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系統的安全可靠運行產生了極大影響[1]，[2]。風電的接入不僅給預測技術提出更高要求， 如何搭建良好的市場機制也是人們亟需解決的難題?；诖?，能源互聯網模式應運而生，大量分布式電源、儲能資源、可控負荷等新增實體與傳統電網構成龐大的有機電力網絡[3]，[4]。 伴隨著市場環境的開放，能源互聯網通過內部協調、削峰填谷、整體優化，使得多方交易體在一定約束條件下實現利益最大化， 同時提高了整個電力網絡的可靠性[5]，[6]。

據統計， 急劇增長的電動汽車（Electric Vehicle， EV）在大多數時間處于閑置狀態，因此，合理并網的EV 將是一種可觀的儲能資源[7]，[8]。 近年來，EV 入網技術迅速發展， 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、分布式能源以及電力用戶構成的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， 數據仿真表明，該模式具有更好的經濟效益。 文獻[13]，[14]為了避免大量EV 直接入網所引發的“維災難”，提出了基于博弈論的決策優化模型。 文獻[15]針對我國電力市場環境， 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，且各參與者的經濟行為不斷復雜化[16]。電網公司、傳統發電商、新能源電廠和用戶群體都是能源互聯網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、傳統發電商、用戶以及電網公司參與下的多方電價聯動博弈模型， 并利用協同遺傳進化 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營兩種參與模式下的利潤差異， 并進一步研究了EV 商的經濟行為對電價曲線的影響。

1 多主體交易的博弈框架

能源互聯網商業模式打破了傳統集中式的垂直電力市場結構， 多方能源經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調，解決矛盾沖突，最終建立局部微平衡能源供需子網[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構模式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， 它們根據供求關系自發調節市場策略， 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， 根據風速歷史數據獲取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 在內的任何供電方。

t 時段VPP 的總投標出力為

風電商與EV 聯營時仍有可能出現投標偏差，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濟懲罰。因此，VPP 的目標函數可表示為

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， 并且用電效益系數統一設為φ。 則用戶效用函數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為

2.3 傳統發電商的策略模型

成本函數Eg為

傳統發電商的目標函數為

發電商決策時的約束條件：

2.4 電網公司的策略模型

電網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服務費。 此外，電網公司作為公共事業性質企業， 負有保證電能質量、系統安全、用電服務等社會責任。 電網運營過程中需要承擔設備維護、網絡損耗、公司運營等成本。

電網公司的收益函數為

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

成本函數Ed為

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

電網公司的目標函數為

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 算法優化過程借鑒大自然多種群協同演化機制，不同種群的遺傳過程相互隔離。各種群通過共同的生態系統相互作用、整體協調，實現整個生態系統的進化。 CCGAs 算法采用一種“分而治之”的優化策略，將大規模、非線性、高維度的大系統化解為多個簡單子系統， 每個子系統對應一個種群， 種群內部按照傳統遺傳算法進行獨立優化。 子系統優化和整體協調兩種操作交替迭代進行，最終達到全局最優。

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決策變量時，需將其他交易體當前的最優個體代表與其共同構成整個系統的策略組合，計算出效益值，從而評判該子系統個體決策變量的優劣。 4 個種群通過各自的進化和協作，不斷地改善整個系統的適應度值。

電網公司、VPP 和傳統發電商的決策變量是電價，算法優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設置各子種群參數（種群規模、迭代次數、編譯概率、遺傳概率等），初始化決策變量并編碼；

②計算個體適應度值。 此時需要種群協作機制，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，應用第2 節方法計算t 種群個體適應度值；

③遺傳操作。采用精英保留機制，將適應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重復步驟②和③， 直到滿足迭代預先設置的次數， 此時各種群的最優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100×100 km2的區域內有傳統發電商、 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。隨著迭代次數的增多， 適應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個體， 即各交易實體選擇了最為合理的交易策略，利潤穩定于理想值。

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 商合作聯營，共同組成VPP 參與市場競爭，如2.1 節所述。

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，電網公司和傳統發電商的利潤值沒有明顯區別； 風電商與EV商聯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移到更高價時段上網， 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 發現， 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 結束語

隨著電力改革的不斷深入， 電力市場漸趨復雜化、多主體化。本文建立了由EV 和風電組成的VPP、傳統發電商、用戶以及電網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，仿真分析發現，EV 商的套利行為可以進一步刺激市場活力，起到穩定電價的作用。