一種電力市場(chǎng)環(huán)境下的電源規(guī)劃多智能體模型

黃 仙，郭 睿

?

一種電力市場(chǎng)環(huán)境下的電源規(guī)劃多智能體模型

黃 仙，郭 睿

(華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，北京 102206)

電源規(guī)劃一直是電力系統(tǒng)中重要問(wèn)題之一。在電力市場(chǎng)環(huán)境下，這一問(wèn)題更加復(fù)雜、迫切。針對(duì)這一問(wèn)題，基于多智能體技術(shù)，提出了電力市場(chǎng)環(huán)境下發(fā)電集團(tuán)電源投資規(guī)劃模型。首先，構(gòu)建了一個(gè)電力市場(chǎng)發(fā)電側(cè)的雙層優(yōu)化架構(gòu)，以實(shí)現(xiàn)市場(chǎng)競(jìng)價(jià)問(wèn)題與電源規(guī)劃問(wèn)題相結(jié)合。其次，設(shè)計(jì)了發(fā)電集團(tuán)、發(fā)電市場(chǎng)以及發(fā)電廠等智能體，并引入遺傳算法、Q-learning算法完善各智能體尋優(yōu)能力。通過(guò)算例驗(yàn)證了所建立的模型是可行的、有效的，可為電站建設(shè)決策部門(mén)提供有價(jià)值的參考。

可再生能源；電源規(guī)劃；電力市場(chǎng)；多智能體；遺傳算法

0 引言

在傳統(tǒng)電力工業(yè)中，電源規(guī)劃的主要目的是根據(jù)某一時(shí)期的負(fù)荷需求預(yù)測(cè)，在滿足一定的可靠性水平條件下，尋求一個(gè)最經(jīng)濟(jì)適用的電源開(kāi)發(fā)方案[1]。它主要確定何時(shí)何地建何種類型多大容量發(fā)電廠或發(fā)電機(jī)組。隨著電力市場(chǎng)機(jī)制改革的深入，電力市場(chǎng)逐步放開(kāi)，電力系統(tǒng)電源規(guī)劃顯得更加重要。電力市場(chǎng)機(jī)制的改革改變了原有以總成本最小為目標(biāo)的集中電源規(guī)劃的范例[2]。電源規(guī)劃不再是政府部門(mén)的單一問(wèn)題，也是電力公司需要研究的問(wèn)題。

國(guó)內(nèi)外學(xué)者對(duì)電源規(guī)劃進(jìn)行多方面的研究。傳統(tǒng)的電源規(guī)劃主要是將整個(gè)電力系統(tǒng)或發(fā)電側(cè)系統(tǒng)看作一個(gè)整體，以整個(gè)系統(tǒng)的成本最小化或者收最大化作為優(yōu)化目標(biāo)[3-8]，綜合考慮其他因素，如供電可靠性，環(huán)境成本等。與傳統(tǒng)體制電源規(guī)劃相比，電力市場(chǎng)環(huán)境下的發(fā)電投資決策目標(biāo)由原來(lái)的考慮整個(gè)系統(tǒng)成本最小變?yōu)橥顿Y者自身投資收益最大化[9-10]。國(guó)內(nèi)外研究者將博弈論[11-12]，多智能體技術(shù)[13-16]應(yīng)用于電力市場(chǎng)環(huán)境下的發(fā)電投資規(guī)劃問(wèn)題，形成了一些新的電源規(guī)劃模型。文獻(xiàn)[11]以非合作博弈論和實(shí)物期權(quán)理論為基礎(chǔ)，構(gòu)造了發(fā)電投資規(guī)劃的延遲期權(quán)博弈模型。文獻(xiàn)[13]利用多智能體技術(shù)提出一個(gè)分散的電力公司投資規(guī)劃模型，利用概率統(tǒng)計(jì)和方案樹(shù)分析了競(jìng)爭(zhēng)對(duì)手的不確定性。文獻(xiàn)[14-15]將多智能體技術(shù)應(yīng)用于經(jīng)濟(jì)-電力動(dòng)態(tài)模擬系統(tǒng)的構(gòu)建中，通過(guò)智能體之間的協(xié)作、交互模擬經(jīng)濟(jì)個(gè)體行為，研究政策對(duì)經(jīng)濟(jì)和電力需求的影響。文獻(xiàn)[16]考慮供需雙方的動(dòng)態(tài)交互影響，提出一個(gè)雙邊多智能體模型，運(yùn)用博弈論、粒子群混合算法進(jìn)行求解，并與傳統(tǒng)單一博弈論方法進(jìn)行比較。

以上文獻(xiàn)對(duì)電源規(guī)劃問(wèn)題進(jìn)行了較多方面的研究，但大多數(shù)對(duì)于電價(jià)的確定較為簡(jiǎn)單，缺乏自由市場(chǎng)競(jìng)爭(zhēng)和市場(chǎng)機(jī)制的體現(xiàn)，且對(duì)可再生能源這種較新能源技術(shù)的未來(lái)成本變化因素考慮的不夠全面。

基于以上分析，本文將利用多智能體技術(shù)建立發(fā)電集團(tuán)、發(fā)電廠和發(fā)電市場(chǎng)智能體(Agent)，將可再生能源發(fā)電技術(shù)引入備選電源技術(shù)中，考慮電力市場(chǎng)中市場(chǎng)競(jìng)爭(zhēng)機(jī)制和成本變化等因素，建立以發(fā)電集團(tuán)規(guī)劃期內(nèi)投資收益最大為目標(biāo)的電源規(guī)化。劃模型。最后，通過(guò)算例分析，驗(yàn)證所提出的模型和方法的可行性和有效性。

1 電源投資規(guī)劃的多智能體模型

1.1 總體模型框架

解決電源投資規(guī)劃問(wèn)題，本文考慮雙層框架結(jié)構(gòu)，如圖1所示。一層是發(fā)電集團(tuán)Agent電源規(guī)劃；另一層是發(fā)電市場(chǎng)Agent仿真電力市場(chǎng)及調(diào)控。其中，發(fā)電集團(tuán)Agent有各自下屬的發(fā)電廠Agent。各類別Agent有其各自規(guī)則庫(kù)和知識(shí)庫(kù)，其職能也各不相同。發(fā)電集團(tuán)Agent負(fù)責(zé)根據(jù)自身?xiàng)l件和外部環(huán)境因素制定利益最大化的電源投資規(guī)劃，控制下屬發(fā)電廠Agent建立的時(shí)間，類別和數(shù)量。發(fā)電廠Agent依據(jù)競(jìng)價(jià)策略參與電力市場(chǎng)競(jìng)爭(zhēng)，獲得收益并將返還給發(fā)電集團(tuán)。發(fā)電市場(chǎng)Agent有三個(gè)作用：(1)對(duì)發(fā)電集團(tuán)Agent的電源規(guī)劃進(jìn)行調(diào)控；(2)對(duì)各類型投資成本做出相應(yīng)調(diào)整；(3)對(duì)電力市場(chǎng)進(jìn)行仿真，利用市場(chǎng)機(jī)制協(xié)調(diào)發(fā)電廠Agent的競(jìng)價(jià)上網(wǎng)行為。這個(gè)雙層三類Agent的模型，充分體現(xiàn)了市場(chǎng)競(jìng)爭(zhēng)以及各Agent之間的相互影響。

圖1 模型架構(gòu)

1.2 發(fā)電集團(tuán)Agent

發(fā)電集團(tuán)Agent的功能是根據(jù)自身?xiàng)l件和外部環(huán)境因素來(lái)制定自身利益最大化的電源投資規(guī)劃。

在市場(chǎng)環(huán)境中，每個(gè)發(fā)電集團(tuán)Agent都以整個(gè)規(guī)劃周期內(nèi)期望收益最大化為目標(biāo)，同時(shí)各發(fā)電集團(tuán)Agent要共同保證整個(gè)電力系統(tǒng)的安全運(yùn)行。發(fā)電集團(tuán)Agent的目標(biāo)函數(shù)為

(2)

(3)

s.t.(5)

(6)

目標(biāo)函數(shù)式(1)是關(guān)于發(fā)電集團(tuán)Agent 的整個(gè)規(guī)劃周期內(nèi)期望收益最大的函數(shù)，它主要包含三個(gè)部分：售電收益函數(shù)式(2)，即發(fā)電廠的上網(wǎng)電價(jià)和上網(wǎng)電量均是參與市場(chǎng)競(jìng)爭(zhēng)后由市場(chǎng)給出的；運(yùn)行成本函數(shù)式(3)，包含了發(fā)電集團(tuán)下屬各發(fā)電廠在整個(gè)規(guī)劃期內(nèi)的維護(hù)費(fèi)用，燃料費(fèi)用，財(cái)務(wù)費(fèi)用以及政府補(bǔ)貼；投資成本函數(shù)式(4)，即發(fā)電集團(tuán)在規(guī)劃期內(nèi)投資到各類型發(fā)電廠的自有資金費(fèi)用。

裝機(jī)數(shù)目約束函數(shù)式(5)主要表示每個(gè)規(guī)劃年各發(fā)電技術(shù)的裝機(jī)容量的限制。

投資約束函數(shù)式(6)主要表示發(fā)電集團(tuán)規(guī)劃期內(nèi)新增發(fā)電廠的自有投資金額不應(yīng)多于其相應(yīng)規(guī)劃年限內(nèi)的自有資金。

發(fā)電集團(tuán)Agent的尋優(yōu)算法為遺傳算法。

1.3 發(fā)電市場(chǎng)Agent

發(fā)電市場(chǎng)Agent為發(fā)電廠Agent提供了一個(gè)與電力市場(chǎng)相仿的交互環(huán)境。它統(tǒng)計(jì)電能的供需情況，計(jì)算電價(jià)，并將電價(jià)反饋給發(fā)電廠Agent，電價(jià)的形成機(jī)制采用MCP(市場(chǎng)清除價(jià))機(jī)制：發(fā)電市場(chǎng)Agent在接收到各發(fā)電廠Agent的競(jìng)價(jià)標(biāo)書(shū)后，以購(gòu)電費(fèi)用最小為目標(biāo)，依據(jù)發(fā)電廠Agent報(bào)價(jià)從低到高依次分配電量，最后一個(gè)滿足市場(chǎng)需求的發(fā)電廠Agent的電價(jià)即為市場(chǎng)電價(jià)，流程如圖2所示。整個(gè)競(jìng)價(jià)過(guò)程規(guī)劃在年初進(jìn)行，通過(guò)多輪競(jìng)價(jià)得出全年的市場(chǎng)電價(jià)以及各個(gè)發(fā)電廠的上網(wǎng)電量。

圖2中：Bq()為發(fā)電廠的年的投標(biāo)發(fā)電量；Load為年的負(fù)荷電量需求；sum為整個(gè)系統(tǒng)中運(yùn)行發(fā)電廠數(shù)目的總和。

為保證電力系統(tǒng)供電可靠性，發(fā)電市場(chǎng)Agent有權(quán)對(duì)發(fā)電集團(tuán)Agent的電源投資規(guī)劃進(jìn)行調(diào)控。本文采用備用容量作為發(fā)電市場(chǎng)Agent調(diào)控的指標(biāo)[17]，公式為

發(fā)電技術(shù)中，火電、水電、核電的電力供應(yīng)較為穩(wěn)定，且電能質(zhì)量較高，而風(fēng)電和光伏發(fā)電的電力供應(yīng)波動(dòng)較大，電能質(zhì)量較差。為了保證系統(tǒng)處于最大負(fù)荷階段時(shí)，電力供應(yīng)的可靠性，因此在計(jì)算累計(jì)裝機(jī)容量時(shí)，火電和核電的為1，水電的為0.3，風(fēng)電和光伏發(fā)電的為0。當(dāng)系統(tǒng)中的備用容量系數(shù)低于一定值時(shí)，發(fā)電市場(chǎng)Agent進(jìn)行調(diào)控，隨機(jī)選擇一個(gè)發(fā)電集團(tuán)，減少其在可再生電源的投資建設(shè)，增加其在火電方面的投資建設(shè)。本文規(guī)定備用容量系數(shù)不得低于10%。

發(fā)電市場(chǎng)Agent還有一個(gè)功能是根據(jù)市場(chǎng)環(huán)境調(diào)整發(fā)電技術(shù)的投資成本，收集市場(chǎng)的成本變化情況，為發(fā)電集團(tuán)決策提供支持。發(fā)電市場(chǎng)Agent由內(nèi)生技術(shù)學(xué)習(xí)曲線模型得出各發(fā)電技術(shù)的投資成本。知識(shí)和技術(shù)應(yīng)用會(huì)隨著時(shí)間慢慢地累計(jì)致使投資成本的減少，這就是技術(shù)學(xué)習(xí)[18]。這一技術(shù)擴(kuò)散的進(jìn)程稱為邊做邊學(xué)(Learning-By-Doing，LBD)[19]，其策略為

不同的發(fā)電技術(shù)的學(xué)習(xí)系數(shù)不相同，其中火力發(fā)電，水力發(fā)電，核能發(fā)電技術(shù)由于其發(fā)展較早且技術(shù)較為成熟，故學(xué)習(xí)系數(shù)LBD為0.04；風(fēng)力發(fā)電，光伏發(fā)電技術(shù)由于其為新興發(fā)電技術(shù)，故學(xué)習(xí)系數(shù)LBD為0.21。

1.4 發(fā)電廠Agent

發(fā)電廠Agent的功能是參與電力市場(chǎng)競(jìng)爭(zhēng)，在電力市場(chǎng)中獲取自身最大收益。

在整個(gè)電力市場(chǎng)中，全部類型的發(fā)電廠，只要處于運(yùn)行階段，都可以競(jìng)價(jià)上網(wǎng)。各發(fā)電廠Agent可以依據(jù)自身發(fā)電成本通過(guò)學(xué)習(xí)算法自主地調(diào)整每個(gè)周期內(nèi)的競(jìng)價(jià)策略以獲取最大收益。結(jié)合電力市場(chǎng)信息不完全、不確定的特性，各發(fā)電廠Agent用Q-learning算法來(lái)優(yōu)化競(jìng)價(jià)策略。

Q-learning算法思想是不去顧及環(huán)境模型，直接優(yōu)化可迭代計(jì)算的Q函數(shù)，通過(guò)評(píng)價(jià)“狀態(tài)-行為”對(duì)(,)進(jìn)行優(yōu)化[20]，其學(xué)習(xí)步驟如下：

5) 更新值。

(11)

式中：為學(xué)習(xí)率(0<<1)；為未來(lái)收益的折扣系數(shù)(0<<1)；為立即收益，為發(fā)電廠的售電收益減去發(fā)電的運(yùn)行成本。

發(fā)電廠Agent僅僅依據(jù)值大小選取策略，很容易陷入局部最優(yōu)，一般采用ε-greedy策略進(jìn)行優(yōu)化，即發(fā)電廠Agent以較大概率選擇值最大的策略作為自己的最優(yōu)策略，同時(shí)以一個(gè)較小概率，隨機(jī)選擇除值最大的策略以外的策略。

發(fā)電廠Agent知識(shí)庫(kù)中共有以下6種策略。

結(jié)合發(fā)電市場(chǎng)Agent采用的MCP競(jìng)價(jià)機(jī)制的特性，對(duì)發(fā)電廠Agent的競(jìng)價(jià)策略做適當(dāng)簡(jiǎn)化處理。處于電價(jià)邊緣或沒(méi)有發(fā)電上網(wǎng)的發(fā)電廠Agent只對(duì)電價(jià)做出改變，即僅采用策略1-3，且競(jìng)價(jià)最低只能為成本價(jià)格；已經(jīng)發(fā)電上網(wǎng)的發(fā)電廠Agent只對(duì)發(fā)電量做出改變，即僅采用策略4-6，且發(fā)電量最多只能為整個(gè)發(fā)電廠的發(fā)電量。

2 模型算法

2.1 總體算法

本文所采用的雙層框架體系如圖1所示，求解算法的流程如圖3所示，具體步驟如下所述。

(1) 定義問(wèn)題相關(guān)的數(shù)據(jù)和參數(shù)。主要是指?jìng)溥x電源技術(shù)的類別、單位投資成本、運(yùn)行及維護(hù)成本、政府補(bǔ)貼、裝機(jī)容量以及現(xiàn)有發(fā)電技術(shù)的固定成本、運(yùn)行成本。同時(shí)還需明確社會(huì)需求電量和峰值負(fù)荷。

(2) 初始化Agent計(jì)數(shù)器=0，同時(shí)初始化各項(xiàng)參數(shù)。所有的發(fā)電集團(tuán)Agent依次進(jìn)行電源規(guī)劃尋優(yōu)，利用當(dāng)前環(huán)境中的信息，即其他發(fā)電集團(tuán)Agent的電源規(guī)劃情況，解決各自的目標(biāo)函數(shù)問(wèn)題。

(3) 各發(fā)電集團(tuán)Agent制定好各自的電源投資規(guī)劃，將其傳遞給發(fā)電市場(chǎng)Agent，更新原有規(guī)劃方案。發(fā)電市場(chǎng)Agent接受全部的電源規(guī)劃方案后，進(jìn)行調(diào)控及市場(chǎng)環(huán)境仿真，具體發(fā)電市場(chǎng)Agent及發(fā)電廠Agent的行為已在第1節(jié)中進(jìn)行詳細(xì)介紹。發(fā)電市場(chǎng)Agent將調(diào)控后的電源規(guī)劃返回給發(fā)電集團(tuán)Agent并儲(chǔ)存。發(fā)電集團(tuán)Agent得到規(guī)劃期內(nèi)下屬發(fā)電廠Agent的收益，從而計(jì)算出自身投資收益。

(4) 判斷是否到滿足終止條件，這里采用滿足迭代次數(shù)終止法。若滿足，輸出各發(fā)電集團(tuán)Agent的電源投資規(guī)劃。若不滿足，發(fā)電市場(chǎng)Agent更新當(dāng)前電源規(guī)劃信息至自身的知識(shí)庫(kù)中，同時(shí)返回第(2)步。

2.2 發(fā)電集團(tuán)Agent遺傳算法尋優(yōu)

上述的總體算法中，每次迭代所有發(fā)電集團(tuán)Agent都要進(jìn)行電源規(guī)劃尋優(yōu)，而這個(gè)優(yōu)化問(wèn)題有兩個(gè)重要的特征決定了其適用的解決算法。一方面，發(fā)電集團(tuán)Agent的備選電源有數(shù)量限制，同時(shí)每個(gè)發(fā)電技術(shù)都提供典型的標(biāo)準(zhǔn)化參數(shù)，故發(fā)電集團(tuán)Agent的優(yōu)化結(jié)果是一些離散的組合整數(shù)。另一方面，在問(wèn)題解決過(guò)程中，某些參數(shù)值是不確定的，如市場(chǎng)電價(jià)，投資成本。因此，本文采用遺傳算法來(lái)解決發(fā)電集團(tuán)Agent電源方案尋優(yōu)問(wèn)題，同時(shí)發(fā)電集團(tuán)Agent在尋優(yōu)過(guò)程中會(huì)和發(fā)電市場(chǎng)Agent以及發(fā)電廠Agent進(jìn)行交互，以完成去尋優(yōu)過(guò)程。

圖3 總體算法流程圖

遺傳算法優(yōu)化流程如圖4所示。

(1) 遺傳算法種群初始化。隨機(jī)生成電源投資規(guī)劃方案，即不同類型的發(fā)電廠每年的投建數(shù)目。同時(shí)對(duì)生成的電源投資規(guī)劃方案進(jìn)行約束式(5)(6)判斷，若判斷未通過(guò)，則對(duì)方案進(jìn)行校正，確保每個(gè)算子都是可行解。

(2) 發(fā)電集團(tuán)Agent依據(jù)算子方案依次與發(fā)電市場(chǎng)Agent進(jìn)行交互，發(fā)電市場(chǎng)Agent依據(jù)新得到的該發(fā)電集團(tuán)Agent的規(guī)劃方案和知識(shí)庫(kù)中的其他發(fā)電集團(tuán)Agent的規(guī)劃方案，進(jìn)行調(diào)控和市場(chǎng)仿真。發(fā)電集團(tuán)Agent得到發(fā)電廠Agent的返回值，從而計(jì)算該算子規(guī)劃期內(nèi)的投資收益。由各算子規(guī)劃期內(nèi)的投資收益得到遺傳算法適應(yīng)度，公式為

圖4 發(fā)電集團(tuán)Agent內(nèi)部尋優(yōu)流程圖

通過(guò)式(12)得到的適應(yīng)度，避免了適應(yīng)度為負(fù)的情況，也直接剔除了每代中總收益最小的算子。

(3) 判斷是否達(dá)到終止條件。判斷依據(jù)為遺傳代數(shù)，若滿足終止條件，則輸出最優(yōu)電源投資規(guī)劃方案即為發(fā)電集團(tuán)Agent最優(yōu)方案，并將該發(fā)電集團(tuán)Agent最優(yōu)電源規(guī)劃方案?jìng)鬟f給發(fā)電市場(chǎng)Agent。若不滿足終止條件，則繼續(xù)執(zhí)行下一步。

(4) 遺傳算法執(zhí)行選擇、交叉、變異。采用輪盤(pán)賭方法選擇算子，并執(zhí)行精英保留原則。對(duì)交叉算子做出一定改進(jìn)，采用線性交叉法代替簡(jiǎn)單交叉法。

然后在執(zhí)行變異運(yùn)算，得到一組新的算子，返回第(2)步再次進(jìn)行運(yùn)算。

3 算例分析

3.1 基礎(chǔ)數(shù)據(jù)

基于本文提出的電源規(guī)劃多智能體模型，對(duì)某地區(qū)的兩個(gè)發(fā)電集團(tuán)的電源規(guī)劃進(jìn)行尋優(yōu)，其中電源規(guī)劃期為15年。發(fā)電廠參數(shù)如表1所示。兩個(gè)發(fā)電集團(tuán)Agent的現(xiàn)有發(fā)電廠狀況如表2所示，其中該地區(qū)當(dāng)前無(wú)核電站。在規(guī)劃期內(nèi)，發(fā)電集團(tuán)A具有火電、水電、核電和光伏發(fā)電的投建權(quán)限，而發(fā)電集團(tuán)B具有火電、水電、核電和風(fēng)電的投建權(quán)限。本文假設(shè)在未來(lái)的一段時(shí)間政府支持可再生電源的建設(shè)，故對(duì)可再生電源實(shí)行一定補(bǔ)貼。規(guī)劃期內(nèi)的初始年年用電量為135億kW·h，最大區(qū)域尖峰負(fù)荷為3 000 MW，且都從第一年開(kāi)始每年以5%的增長(zhǎng)率增長(zhǎng)。本文以5年為一個(gè)投資周期劃分發(fā)電集團(tuán)投資額，發(fā)電集團(tuán)A 1~5年的投資額為41.2億，6~10年的投資額為108億，11~15年的投資額為180億；發(fā)電集團(tuán)B 1~5年的投資額為27.7億，6~10年的投資額為72億，11~15年的投資額為120億。假設(shè)發(fā)電集團(tuán)不考慮可建發(fā)電廠的總上限，只考慮每年建設(shè)上限，則發(fā)電集團(tuán)的各類型發(fā)電技術(shù)的每年建廠上限為火電廠1~5年2座/年，6~10年5座/年，11~15年10座/年；水電站1~5年2座/年，6~10年5座/年，11~15年8座/年；核電站1~5年1座/年，6~10年1座/年，11~15年2座/年；風(fēng)電場(chǎng)1~5年3座/年，6~10年6座/年，11~15年12座/年；光伏發(fā)電站1~5年3座/年，6~10年6座/年，11~15年12座/年。

表1 現(xiàn)存電廠及候選電廠初始參數(shù)

表2 發(fā)電集團(tuán)A、B原現(xiàn)存電廠參數(shù)

3.2 結(jié)果分析

基于上述數(shù)據(jù)，本文運(yùn)行電源規(guī)劃模型進(jìn)行尋優(yōu)，得到發(fā)電集團(tuán)A、B的電源規(guī)劃情況。兩個(gè)發(fā)電集團(tuán)的電源投資規(guī)劃交互過(guò)程如圖5所示。發(fā)電集團(tuán)A、B在此模型中可以很快地達(dá)到一個(gè)相對(duì)平衡點(diǎn)。發(fā)電集團(tuán)A、B的電源規(guī)劃分別如圖6、圖7所示。

圖5 電源規(guī)劃市場(chǎng)仿真結(jié)果

圖6 發(fā)電集團(tuán)A的電源規(guī)劃方案

圖7 發(fā)電集團(tuán)B的電源規(guī)劃方案

上述結(jié)果的產(chǎn)生原因：(1) 由于發(fā)電市場(chǎng)Agent對(duì)發(fā)電集團(tuán)的規(guī)劃有一定干預(yù)，整個(gè)市場(chǎng)時(shí)刻處于一種供大于需的激烈競(jìng)爭(zhēng)狀態(tài)。在競(jìng)價(jià)過(guò)程中，各電廠為獲得最大收益壓低自身的報(bào)價(jià)，如圖8所示。最終，整個(gè)市場(chǎng)的前期市場(chǎng)電價(jià)為火電的成本價(jià)，后期市場(chǎng)電價(jià)由于風(fēng)電廠和光伏電站的大量投建，獲得較大的市場(chǎng)份額而被拉低，如圖9所示。(2) 在此模型中各發(fā)電集團(tuán)具有預(yù)見(jiàn)性，其可以預(yù)見(jiàn)到各類發(fā)電技術(shù)成本隨時(shí)間和裝機(jī)容量的變化而變化情況，如圖10所示?？紤]到風(fēng)電和光伏發(fā)電在規(guī)劃期內(nèi)的政府補(bǔ)貼，其成本的變化情況，如圖11所示。從圖11中可以看出，光伏發(fā)電技術(shù)在政府補(bǔ)貼的情況下，其發(fā)電成本遠(yuǎn)遠(yuǎn)低于其他發(fā)電技術(shù)的發(fā)電成本，甚至出現(xiàn)了負(fù)數(shù)，即政府補(bǔ)貼的額度大于自身的發(fā)電成本，此時(shí)光伏發(fā)電技術(shù)相較其他發(fā)電技術(shù)在競(jìng)價(jià)上網(wǎng)方面有很大的競(jìng)爭(zhēng)力。因此，發(fā)電集團(tuán)A在投資額度和裝機(jī)容量允許的情況下，對(duì)光伏發(fā)電站進(jìn)行了大規(guī)模投建。發(fā)電集團(tuán)B擁有風(fēng)電的投建權(quán)限，在保證電力系統(tǒng)安全穩(wěn)定運(yùn)行的基礎(chǔ)電廠投建后，選擇了競(jìng)爭(zhēng)力較大的風(fēng)電進(jìn)行投建，風(fēng)電的補(bǔ)貼力度比光伏小，且未來(lái)的成本下降速度比光伏發(fā)電要慢，故發(fā)電集團(tuán)B對(duì)于風(fēng)電場(chǎng)的投建有一定控制，并非全額投建。

發(fā)電集團(tuán)A、B在滿足供電可靠性要求后，都選擇了可再生能源發(fā)電技術(shù)作為自己投建的第一選擇，表明了在政府補(bǔ)貼的情況下，可再生能源發(fā)電技術(shù)在未來(lái)電源規(guī)劃中具有一定競(jìng)爭(zhēng)力。

圖8 MCP的演化

圖9 市場(chǎng)電價(jià)的變化情況

圖10 發(fā)電成本變化情況

圖11 考慮政府補(bǔ)貼發(fā)電成本變化情況

圖12 發(fā)電集團(tuán)A的電源規(guī)劃方案

圖13 發(fā)電集團(tuán)B的電源規(guī)劃方案

3.3 情景對(duì)比

假設(shè)整個(gè)電源規(guī)劃年限內(nèi)，可再生能源不再享受政府補(bǔ)貼，兩集團(tuán)規(guī)劃結(jié)果如圖12、圖13所示。

由圖12、圖13可以看出，在沒(méi)有政府補(bǔ)貼的情況下，可再生能源發(fā)電技術(shù)的競(jìng)爭(zhēng)力較差，發(fā)電集團(tuán)對(duì)其投建不積極，從而使得可再生能源發(fā)電技術(shù)的成本下降緩慢，陷入惡性循環(huán)。規(guī)劃年份后期，投資額度加大，核電的成本較低，且其供電穩(wěn)定，故兩個(gè)公司同時(shí)投建了核電站。

4 結(jié)論

本文提出了一種新的電力市場(chǎng)環(huán)境下電源規(guī)劃的多智能體模型。該模型中包含市場(chǎng)智能體、發(fā)電集團(tuán)智能體、電廠智能體3類智能體。該模型的建立考慮了電力市場(chǎng)中電價(jià)的變動(dòng)和發(fā)電技術(shù)的成本變化，支持發(fā)電集團(tuán)在制定自身的電源規(guī)劃時(shí)充分考慮了其他發(fā)電集團(tuán)的電源規(guī)劃，并具有一定的遠(yuǎn)見(jiàn)性。通過(guò)地區(qū)數(shù)據(jù)模擬，發(fā)電集團(tuán)智能體能尋找到系統(tǒng)的平衡點(diǎn)。含有兩個(gè)公司的算例的結(jié)果分析驗(yàn)證本文所提模型及方法的有效性和可行性，并通過(guò)情景對(duì)比分析，表明了政府補(bǔ)貼在電力市場(chǎng)競(jìng)爭(zhēng)中對(duì)于可再生能源發(fā)電技術(shù)的作用。本文所提模型對(duì)負(fù)荷做了簡(jiǎn)化處理，未能充分體現(xiàn)負(fù)荷在日常生活中的波動(dòng)性，還有待于將其與可再生能源發(fā)電的不穩(wěn)定性結(jié)合起來(lái)進(jìn)行進(jìn)一步研究。

[1] 王錫凡. 電力系統(tǒng)優(yōu)化規(guī)劃[M]. 北京: 水利電力出版社, 1990.

[2] KAGIANNAS A G. Power generation planning: a survey from monopoly to competition[J]. International Journal of Electrical Power & Energy Systems, 2004, 26(6): 413-421.

[3] 丁明, 石雪梅. 基于遺傳算法的電力市場(chǎng)環(huán)境下電源規(guī)劃的研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2006, 26(21): 43-49.

DING Ming, SHI Xuemei. Study of generation expansion planning based on genetic algorithms in the environment of electricity market[J]. Proceedings of the CSEE, 2006, 26(21): 43-49.

[4] 季震, 陳啟鑫, 張寧, 等. 含碳捕集電廠的低碳電源規(guī)劃模型[J]. 電網(wǎng)技術(shù), 2013, 37(10): 2689-2696.

JI Zhen, CHEN Qixin, ZHANG Ning, et al. Low-carbon generation expansion planning model incorporating carbon capture power plant[J]. Power System Technology, 2013, 37(10): 2689-2696.

[5] 郭賢, 郭賀, 程浩忠, 等. 考慮用戶停電損失的微網(wǎng)網(wǎng)架規(guī)劃[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(8): 301-308.

GUO Xian, GUO He, CHENG Haozhong, et al. Optimal architecture planning of microgrid considering user outage costs[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 301-308.

[6] 張曉輝, 閆鵬達(dá), 鐘嘉慶, 等. 可再生能源激勵(lì)制度下的低碳經(jīng)濟(jì)電源規(guī)劃[J]. 電網(wǎng)技術(shù), 2015, 39(3): 655-662.

ZHANG Xiaohui, YAN Pengda, ZHONG Jiaqing, et al. Research on generation expansion planning in low-carbon economy environment under incentive mechanism of renewable energy sources[J]. Power System Technology, 2015, 39(3): 655-662.

[7] 陳海東. 基于細(xì)菌菌落優(yōu)化算法分布式電源優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(21): 106-111.

CHEN Haidong. Optimal power flow of distribution network with distributed generation based on bacterial colony optimization[J]. Power System Protection and Control, 2015, 43(21): 106-111.

[8] 段建民, 王志新, 王承民, 等. 考慮碳減排效益的可再生電源規(guī)劃[J]. 電網(wǎng)技術(shù), 2015, 39(1): 11-15.

DUAN Jianmin, WANG Zhixin, WANG Chengmin, et al. Renewable power planning considering carbon emission reduction benefits[J]. Power System Technology, 2015, 39(1): 11-15.

[9] 賈德香, 程浩忠. 電力市場(chǎng)下的電源規(guī)劃研究綜述[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2007, 19(5): 58-65.

JIA Dexiang, CHENG Haozhong. Review of generation expansion planning in market environment[J]. Proceedings of the CSU-EPSA, 2007, 19(5): 58-65.

[10] 施泉生, 郭良合, 張孝君. 綜合考慮多主體經(jīng)濟(jì)效益的分布式電源優(yōu)化配置研究[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(1): 85-91.

SHI Quansheng, GUO Lianghe, ZHANG Xiaojun. Research on optimal configuration of distributed generation considering economic benefits of the multi-agent[J]. Power System Protection and Control, 2016, 44(1): 85-91.

[11] 賈德香, 程浩忠, 韓凈. 發(fā)電投資的期權(quán)博弈決策方法[J]. 電力系統(tǒng)自動(dòng)化, 2007, 31(8): 17-21.

JIA Dexiang, CHENG Haozhong, HAN Jing. An approach to generation investment decision-making based on real option game in power market environment[J]. Automation of Electric Power Systems, 2007, 31(8): 17-21.

[12] 盧強(qiáng), 陳來(lái)軍, 梅生偉. 博弈論在電力系統(tǒng)中典型應(yīng)用及若干展望[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(29): 5009-5017.

LU Qiang, CHEN Laijun, MEI Shengwei. Typical applications and prospects of game theory in power system[J]. Proceedings of the CSEE, 2014, 34(29): 5009-5017.

[13] BOTTERUD A, MAHALIK M R, VESELKA T D, et al. Multi-agent simulation of generation expansion in electricity markets[C] // Power Engineering Society General Meeting, IEEE, 2007: 1-8.

[14] 田建偉, 胡兆光, 吳俊勇, 等. 基于多智能體建模的經(jīng)濟(jì)-電力動(dòng)態(tài)模擬系統(tǒng)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2010, 30(7): 85-91.

TIAN Jianwei, HU Zhaoguang, WU Junyong, et al. Dynamic economy and power simulation system based on multi-agent modelling[J]. Proceedings of the CSEE, 2010, 30(7): 85-91.

[15] 段煒, 胡兆光, 吳思竹, 等. 基于智能體響應(yīng)均衡模型的經(jīng)濟(jì)政策-電力需求動(dòng)態(tài)模擬[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(7): 1206-1212.

DUAN Wei, HU Zhaoguang, WU Sizhu, et al. Dynamic simulation of economic policy and electricity demand by agents response equilibrium model[J]. Proceedings of the CSEE, 2014, 34(7): 1206-1212.

[16] NESHAT N, AMIN-NASERI M R. Cleaner power generation through market-driven generation expansion planning: an agent-based hybrid framework of game theory and particle swarm optimization[J]. Journal of Cleaner Production, 2014, 105: 206-217.

[17] 曹智平, 周力行, 張艷萍, 等. 基于供電可靠性的微電網(wǎng)規(guī)劃[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(14): 10-15.

CAO Zhiping, ZHOU Lixing, ZHANG Yanping, et al. Micro-grid planning based on supply reliability[J]. Power System Protection and Control, 2015, 43(14): 10-15.

[18] 徐麗萍, 林俐. 基于學(xué)習(xí)曲線的中國(guó)風(fēng)力發(fā)電成本發(fā)展趨勢(shì)分析[J]. 電力科學(xué)與工程, 2008, 24(3): 1-4.

XU Liping, LI Li. Study on the cost trends of wind power in china based on the learning curve[J]. Electric Power Science and Engineering, 2008, 24(3): 1-4.

[19] 牛衍亮, 黃如寶, ?；荼? 基于學(xué)習(xí)曲線的能源技術(shù)成本變化[J]. 管理工程學(xué)報(bào), 2013 ,27(3): 74-80.

NIU Yanliang, HUANG Rubao, CHANG Huibin. The change of energy technology cost based on learning curve[J]. Journal of Industrial Engineering/Engineering Management, 2013, 27(3): 74-80.

[20] 王帥. 發(fā)電商基于Q—Learning算法的日前市場(chǎng)競(jìng)價(jià)策略[J]. 能源技術(shù)經(jīng)濟(jì), 2010, 22(3): 34-39.

WANG Shuai. Generators' bidding strategies in the day-ahead market based on Q-Learning algorithm[J]. Energy Technology and Economics, 2010, 22(3): 34-39.

(編輯 姜新麗)

A multi-agent model of generation expansion planning in electricity market

HUANG Xian, GUO Rui

(School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China)

The generation expansion planning is an important problem in electric system, especially complex and urgent in the background of electric market. To this issue, this paper proposes a generation investment planning model for power companies, which is based on mutli-agent technology. Firstly, a double-layer optimization construction for the generation-side in electric market is developed in order to combine the price competition with generation expansion planning. Secondly, multiple agents such as generation groups, generation market and generation plants are designed with genetic algorithm and Q-learning algorithm applied to improve their optimization ability. The result presents that the model is feasible and effective and could provide support for decision making to plant expansion planning. This work is supported by National Natural Science Foundation of China (No. 61273144 and No. 61533013).

renewable energy; generation expansion planning; electricity market; mutli-agent technology; genetic algorithm

10.7667/PSPC152045

國(guó)家自然科學(xué)基金項(xiàng)目(61273144，61533013)

2015-11-24；

2016-01-25

黃 仙(1966-)，男，教授，碩士生導(dǎo)師，主要研究方向?yàn)閺?fù)雜系統(tǒng)建模與決策，系統(tǒng)綜合評(píng)價(jià)與決策支持等；郭 睿(1992-)，男，通信作者，碩士研究生，研究方向?yàn)閺?fù)雜系統(tǒng)的建模與分析，可再生能源分析。Email：759038821@qq.com