風電與電動汽車組成虛擬電廠參與市場的多主體博弈

王紅野， 何 俐， 王雪峰， 韓俊杰， 劉銘銘

（1.中國三峽新能源（集團）股份有限公司， 北京 101117； 2.北京清軟創(chuàng)新科技股份有限公司， 北京 100096；3.華北電力大學， 北京 102206）

0 引言

風電的隨機性和不確定性對電網(wǎng)系統(tǒng)的安全可靠運行產(chǎn)生了極大影響[1]，[2]。風電的接入不僅給預(yù)測技術(shù)提出更高要求， 如何搭建良好的市場機制也是人們亟需解決的難題。基于此，能源互聯(lián)網(wǎng)模式應(yīng)運而生，大量分布式電源、儲能資源、可控負荷等新增實體與傳統(tǒng)電網(wǎng)構(gòu)成龐大的有機電力網(wǎng)絡(luò)[3]，[4]。 伴隨著市場環(huán)境的開放，能源互聯(lián)網(wǎng)通過內(nèi)部協(xié)調(diào)、削峰填谷、整體優(yōu)化，使得多方交易體在一定約束條件下實現(xiàn)利益最大化， 同時提高了整個電力網(wǎng)絡(luò)的可靠性[5]，[6]。

據(jù)統(tǒng)計， 急劇增長的電動汽車（Electric Vehicle， EV）在大多數(shù)時間處于閑置狀態(tài)，因此，合理并網(wǎng)的EV 將是一種可觀的儲能資源[7]，[8]。 近年來，EV 入網(wǎng)技術(shù)迅速發(fā)展， 使得含EV 和風電的虛擬電廠（Virtual Power Plant，VPP）逐漸成為電力市場中高滲透率的新增實體[9]，[10]。 VPP 的高效性使其成為近年來人們研究的熱點之一。 文獻[11]搭建了由儲能系統(tǒng)、分布式能源以及電力用戶構(gòu)成的VPP，參與電力市場投標競價。 文獻[12]建立了含風電機組和EV 群的VPP， 數(shù)據(jù)仿真表明，該模式具有更好的經(jīng)濟效益。 文獻[13]，[14]為了避免大量EV 直接入網(wǎng)所引發(fā)的“維災(zāi)難”，提出了基于博弈論的決策優(yōu)化模型。 文獻[15]針對我國電力市場環(huán)境， 討論了風電等清潔能源的接入方案。

隨著電力改革的深入， 售電側(cè)開放程度日趨加大， 電力市場吸納越來越多符合準入標準的參與者，且各參與者的經(jīng)濟行為不斷復(fù)雜化[16]。電網(wǎng)公司、傳統(tǒng)發(fā)電商、新能源電廠和用戶群體都是能源互聯(lián)網(wǎng)模式下電力市場的重要交易體， 各交易體通過非合作博弈獲取自身的最大利益[17]。

在新能源電力市場一體化交易智能決策建設(shè)方案研究項目支持下， 本文建立了由EV 和風電組成的VPP、傳統(tǒng)發(fā)電商、用戶以及電網(wǎng)公司參與下的多方電價聯(lián)動博弈模型， 并利用協(xié)同遺傳進化 算 法 （Cooperative Coevolutionary Genetic Algorithm， CCGAs）求出博弈均衡解[18]，[19]。 為了研究風電商和EV 商以VPP 模式參與投標博弈對市場的影響， 本文分析對比了二者以獨立及聯(lián)營兩種參與模式下的利潤差異， 并進一步研究了EV 商的經(jīng)濟行為對電價曲線的影響。

1 多主體交易的博弈框架

能源互聯(lián)網(wǎng)商業(yè)模式打破了傳統(tǒng)集中式的垂直電力市場結(jié)構(gòu)， 多方能源經(jīng)濟體積極主動參與市場交易。各交易體具有獨立自治能力，在交易博弈策略的指導下相互協(xié)調(diào)，解決矛盾沖突，最終建立局部微平衡能源供需子網(wǎng)[20]，[21]。 圖1 為多方交易的博弈框架圖。

圖1 電力市場多主體交易結(jié)構(gòu)模式Fig.1 Structure model of multi-agents transaction in power market

2 博弈策略建模

電力改革強化了電能的商品屬性， 通過市場手段優(yōu)化電能資源配置。 參與市場博弈的各交易主體具有獨立的目標及行為， 它們根據(jù)供求關(guān)系自發(fā)調(diào)節(jié)市場策略， 使得各方電價和電量達到均衡。 博弈行為分時段進行，本文將1 d 分為24 個時段（T=24）。

2.1 VPP 商的策略模型

本文基于風電場景模擬技術(shù)， 根據(jù)風速歷史數(shù)據(jù)獲取t 時段的N 個場景風電出力序列[22]。 考慮一個風電商和一個EV 聚合商組成的VPP。 EV商購買電量的行為具有用戶屬性， 即可自由選擇包括VPP 在內(nèi)的任何供電方。

t 時段VPP 的總投標出力為

風電商與EV 聯(lián)營時仍有可能出現(xiàn)投標偏差，當投標量小于實際出力時，多余電量不允許輸入市場；當投標量大于實際出力時，將受到電力市場管理部門的經(jīng)濟懲罰。因此，VPP 的目標函數(shù)可表示為

2.2 用戶群體的策略模型

用戶在滿足自身用電需求的前提下， 根據(jù)各供電方的銷售電價以及所在地域選擇最佳供電商。為了減少模型復(fù)雜度，本文將所有用戶的總效益作為策略博弈目標， 并且用電效益系數(shù)統(tǒng)一設(shè)為φ。 則用戶效用函數(shù)Ku可表示為

用戶實體的成本Eu是向供電商支付的電費，可表示為

因此，用戶群體的目標函數(shù)為

2.3 傳統(tǒng)發(fā)電商的策略模型

成本函數(shù)Eg為

傳統(tǒng)發(fā)電商的目標函數(shù)為

發(fā)電商決策時的約束條件：

2.4 電網(wǎng)公司的策略模型

電網(wǎng)公司的收益分為兩部分： ①向用戶收取電費；②收取其他供電商的過網(wǎng)服務(wù)費。 此外，電網(wǎng)公司作為公共事業(yè)性質(zhì)企業(yè)， 負有保證電能質(zhì)量、系統(tǒng)安全、用電服務(wù)等社會責任。 電網(wǎng)運營過程中需要承擔設(shè)備維護、網(wǎng)絡(luò)損耗、公司運營等成本。

電網(wǎng)公司的收益函數(shù)為

式中：第一項為中標電網(wǎng)公司的用戶電費；第二、第三項分別為傳統(tǒng)供電商和VPP 的過網(wǎng)費。

成本函數(shù)Ed為

式中：第一、第二項分別為電網(wǎng)公司向傳統(tǒng)供電商和VPP 購買的電能成本； 第三項為電網(wǎng)向用戶j輸送電能的損耗成本。

電網(wǎng)公司的目標函數(shù)為

3 納什均衡求解方法

3.1 多方博弈的納什均衡

式中：P*‖Xi表示只有交易體i 改變P*中自己的策略向量，其他交易體策略不變。

3.2 基于CCGAs 算法求解納什均衡

CCGAs 算法優(yōu)化過程借鑒大自然多種群協(xié)同演化機制，不同種群的遺傳過程相互隔離。各種群通過共同的生態(tài)系統(tǒng)相互作用、整體協(xié)調(diào)，實現(xiàn)整個生態(tài)系統(tǒng)的進化。 CCGAs 算法采用一種“分而治之”的優(yōu)化策略，將大規(guī)模、非線性、高維度的大系統(tǒng)化解為多個簡單子系統(tǒng)， 每個子系統(tǒng)對應(yīng)一個種群， 種群內(nèi)部按照傳統(tǒng)遺傳算法進行獨立優(yōu)化。 子系統(tǒng)優(yōu)化和整體協(xié)調(diào)兩種操作交替迭代進行，最終達到全局最優(yōu)。

CCGAs 算法符合電力市場多方交易體博弈過程，每個交易體就是一個獨立的種群，算法框圖如圖2 所示。

圖2 CCGAs 算法框架圖Fig.2 Game framework of CCGAs

子系統(tǒng)的個體評估依賴于各種群之間的合作，即當選擇某個交易體的最優(yōu)決策變量時，需將其他交易體當前的最優(yōu)個體代表與其共同構(gòu)成整個系統(tǒng)的策略組合，計算出效益值，從而評判該子系統(tǒng)個體決策變量的優(yōu)劣。 4 個種群通過各自的進化和協(xié)作，不斷地改善整個系統(tǒng)的適應(yīng)度值。

電網(wǎng)公司、VPP 和傳統(tǒng)發(fā)電商的決策變量是電價，算法優(yōu)化初始階段需要二進制編碼。用戶是市場價格的接受者， 它的博弈策略是依據(jù)其他售電商的電價決策以及自身的地理位置選擇供電方。 因此，用戶的決策變量是二值化的“1”和“0”，代表用戶對供電商的選擇與否。

CCGAs 算法的步驟如下：

①設(shè)置各子種群參數(shù)（種群規(guī)模、迭代次數(shù)、編譯概率、遺傳概率等），初始化決策變量并編碼；

②計算個體適應(yīng)度值。 此時需要種群協(xié)作機制，以t 種群為例，首先挑選其他子種群上代所搜索的最優(yōu)粒子（個體代表），與t 種群當前任一個體形成決策集，并基于此決策集，應(yīng)用第2 節(jié)方法計算t 種群個體適應(yīng)度值；

③遺傳操作。采用精英保留機制，將適應(yīng)度值最大的粒子作為子種群的個體代表， 參與下一代的遺傳操作；

④重復(fù)步驟②和③， 直到滿足迭代預(yù)先設(shè)置的次數(shù)， 此時各種群的最優(yōu)個體代表即為該交易體的博弈均衡解。

4 實例仿真

本文假設(shè)100×100 km2的區(qū)域內(nèi)有傳統(tǒng)發(fā)電商、 供電公司、VPP 商各一個，100 個用戶群體隨機分布，如圖3 所示。

圖3 交易體地理位置示意圖Fig.3 Location map of multi-agents

用戶群體總負荷需求如圖4 所示， 單用戶各時段的負荷為0.5～2 MW， 且其趨勢如總負荷曲線，即0～7 h 為低谷時段，8～23 h 為高峰時段。

圖4 用戶群各時段總負荷Fig.4 Total road of user colony

圖5 為市場博弈過程。

圖5 多主體市場博弈過程Fig.5 Process of game among multi-agents in electrical power marke

從圖5 可以看出， 博弈前期各交易實體利潤波動較大。這是由于CCGAs 算法尋優(yōu)過程屬于概率性算法，各交易體決策隨機性較大。隨著迭代次數(shù)的增多， 適應(yīng)度較大的策略具有更大概率遺傳到下一代。因此在博弈后期，各群體逐漸進化出最優(yōu)個體， 即各交易實體選擇了最為合理的交易策略，利潤穩(wěn)定于理想值。

4.1 兩種模式下的利潤對比

為了研究VPP 對多主體市場的影響， 風電商與EV 商分別以兩種運營模式參與電力市場博弈。

模式一：風電商和EV 商合作聯(lián)營，共同組成VPP 參與市場競爭，如2.1 節(jié)所述。

模式二：風電商和EV 商之間存在利益沖突，二者分別獨立參與市場競爭。

圖6 為兩種模式下博弈均衡時各供電商利潤。

圖6 兩種模式的利潤對比Fig.6 Profit comparison between two models

從圖6 可以看出；兩種模式下，電網(wǎng)公司和傳統(tǒng)發(fā)電商的利潤值沒有明顯區(qū)別； 風電商與EV商聯(lián)營的總利潤明顯高于模式二下兩者的利潤之和， 其中， 模式二的EV 商和風電商利潤之和為22.4 萬元，模式一的VPP 商利潤為28.3 萬元，增加率高達20.8%。 說明VPP 能夠合理調(diào)用EV 電源的存儲能力，充分利用風電資源。 VPP 模式不但能夠彌補投標偏差，減少懲罰成本，還可以將部分時段的風電轉(zhuǎn)移到更高價時段上網(wǎng)， 從而提高總利潤。

4.2 EV 商套利行為對市場的影響

EV 商選擇在負荷低谷時段購進電能， 在負荷高峰時段賣出套利。 EV 群充電階段具有用戶屬性，是市場電價的接受者；在放電套利階段屬于供電方，是市場電價的影響者。為了分析EV 商套利行為對電力市場的影響， 本文分別建立了一個沒有EV 商參與的模型和含EV 商 （與風電商組成VPP）參與的模型，并將二者進行了對比。 圖7，8 為博弈均衡時各供電商時段的電價曲線。

圖7 沒有EV 商參與的時段電價折線圖Fig.7 Line chart of each time without EV

圖8 含EV 商參與的時段電價折線圖Fig.8 Line chart of each time with EV

通過對比圖7，8 發(fā)現(xiàn)， 圖8 所顯示的各供電商電價具有更小的波動性， 即含EV 商接入可起到穩(wěn)定電價的作用， 且市場均衡電價總體上有所降低，尤其在用電高峰時段。說明EV 商的參與可以進一步刺激市場活力， 為用戶提供更多用電選擇，使得市場更具靈活性。

5 結(jié)束語

隨著電力改革的不斷深入， 電力市場漸趨復(fù)雜化、多主體化。本文建立了由EV 和風電組成的VPP、傳統(tǒng)發(fā)電商、用戶以及電網(wǎng)公司參與下的多方非合作博弈模型，并利用CCGAs 算法求出博弈均衡解。 通過分析對比風電商與EV 商以合作和非合作兩種模式參與博弈的市場情況， 合作模式下的VPP 商更具市場競爭力，能獲得更高的總利潤。 此外，仿真分析發(fā)現(xiàn)，EV 商的套利行為可以進一步刺激市場活力，起到穩(wěn)定電價的作用。