风电储能电力市场论文范文

本站小编为你精心准备了风电储能电力市场论文参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1基于多的多方电力市场电价联动博弈模型

1.1基于多的电力市场联动博弈方式未来电力市场将包含诸如传统发电、供电、用户、储能及风电等多个参与方[12]。在此基础上，建立了如图1所示的基于多的电力市场电价联动博弈模型。本文首先将参与电力市场的各参与方视作具有自治和交互能力的个体，并组成多系统，博弈信息传递过程如图1所示，其中模式1和模式2不同时存在。然后，将各方利润模型和交互方式与多模型结合，对电力市场联动博弈过程进行推演。2种模式下各方交互和博弈的基本思想与目标如下：1）传统发电商(Agent_g1/g2/g3)。根据历史投标策略和来自供电商Agent_dis的发电量信息，结合自身发电成本，调整电价投标策略，以获得更高利润。目前世界上投入运行的电力市场竞价机制主要有统一市场出清价格(marketclearingprice，MCP)机制和按报价支付(payasbid，PAB)机制2种[20]，本文假设结算方式为PAB方式。2）供电商(Agent_dis)。Agent_dis根据净负荷状态以及Agent_g1/g2/g3的报价信息，以最小购电成本为目标，制定24h各发电商的发电计划，并根据销售收益和购电成本，决策24h销售电价。3）用户(Agent_c)。Agent_c在获得Agent_dis制定的销售电价基础上，以自身用电效益最大为目标，安排其用电行为，并将用电计划报送Agent_dis。4）风电商(Agent_w)。Agent_w在获取Agent_dis所发送的销售电价和最低发电商报价后，制定发电量投标计划。通过基于场景技术的最佳风电投标电量决策模型，选择最佳的投标策略。5）储能系统(Agent_ess)。Agent_ess在获取Agent_dis的销售电价信息后，在满足设备运行约束条件基础上，以自身利润最大化为目标制定充放电计划，并反馈至Agent_dis。6）风储联营体(Agent_w_ess)。Agent_w_ess是风电与储能服务商联合后的个体。Agent_w_ess获取Agent_dis的销售电价和发电商最低报价后，在满足风电和储能技术约束条件下，以联营体综合利润最大为目标，制定联营体内部交互和外部充放电计划，该计划同样需要考虑风电的随机性。除博弈初始的第1轮以外，各方均按照上述过程进行互动。在博弈开始的第1轮，传统发电商竞标价格和供电商销售电价均按照历史数据形成初始价格。

1.2Roth-Erev强化学习算法Roth-Erev(RE)强化学习算法是一种基于动物学习和条件反射原理的一种机器学习算法。学习的个体通过采取动作并获取外部环境给与的反馈，得到经验并形成记忆，重复上述过程最终选取合适的策略[21]。在本文多模型中，传统发电商及供电商是制定上网电价和销售电价的博弈方，每种价格策略下的利润无法直接获取，因此，这2种中加入了上述RE强化学习算法，其中发电商和供电商策略集合由一定范围内的上网电价和销售电价组成，对应策略利润为中标发电和销售电能产生的利润。

2多方联动博弈模型

2.1传统发电商竞价博弈模型传统发电商采用3段阶梯式报价，报价曲线如文献[21]中图2-7所示。根据对投标风险的不同态度，将其分为保守、中庸和激进3种类型[21]。其中，保守型发电商报价时将分段函数中最大容量的报价报为最低，用以规避不中标的风险；中庸型居中，以取得合理利润；激进型最高，用以投机获得高额利润。在某种中标状态下，某个传统发电商最终的结算价格。

2.2供电商博弈模型供电商的博弈模型分为调度决策和销售电价决策两大部分，其中调度决策部分与传统调度问题一致，即在保证系统运行安全的状态下获取成本最低的发电计划，销售电价决策需要结合购电成本和电能销售收益，采用1.2节所述学习算法，决策24h的销售电价，以获得更高的利润。供电商的目标函数及调度过程中需满足约束。

2.3用户最佳用电计划模型用户根据最新24h制销售电价，以自身用电效益最大为目标优化24h用电计划。用户在i时段不同用电量下效用函数Bi可表述为如下二次形式。

2.4基于场景的风电利润模型风电具有不确定性，其实际出力可能大于或小于投标出力，将导致系统的供需不平衡，从而引起市场交易成本的升高。因此，需要制定一定的惩罚措施以引导风电选择合理投标发电量。考虑风电实际出力与投标电量的关系，制定如下2条措施：1）当实际出力大于投标量时，禁止风电商直接将该部分风能输入电网。2）当实际出力小于竞标出力时，风电商需要支付一定惩罚来弥补供需不平衡所导致的损失。参考文献[5]中丹麦风电上网机制中风电优先上网的方式，但上网电价按照发电商最低报价结算。

2.5储能服务商利润模型储能服务商根据销售电价，以自身利润最大化为目标，优化其充放电策略，其目标函数。

2.6风电-储能联营模式下的利润模型在风电与储能联营模式下，风电与储能服务商能够整体协调投标时段和充放电计划，提高其参与市场的灵活度。联营模式下仍需考虑风电不确定性带来的损失。风电-储能联营模式的目标函数。

3算例与分析

3.1算例概述Java语言具有面向对象的特点，适用于建立具有并行过程及复杂信息传递等特性的模型。因此，本文在基于Java语言的独立开发平台Netbeans上建立由上述各方利润模型所组成的电力市场联动博弈模型。同时，模型中还包括各参与方信息传递形式和博弈过程的各项基本规则，以保证博弈过程有序进行且可控。传统发电商与供电商的电价制定采用RE强化学习算法，供电商调度模型调用商业规划软件Lingo进行求解。其中，传统发电商为3个，依次为保守、中庸和激进型，其基本参数见表1，其中a、b、c分别为发电成本二次函数的二次项系数、一次项系数和常数项，Qmin、Q2、Q3、Qmax的单位为MW；储能系统额定功率为100MW，额定容量为600MWh，充放电效率系数分别为0.9和1.1；发电商RE强化学习算法遗忘系数、经验参数及倾向系数Q的初始值分别为0.03、0.97、5000；供电商RE强化学习算法遗忘系数、经验参数及倾向系数Q的初始值分别为0.021、0.979、6000；负荷侧24h弹性系数、基准电价及负荷如附录中的表1所示。本文采用IEEE30系统对上述模型进行测试，网络拓扑见附录中的图1。G1、G2、G3分别表示发电商1、2、3，风电商和储能服务商均在节点1接入，负荷均匀分布在其余节点之上。为了对比独立与联合运营模式的差异，本文采取如下2种模式进行对比分析。另外，为考察网络约束的影响，对模式2下计及网络约束前后结果进行对比分析。模式1：风电与储能服务商独立运营，参与方式如2.4和2.5所述。模式2：风电与储能服务商联合运营，参与方式如2.6所述。由于强化学习是一种概率性的算法，在学习过程中存在一定的随机性，因此，对2种模式及模式2不计及网络约束情况均进行10盘博弈仿真，每盘1500轮。各方最终利润情况分别如表2、3、4所示。模式2第1盘中发电商及供电商博弈过程如图2所示，其中G1、G2、G3分别表示发电商1、2和3。模式2发电商和供电商在博弈过程中利润的方差如表5所示。从图2中发电商与供电商的博弈过程以及表5可以看出，在博弈初期，发电商和供电商的策略选择概率分布较为均匀，各发电商决策随机性较大，利润方差较大；在博弈中期，由于使其利润最大化的某策略被选择的概率越来越大，利润的方差变小；在博弈后期，利润的方差均接近于0，也就是说传统发电商和供电商均在RE学习算法的引导下，选择了较为合理的上网电价和销售电价策略，达到均衡状态。

3.2模式1与模式2结果对比分析表2、3分别为模式1和模式2仿真结果。从表2、3中可以发现，各方利润在一定程度上呈现“小幅随机波动，整体趋势稳定”的特点。这是由于本文的模型为不完全信息博弈模型，各发电商不能得知除自身的被调度量以外的其他任何信息，并且RE强化学习在每一轮决策过程中具有一定的随机性。因此，最终结果也呈现出一定程度的随机性。进一步观察表2、3中的结果可以发现，3个传统发电商的利润大小存在一定的规律性，从平均利润来看，发电商2最高，发电商1居中，发电商3最低。这是由于发电商2采取中庸型策略，在负荷处于中等水平的情况下，其余2个发电商第2段电量不足以提供足够的电能，因此，发电商2的最大容量段被调度的几率较高，产生了较高利润；而本文的高峰时段的负荷大多集中在2500~2800MW之间，在这个区间，发电商3的最大容量段被调度的几率很小，而其余容量段较小，进而导致激进型的发电商利润较低。同时，对比表2、3中风电商和储能服务商联营前后的利润可见，风电商和储能服务商联营后总利润相对于独立模式提高20.9%。说明了风电商与储能服务商联合运营能够通过合理调整风电的利用方式，提高两者的总利润。风电商在模式1与2第1盘中的投标量、储能充放电对比及联合运营体电能交换情况见图3—5，图4中负值表示充电，反之为放电。从图3、4中可见，储能系统充电与放电时段大致相同，模式2由于能直接获取风能，在成本上具有一定优势，因此电能交互更加活跃。从图3和图4中风电投标量变化及储能系统充入风电的情况可见，联营体选择将1、3—7以及9—10等时段的风能进行存储并转移至12—15及18—20等时段上网，说明联营模型能够选择性地将部分时段的电能转移至能够获取更高利润的时段上网，证明了模型的有效性。但与此同时，由于储能系统功率及容量有一定的限制，上述时段中风能并未全部得到转移。

3.3模式2计及网络约束前后结果对比分析表4为模式2不计及网络约束的博弈仿真结果，结合表2、3的结果可看出，在本文的负荷需求环境下，采用中庸型策略的发电商能够获得更多利润。同时，网络约束的加入改变了各发电商的利润，说明网络约束对发电商的利润有一定的影响。图6(a)(b)分别为模式2在计及网络约束前后的第1盘仿真后，支路2-4、2-6的功率对比图。观察该图可知，考虑网络约束后，支路2-4和2-6的功率在负荷较大时段接近于支路传输功率上限；不考虑网络约束时，支路2-4和2-6的功率在负荷较大时段大于支路传输功率上限。同时，结合表3和表4中传统发电商利润变化情况可见，考虑网络约束后，发电商1的利润较未考虑网络约束时高，而发电商2和3的利润均较未考虑网络约束时低。综合表3、4和图6可见，考虑网络约束时，支路传输功率受到限制，进而发电商出力的组合形式发生改变，最终显著改变了各传统发电商的利润，进一步说明发电商利润受到网络约束的影响。

4结论

本文建立了含传统发电商、风电商、供电商、储能服务商和用户的电价联动博弈模型，该模型中，针对风电商和储能服务商设计了独立和联营2种运营模式。在分析了2种模式下各方利润及联营模式下网络约束带来的影响后，得出以下结论：1）电力市场各参与方能够在本文所提博弈模型和规则下，采取有效的博弈策略并获得合理的利润，验证了本文模型的有效性。2）风电商能够在考虑不确定性带来的投标风险基础上，制定合理的发电量投标策略，获取相应的利润；联合运营模式能够提高两者总利润，在本文的电力市场环境下，联营后总利润提高20.9%。3）在总发电能力明显高于负荷需求的市场环境中，传统发电商采用中庸型竞标策略较为适用，但也受到网络约束的影响，因此发电商在实际电力市场博弈中采取何种策略需要根据具体负荷、网架等因素综合确定。

作者：李丹刘俊勇刘友波戴松灵江润洲单位：四川大学电气信息学院国网四川省电力公司电力经济技术研究院