利潤大小存在一定的規律性，從平均利潤來看，發電商2最高，發電商1居中，發電商3最低。這是由于發電商2采取中庸型策略，在負荷處于中等水平的情況下，其余2個發電商第2段電量不足以提供足夠的電能，因此，發電商2的最大容量段被調度的幾率較高，產生了較高利潤；而本文的高峰時段的負荷大多集中在2500~2800MW之間，在這個區間，發電商3的最大容量段被調度的幾率很小，而其余容量段較小，進而導致激進型的發電商利潤較低。同時，對比表2、3中風電商和儲能服務商聯營前后的利潤可見，風電商和儲能服務商聯營后總利潤相對于獨立模式提高20.9%。說明了風電商與儲能服務商聯合運營能夠通過合理調整風電的利用方式，提高兩者的總利潤。風電商在模式1與2第1盤中的投標量、儲能充放電對比及聯合運營體電能交換情況見圖3—5，圖4中負值表示充電，反之為放電。從圖3、4中可見，儲能系統充電與放電時段大致相同，模式2由于能直接獲取風能，在成本上具有一定優勢，因此電能交互更加活躍。從圖3和圖4中風電投標量變化及儲能系統充入風電的情況可見，聯營體選擇將1、3—7以及9—10等時段的風能進行存儲并轉移至12—15及18—20等時段上網，說明聯營模型能夠選擇性地將部分時段的電能轉移至能夠獲取更高利潤的時段上網，證明了模型的有效性。但與此同時，由于儲能系統功率及容量有一定的限制，上述時段中風能并未全部得到轉移。

3.3模式2計及網絡約束前后結果對比分析表4為模式2不計及網絡約束的博弈仿真結果，結合表2、3的結果可看出，在本文的負荷需求環境下，采用中庸型策略的發電商能夠獲得更多利潤。同時，網絡約束的加入改變了各發電商的利潤，說明網絡約束對發電商的利潤有一定的影響。圖6(a)(b)分別為模式2在計及網絡約束前后的第1盤仿真后，支路2-4、2-6的功率對比圖。觀察該圖可知，考慮網絡約束后，支路2-4和2-6的功率在負荷較大時段接近于支路傳輸功率上限；不考慮網絡約束時，支路2-4和2-6的功率在負荷較大時段大于支路傳輸功率上限。同時，結合表3和表4中傳統發電商利潤變化情況可見，考慮網絡約束后，發電商1的利潤較未考慮網絡約束時高，而發電商2和3的利潤均較未考慮網絡約束時低。綜合表3、4和圖6可見，考慮網絡約束時，支路傳輸功率受到限制，進而發電商出力的組合形式發生改變，最終顯著改變了各傳統發電商的利潤，進一步說明發電商利潤受到網絡約束的影響。

4結論

本文建立了含傳統發電商、風電商、供電商、儲能服務商和用戶的電價聯動博弈模型，該模型中，針對風電商和儲能服務商設計了獨立和聯營2種運營模式。在分析了2種模式下各方利潤及聯營模式下網絡約束帶來的影響后，得出以下結論：1）電力市場各參與方能夠在本文所提博弈模型和規則下，采取有效的博弈策略并獲得合理的利潤，驗證了本文模型的有效性。2）風電商能夠在考慮不確定性帶來的投標風險基礎上，制定合理的發電量投標策略，獲取相應的利潤；聯合運營模式能夠提高兩者總利潤，在本文的電力市場環境下，聯營后總利潤提高20.9%。3）在總發電能力明顯高于負荷需求的市場環境中，傳統發電商采用中庸型競標策略較為適用，但也受到網絡約束的影響，因此發電商在實際電力市場博弈中采取何種策略需要根據具體負荷、網架等因素綜合確定。

作者：李丹劉俊勇劉友波戴松靈江潤洲單位：四川大學電氣信息學院國網四川省電力公司電力經濟技術研究院