区块链技术下局域多微电网市场竞争博弈模型及求解算法

马天男，彭丽霖，杜 英，苟全峰，王 超，郭小帆

(1. 国网四川省电力公司经济技术研究院，四川 成都 610041；2. 四川电力交易中心有限公司，四川 成都 610041；3. 四川电力设计咨询有限责任公司，四川 成都 610041)

0 引言

当前，一次能源消耗加快、环境恶化严重、气候变化加剧等是全球经济发展共同面对的重要问题[1]。以新能源发电、低碳交通和信息技术高度融合的能源互联网EI(Energy Internet)为各类能源的灵活接入和规模化生产利用提供了可能的解决方案[2]。由多个微电网组成的局域多微电网系统被认为是能源互联网的一种典型子网，也是实现能源互联网技术发展的重要前提和必经途径[3]。随着储能技术的发展以及智能电网技术的推进，局域多微电网在电力市场中必将产生新的市场主体(如分布式聚合商DA(Distributed Aggregator))，这使得参与竞争的市场主体呈现了双重性和多元化特征，每个主体既是生产者又是消费者[4]；市场主体类型不再固定不变，而是以更加灵活的形式显现，电力市场中的竞争也将日趋复杂。新形势下，如何充分保障各市场主体的利益均衡、提高可再生能源的利用比例，成为推动多微电网系统建设必须要解决的问题。因此，构建多微电网市场竞争博弈模型，对于分布式能源消纳和能源互联网技术的发展具有重要的理论和现实意义。

近年来，部分学者对多微电网系统博弈竞争问题的研究已形成一定的成果。文献[5]基于微电网与配电网之间的交易影响，建立了非合作博弈的多微电网交易模型及求解流程，求解得出了微电网之间发生交易的形成条件及影响因素；文献[6]首先建立了基于价格差异与时间贯序权重的多微智能配电网两阶段快速决策模型，并在此基础上构建了基于最大投标风险承受比例电量和最小用电成本的电价投标决策模型，通过多代理仿真平台仿真验证了模型的有效性；文献[7]建立了多微电网运营商MO(Microgrid Operator)在日前电力市场博弈竞争模型和市场运营商最优经济调度模型的双层优化模型，并基于完全信息下的动态博弈方法和双层优化求解模型计算了配电网侧电力市场的纳什均衡点；文献[8]建立了孤岛运行方式下含储能单元的微电网多代理动态博弈模型，解决了孤岛运行方式下微电网系统各分布式能源之间的竞争博弈问题；文献[9]从经济性角度提出了一种基于博弈论的多级微电网优化配置模型，分析了不同投资主体的利益关系，为微电网的设计与建设提供了参考；文献[10]提出了多个微电网间联盟控制博弈模型，分析了联盟协作形成过程及算法；文献[11]针对多微电网配电侧需求响应问题，分别建立了微网内部功率优化模型和基于博弈的多微网竞价博弈模型，并通过仿真验证了模型的有效性和可行性。

上述研究取得了较好的成果，但大部分研究仅局限于发电侧或需求侧之间的博弈竞争，尚未涉及对多微电网系统中多元主体之间博弈竞争的研究。此外，随着未来市场多元化进程的不断加深，规模庞大、结构复杂以及高度实时性的多能源系统数据将会不断涌现[12]，市场主体对市场行为的把握不再靠直觉判断，而基于大规模数据分析的快速分析决策将会成为市场主体参与博弈竞争的主要发展方向。区块链技术作为一种分布式记账系统，所具备的数据透明性和可靠性使其能够很好地适用于分散化系统结构的数据分析和决策[13]，基于区块链技术的市场经济生态环境，可极大地减少不同市场主体间重塑或信任维护的成本，可有效地防止市场中的寻租行为。因此，将区块链技术应用于分散化的多微电网系统电力市场建设中，可实现物理信息流的高度融合和快速运转，有助于市场主体从海量数据中进行快速分析决策，帮助提高局域电力市场的运行效率，并保证市场能够健康有序发展。

本文首先对区块链技术的相关概念进行了简要介绍，并对区块链技术与多微电网市场竞争博弈之间的契合度进行了分析；其次，从局域多微电网市场结构出发，建立了基于微电网运营商主体、大用户主体以及分布式聚合商主体等多方非合作博弈模型；然后，鉴于蚁群算法(ACO)与区块链技术共同存在的去中心化特征，采用改进蚁群算法IACO(Improved Ant Colony Optimization algorithm)对上述多主体博弈模型进行求解；最后，通过算例对博弈模型进行仿真分析，验证所构建模型及求解算法的可行性和有效性。

1 区块链技术与多微电网市场竞争博弈契合度分析

1.1 区块链技术

区块链技术是互联网时代的新兴信息产业技术，通过去中心化和去信任的方式实现网络数据的维护，并采用密码学技术让区块之间的数据记录相互关联，交易信息由网络其他用户监督和审定，交易记录不可伪造、不可修改[14]。实质上，区块链是由密码学算法产生带有时间戳数据区块(block)组成的链条，每个数据块主要包含区块头和区块数据两部分[15]，区块头的内容包括版本号、Harsh值、Mercle树等用于链接下一数据区块的外部信息；区块数据主要包括时间段内的全部交易信息数据，用于数据分析和处理，为节点用户提供决策方案。数据区块主体图如图1所示，各行区块代表主体在时间维度上形成的区块链，而行间链接代表区块主体间的互络联通，在时间维度上形成的区块网络增强了信息的可追溯性和安全可信性。

图1 数据区块主体图Fig.1 Main body diagram of data block

区块链技术作为分布式数据存储、记录和呈现的新型方式，在未来数据库的架构与拓展中具有极大的潜力，主要具备以下5个方面的特点[16]。

a. 去中心化。采用分布式存储和核算方式，区块链技术不存在中心化的硬件或管理结构，任意网络节点均有相等的权利和义务，网络中的数据模块由整个系统具备维护特性的节点来共同维护；而节点间的数据交换和传递只需要通过数字签名进行验证，不需要相互信任或依赖，只需按照规则实现交易即可。

b. 信息开放透明。区块链网络的开放性特征以及数据的透明性是节点用户之间赢取信任的基础。系统中除了被加密的私密信息，其他数据都会被其他节点用户查询和监督，任何用户都可以通过Hash值获取区块数据，整个系统的信息高度透明开放。另外，各节点用户均基于同一共识机制，通过相互竞争计算实现整个区块网络数据的安全可靠性，部分节点运行停滞，其他节点仍能正常工作，并不会对整个系统造成大的冲击。

c. 数据安全可信。区块链技术采用非对称密码学原理对数据进行加密，利用网络用户公式算法形成强大的护盾抵御外部攻击，从而保证了区块链数据的不可篡改和不可伪造，网络数据具有高度的安全性和可靠性。基于协商一致的数学规范和协议，任何人都不具备数据读写权，都不能对系统数据进行修改或删除，使系统能够在环境自由安全条件下交换数据，人为干预不会起任何实质性影响。

d. 区块信息可追溯。区块链是由带有时间顺序的区块相互链接而成，信息可通过区块特定标志进行查找，交易的完整传递路径能够被清晰地记录和追溯，可清晰掌握整个链条信息的传递过程，便于其他用户的监督和管理。

e. 交易双方匿名。由于节点之间的信息交换遵循特定的数学算法，数据交互无需任何信任，因此交换双方无需公开身份让对方产生信任。

1.2 契合度分析

伴随智能微电网技术和电力市场的发展，区块链技术的引入可有效地推动能源互联网产业的升级和完善，研究区块链技术下的多微电网市场博弈竞争将会对我国能源市场化改革带来积极的影响。区块链技术与多微电网市场竞争博弈的契合度主要体现在以下5个方面。

a. 区块链技术可以促进多微电网市场竞争博弈信息公开透明化。区块链信息的自由特性体现了市场的公平竞争，随着时间推进，市场会逐渐达到平衡，系统资源也会得到有效的配置，系统整体会达到Pareto最优。另外，信息的完全公开和可追溯性大幅减少了市场寻租行为，驱使市场主体在市场规则下演绎市场行为。区块的时间特性造就了各市场主体在完全信息条件下进行博弈竞争，可实现完全信息的动态博弈。

b. 区块链技术可促进多微电网市场竞争博弈去中心化。在市场竞争中，每个市场主体都会产生大量的交易信息，如负荷信息、发电量等，在传统的博弈竞争中，这些信息都需要反馈给电网交易中心后统一发布市场信息，进而再组织市场主体竞价，竞价成功后由调度中心统一实现经济调度，这种方式无疑增加了信息流通环节，降低了信息的时效性。基于区块链技术的市场主体竞争支撑市场主体点对点的直接交易，信息的公开透明和可追溯特征使得市场竞争能够形成无中心依赖的可信任分布式系统，能够快速响应市场信息做出最优决策，从而节省了大量的时间成本，提高了信息流通效率，这无疑为市场的公平竞争增添了砝码。

c. 区块链技术可促进多微电网市场信息的动态化。基于区块链的市场博弈竞争中，博弈主体的市场信息是随时间的动态变化而变化的，每个节点每隔Δt的时间就会更新市场信息，并将其重新封存于新的带有时间戳的数据区块中，随着时间的增加，各区块先后连接形成具有动态结构的区块链DBC(Dynamic Block Chain)，各节点的市场主体可通过查看和分析其他节点的DBC来决策市场行为。数据区块的动态性使得市场竞争博弈更加灵活和方便，当交易发生后可以实现系统的自调度和生态化运行，基于动态数据模块链的分散决策为市场主体的博弈竞争决策问题提供了解决方案，通过多模协同运行实现区域自治。区块链信息的动态特性使得局域多微电网系统具备强大的持续性和旺盛的生命力，各主体会根据各个阶段的数据信息动态演化其他市场主体的动态行为，从而根据演绎结果做出相应的博弈策略，也就是说市场主体的博弈策略并不是固定不变，而是随着市场信息动态变动，确保了市场主体的最大化效益。

d. 区块链技术可促进多微电网市场交易信息的安全性。区块链技术是基于非对称加密算法解决用户的信任问题，包含了2个秘钥：公开密钥(public key)和私有秘钥(private key)。这种算法加密使得节点数据为全网所有节点共同认证和鉴定，保障了数据的安全性和有效性。区块链中的每个主题都拥有专属的公钥和私钥，用户用私钥对数据加密，其他用户则用公钥揭秘信息，采用私钥在数据尾部进行数字签名，其他用户则通过公钥解密认证数据的真实性。这种数据加密方式和认证形式保证了市场主体在博弈过程中数据的真实有效性，一旦某个节点数据发生危险，其他节点就能够迅速做出反应，解决了用户间信息不对称的问题，最大限度地减少了市场主体的寻租行为，保证了市场的竞争博弈朝有序方向发展，自动保障交易及利益分配的公平和高效配置。

e. 区块链技术可完善多微电网市场竞争博弈的奖惩机制。基于区块链的多微电网市场主体竞争博弈，加入了实质性的激励机制和惩罚机制。基于智能合约或“可编程货币”实现的激励机制能够促进市场主体积极交易，加深市场化程度，鼓励提高清洁能源利用率，有效地降低对外部环境的碳排放。另外，智能化的惩罚机制加强了交易主体的自律性和信用等级，防止虚假交易和记录篡改，在解决市场主体公信力问题的同时，使得市场竞争具备更加市场化、扁平化和自治化的特征，避免多种能源的重复建设，减少能源供给浪费，并能够有效地提升可再生能源的消纳利用，解决环境污染等问题。

2 局域多微电网市场博弈模型构建

2.1 局域多微电网市场结构

本文所研究的局域多微电网市场结构如图2所示。局域多微电网市场结构中，市场主体主要包括微电网运营商、电力大用户BC(Big Consumer)和分布式聚合商三方，各主体都是理性的，均希望通过积极运作保障自己的最大利益。由图2可知，各市场模块由能量流和信息流连接互通；能量流在物理层面实现能量的传导和输送，信息流则以区块链形式实现各节点的信息传递；信息流与能量流的高度融合，加强了各主体之间能量传递的可靠性，并保障了市场交易的实时性。图2中微电网运营商的主要功能为生产和售卖电量，当系统发生缺电时也需要向分布式聚合商或其他微电网运营商购取电量；分布式聚合商的主要功能是收集和储存全部分布式用户的分散电能，通过购销差价赚取利润；电力大用户则只需考虑以最低成本获取自身所需电量即可，本文假设大用户不进行售电行为。

图2 局域多微电网市场竞争博弈框架图Fig.2 Marketing competition game framework of local multi-microgrids

由图2可知，每个市场主体均配套相应的区块，各主体区块在同时段下会相互连接形成能源区块网络(blocks)，而每个区块在不同时间段又会形成区块链条(chains)，因此，能源区块网络会随着时间的推移形成能源区块链网络EBN(Energy Blockchain Network)。在EBN中，各主体模块会主动提交自身的相关信息，如身份ID、账户、能源形式、地理位置、装机容量等基础信息，用于区块网络认证和身份标识，并作为电能传输数据和市场交易数据的核心基础。在市场交易中，微电网运营商、大用户以及分布式聚合商三方之间存在的竞争关系使得三方的利益目标存在严重冲突，而通过EBN信息的分析和挖掘可能实现市场博弈均衡，达成三方共赢。在竞争博弈过程中，微电网运营商i作为市场中的电能主要生产者，需要首先将各时段可参与竞价的售电电价PMO(t)和售电电量QMO(t)向EBN持续广播信息数据，并附上发送者的身份ID。所有其他市场主体通过独立监听和记录微电网运营商发布的EBN全网数据，经过一定时间间隔Δt后，将自身的电价、电量等信息也发布到EBN中，并由其他用户共同监听和记录。全部市场主体的区块信息均在EBN中记录生成，各主体只需在规定的时间内对数据进行分析，并向EBN中的目标市场主体发布购售需求信息，当两两节点之间达成共识后，即可生成智能合约并完成交易。

2.2 市场主体数学模型

区块链技术所具备的透明性和去中心化特征，使市场主体能够更好地适应市场结构。各节点区块均拥有自身条件下的智能合约信息，如电网信息、用户信息、动态合约等[17]，通过查询和追溯不同用户节点之间的交易信息，市场主体会对电力市场需求、市场行为以及市场潜力进行深入分析和评估，进而优化运行策略，为用户自身提供优化和交易边界，并制定同时期在电力市场中的购售电策略，以追求自身利益最大化。在多微电网系统中，为了追求自身利益最大化，参与市场博弈的微电网运营商、大用户以及分布式聚合商三方主体会通过制定不同阶段的不同购售电策略来影响市场变化。因此，如何在区块链技术支撑下的市场条件中通过竞争博弈获取超额利润，是各博弈方最关心的问题。

2.2.1 微电网运营商需求

(1)

(2)

c. 激励效益和惩罚成本。

(3)

(4)

d. 分布式电源出力补贴收益。

(5)

2.2.2 大用户主体需求

a. 向微电网运营商购电。

(6)

b. 向分布式聚合商购电。

(7)

2.2.3 分布式聚合商需求

a. 向外购电成本。

向小型用户收集电能的成本：

(8)

向微电网运营商购电的成本：

(9)

向其他分布式聚合商的购电成本：

(10)

b. 储能运行成本。

(11)

c. 售电收益。

向微电网运营商售电的收益：

(12)

向大用户售电的收益：

(13)

向其他分布式聚合商售电的收益：

(14)

2.2.4 非合作博弈模型

(1) 博弈主体Γ。

本文研究的多微电网市场竞争博弈模型的博弈主体主要为时段t内有购售电需求的NM个微电网运营商主体、NU个大用户主体以及NA个分布式能源聚合商主体，表示为：

Γ={M1,M2,…,MNM,U1,U2,…,UNU,A1,A2,…,ANA}

(15)

(2) 策略空间P(t)。

(3) 目标函数F。

微电网运营商、大用户以及分布式聚合商三方主体的竞争博弈目标是使自身利益最大化，即以最小成本获取最大效益，各主体的目标函数具体描述如下。

a. 微电网运营商的目标函数为：

(ire-ire0)Rbonus(t)-cextra(t)(Hco2(t)-Hco2(t0))+

(16)

b. 大用户的目标函数为：

(17)

c. 分布式聚合商的目标函数为：

(18)

(4) 约束条件。

a. 微电网运营商的约束条件。

分布式发电机组出力约束：

(19)

(20)

(21)

售电量约束：

(22)

售电电价约束：

(23)

b. 大用户主体的约束条件。

购电量约束：

(24)

购电电价约束：

(25)

c. 分布式聚合商的约束条件。

储能电池功率约束：

(26)

售电电量约束：

(27)

售电电价约束：

(28)

d. 系统功率平衡。

(29)

3 区块链技术下多微电网市场竞争博弈模型求解

3.1 IACO

ACO是对自然界蚂蚁搜寻食物过程的一种仿生，蚂蚁通过不断的交流合作，最终找出巢穴和食物间的最优路径；蚂蚁在寻找路径的过程中，会在当前路径上释放一定的信息素，如果路径越长，则释放的信息素就越低；当碰到障碍物时，蚂蚁会以一定的概率随机地选择一条道路，概率的大小是由该道路上的信息浓度决定的；信息素具有挥发性，随着时间的推移，信息素在最优路径上的浓度会越来越高，而其他路径的浓度会随着时间的推移挥发，最终整个蚂蚁群体找到最优路径。

ACO与区块链都存在去中心化特征，ACO通过个体间的沟通协作可实现整体寻优，而区块链通过区块间的互相监督和共同维护保证了信息传递的安全可靠和透明性。ACO在求解多目标Pareto最优化问题时有着优异的表现，区块链网络与旅行商问题也具备相似性，因此，采用ACO求解基于区块链技术的多微电网市场竞争博弈模型具有可行性。为了更好地实现模型的求解，得到Pareto最优结果，本文在基本ACO的基础上从转移概率和信息素挥发因子两方面对其进行改进，具体改进方法如下。

a. 自适应调整信息素挥发因子。

ACO中挥发因子ρ的大小直接影响到ACO的全局搜索能力及其收敛速度，当要处理的问题规模比较大时，这种影响更为突出，基于此，本文引入了自适应调整信息素挥发因子，旨在通过自适应地改变信息素挥发因子ρ来提高算法的全局搜索能力。

设ρ的初始值ρ(t0)=1，当ACO求得的最优值在N次循环后没有得到明显的改进时，ρ按照以下公式进行调整[19]：

(30)

其中，ρmin为ρ的最小值，可以防止ρ过小而降低收敛速度，一般设ρmin=0.1。

b. 转移概率的改进。

在模型求解中，如果参数a、b选取不当的话会直接影响模型求解的速度和求解的效果，为了提高ACO的计算效率，可将参数a、b定义为[20]：

a=1+e-0.1Nmax

(31)

(32)

其中，Nmax为最大迭代次数，可以通过控制其中一个参数来控制2个参数，增加了参数间的联动性。

3.2 基于IACO模型的各方主体竞争博弈流程

采用IACO求解区块链技术下多微电网市场各主体竞争博弈流程如下。

a. 设置各博弈主体参与竞争博弈的初始策略集合。针对市场主体k，在其报价范围内随机生成na个蚂蚁个体，每个个体代表一种报价策略，主体k在时段t的价格策略集合可表示为：

ηk(t)={Pk1(t),Pk2(t),…,Pkna(t)}

(33)

(34)

d. 根据博弈策略更新目标函数值。若主体l接受主体k的购/售策略，双方达成协议，生成智能合约：

(35)

e. 利用式(30)更新信息素的浓度，令迭代次数N=N+1；若N≤Nmax，则转向步骤b；否则，输出最优结果。

4 算例仿真

为了验证所构建博弈模型的相关特点，本文利用Python3.6软件构建了区域多微电网市场竞争博弈仿真系统；系统选取3组微电网运营商Mi、2组分布式聚合商Aj以及3组大用户Um作为市场博弈竞争主体，各主体之间根据自身的目标相互竞争，并规定各博弈主体的购电价格由对应的售电价格替代。设定各类型市场主体的竞价策略空间一致，则各类型主体的竞价策略区间描述为：微电网运营商主体的竞价策略区间为0.5～1.1元/(kW·h)；分布式聚合商主体的竞价策略区间为0.5～0.95元/(kW·h)；大用户的竞价策略区间为0.5～1.05元/(kW·h)。此外，为了减少模型的计算维度和复杂性，本文设定分布式聚合商Aj在各时段收集的分布式能源的成本相对固定，规定大用户主体Um只购不售。各主体间的购售简易结构如图3所示。通过预测得到各主体24 h的电能需求如图4所示。微电网运营商和分布式聚合商的售电能力如图5所示。

图3 各市场主体博弈简易结构Fig.3 Simplified structure of market game players

图4 各主体不同时段电力需求预测Fig.4 Power demand forecast of each player in different time periods

图5 各主体不同时段售电能力Fig.5 Electricity selling ability of each player in different time periods

为了提高仿真计算效率，本文所搭建测试平台环境包括8台Intel(R)Core(TM)2Duo系列CPU，并配置Windows7专业版系统和8 GB的RAM，每台计算机代表各博弈主体的区块，以IP地址作为网络标识符实现竞价信息的交换和反馈。设置算法最大迭代次数为Nmax=200；各主体依据竞价策略区间随机生成蚂蚁个体数量为na=35，由式(31)、(32)得到参数a=1.0001、b=1.2501；设定最小挥发系数ρmin=0.1。运行仿真系统，得到各主体在不同时段的竞价策略结果如图6所示(图中，PM→M为微电网运营商向微电网运营商的平均竞价策略；PM→A为微电网运营商向聚合商的平均竞价策略；PM→U为微电网运营商向大用户主体的平均竞价策略；其他依此类推)，其中微电网运营商1各时段的竞价策略如图7所示(图中，PM1→A1为微电网运营商1向聚合商1制定的竞价策略；其他依此类推)。

图6 各主体在不同时段的竞价策略Fig.6 Bidding strategies of each player in different time periods

图7 微电网运营商1在不同时段的竞价策略Fig.7 Bidding strategies of M1 in different time periods

图6为各类主体针对其他市场主体的平均竞价策略，以11∶00为例，通过博弈得出此时段的最优电价策略组合为：PM→M=1.05元/(kW·h)；PM→A=0.96元/(kW·h)；PM→U=1.04元/(kW·h)；PA→U=1.04元/(kW·h)；PA→A=0.82元/(kW·h)；PA→M=0.94元/(kW·h)；cU←M=1.04元/(kW·h)；cU←A=1.04元/(kW·h)。

从以上数据可以看出，该时段的电力需求量在上午时段达到顶峰，各市场主体均以较高价格出售电量以获取最大利润。在向用户定制竞价策略时，微电网运营商的售电电价定为1.04元/(kW·h)，而分布式聚合商此时向用户的定价应当不得高于1.04元/(kW·h)，如果分布式聚合商的竞价策略过低，将不会获取高额利润，因此分布式聚合商的定价策略也为1.04元/(kW·h)，这种策略下的用户购电成本最小，与此同时微电网运营商和分布式聚合商也达到了最佳收益。

另外，由于系统需求量较大，部分微电网运营商会出现缺电情况，需向其他主体购取电量。虽然此时段微电网运营商的需求量不大，但是分布式聚合商和其他微电网运营商为了追求最大化的利润而会参与竞价。多电微电网运营商向缺电微电网运营商的平均竞价策略为1.05元/(kW·h)，而分布式聚合商向缺电微电网运营商的平均竞价策略为0.94元/(kW·h)。尽管分布式聚合商的竞价策略低于多电微电网运营商，但其供应能力有限，所以多电微电网运营商制定了较高电价以获取高额利润。图7为微电网运营商1在不同时段的最优竞价策略，其售电策略制定过程与图6类似，在此不再赘述。

微电网运营商和分布式聚合商在各时段向其他市场主体的售电电量结果分别如图8和图9所示(图中，QM→M为微电网运营商向微电网运营商的全部售电电量；QM→A为微电网运营商向分布式聚合商的全部售电电量；QA→M为分布式聚合商向微电网运营商的全部售电电量；其他依此类推)。其中，大用户主体购电电量为分布式聚合商和微电网运营商向大用户主体售电量的总和。

图8 微电网运营商售电电量Fig.8 Electricity sales of microgrid operators

图9 分布式聚合商售电电量Fig.9 Electricity sales of distributed aggregators

为了说明具体市场主体的售电能力，图10和图11分别展示了微电网运营商1和分布式聚合商1在各个时段的售电情况(图中，QM1→M2为微电网运营商1向微电网运营商2的售电电量；QM1→A1为微电网运营商1向聚合商1的售电电量；QA1→M1为分布式聚合商1向微电网运营商1的售电电量；QA1→U1为分布式聚合商1向大用户1的售电电量；其他依此类推)。以16∶00时向大用户1售电为例，微电网运营商1的售电电量为1064kW·h，分布式聚合商1的售电电量为881kW·h，而此时二者向大用户的竞价策略分别为0.95元/(kW·h)和0.96元/(kW·h)，说明微电网运营商以较低售电电价使其售电电量和收益均有所增大，获得较高于分布式聚合商1的售电电量和收益。

图10 微电网运营商1的售电情况Fig.10 Electricity sales of M1

图11 分布式聚合商1的售电情况Fig.11 Electricity sales of A1

图12为IACO每次迭代后产生的Pareto最优值散点图，说明IACO能够找到满足条件的解，算法全局优化能力较强。另外，从图12中可以看出，在微电网运营商高效益、大用户低成本和分布式聚合商高效益区域并不存在Pareto最优点，说明三者的目标函数之间存在矛盾性，各方之间形成竞争博弈之势，使得三方在高收入、低成本区域并不存在满足条件的解。比如微电网运营商获取较高收益的同时，会挤压分布式聚合商的效益，而大用户成本也会随之增加；然而市场竞争博弈使得市场主体之间相互制约，有效地杜绝了低成本、高收入这种情况的发生，从而提高了市场运营效率。

图12 各主体Pareto最优散点图Fig.12 Pareto optimal scatter plot of each player

图13 各市场主体不同时段Pareto最优前沿Fig.13 Optimal Pareto frontier of each player in different time periods

为了验证IACO的性能，本文分别采用ACO、遗传算法(GA)和粒子群优化(PSO)算法对目标函数完成200次优化求解。不同算法计算得到的最佳迭代次数、微电网运营商利润最大值(ΠMO)、分布式聚合商利润最大值(ΠA)以及大用户成本最小值(CU)如表1所示(其中平均收敛次数为各博弈主体目标函数收敛次数的平均值)。

表1 各算法多目标优化结果对比Table 1 Comparison of multi-objective optimization results among four algorithms

从表1可以看出，IACO和ACO的平均收敛次数小于GA和PSO算法，说明ACO的全局收敛能力优于GA和PSO算法，ACO模型与区块链去中心化特征的相似性，加强了ACO在求解问题时的收敛能力。此外，IACO和ACO的ΠMO、ΠA和CU均优于GA和PSO算法，说明ACO的全局搜索能力要优于GA和PSO算法，再次证明了ACO在区块链网络中求解最优化问题时体现的强大搜索能力和效率性。IACO的平均收敛次数少于ACO，且IACO的ΠMO、ΠA和CU也要优于ACO，说明对挥发因子ρ和控制参数a、b的改进提高了普通ACO的全局搜索能力和收敛性能，提高了运算效率，可以得到更优的结果。

此外，本文亦对IACO、ACO、GA和PSO算法在求解区块链技术下多微电网各主体竞争博弈模型时的求解效率进行了对比。图14对比了4种算法在不同网络节点下的求解效率。由图14可以看出，当网络节点数为8时，IACO稍优于其他算法，但各种算法的计算效率相差不大；但随着网络节点数的增加，模型复杂程度越来越大，ACO的求解效率也越来越高，同等规模下的计算时间要远远小于GA、PSO算法，说明ACO的去中心化特征加强了区块链主体间的沟通效率，使得模型的求解效率更高、速度更快。另外，随着节点规模的增加，IACO的求解效率高于ACO，说明通过算法的改进加强了ACO的全局搜索能力和快速收敛能力，从而提高了IACO的求解效率。

图14 各优化算法求解效率对比Fig.14 Comparison of computation efficiency among four optimization algorithms

5 结论

a. 本文研究了局域多微电网系统中市场竞争博弈问题，通过分析微电网运营商、大用户以及分布式聚合商等多个市场主体的需求，基于区块链技术建立了局域多微电网市场竞争博弈模型，并充分考虑了多方主体之间的竞争关系和各自的目标。

b. 本文基于区块链网络和ACO共有的去中心化特征，提出了基于IACO求解局域多微电网市场竞争博弈的一般方法和流程。与ACO、GA和PSO算法相比，IACO在求解区块链技术下多目标问题时的全局搜索能力和收敛能力更强、求解效率更高。

c. 本文采用IACO对多微电网市场竞争博弈模型进行算例仿真分析，通过求解Pareto最优解结果表明：在微电网运营商高效益、大用户低成本和分布式聚合商高效益区域并不存在Pareto最优点，说明三者的目标函数之间存在矛盾性，多微电网系统电力市场各方主体之间形成明显的竞争关系，使得各方主体在高收入、低成本区域并不存在满足条件的解。

参考文献：

[1] 曾鸣，杨雍琦，李源非,等. 能源互联网背景下新能源电力系统运营模式及关键技术初探[J]. 中国电机工程学报，2016，36(3)：681-691.

ZENG Ming，YANG Yongqi，LI Yuanfei,et al. The preliminary research for key operation mode and technologies of electrical power system with renewable energy sources under energy internet[J]. Proceedings of the CESS,2016,36(3)：681-691.

[2] ZKOU K，YANG S，SHAO Z. Energy internet：the business perspective[J]. Applied Energy，2016，178：212-222.

[3] ZHAO M，YU Q. Research of voltage control strategy for power ma-nagement system in DC microgrid[C]∥IEEE International Confe-rence on Energy Internet. Beijing，China：IEEE，2017：338-343.

[4] 刘敦楠，曾鸣，黄仁乐,等. 能源互联网的商业模式与市场机制(二)[J]. 电网技术，2015，39(11)：3050-3056.

LIU Dunnan，ZENG Ming，HUANG Renle，et al. Business models and market mechanisms of E-Net(2)[J]. Power System Technology，2015，39(11)：3050-3056.

[5] 赵敏，沈沉，刘锋,等. 基于博弈论的多微电网系统交易模式研究[J]. 中国电机工程学报，2015，35(4)：848-857.

ZHAO Min，SHEN Chen，LIU Feng,et al. A game-theoretic approach to analyzing power trading possibilities in multi-microgrids[J]. Proceedings of the CSEE，2015，35(4)：848-857.

[6] 江润洲，邱晓燕，李丹. 基于多代理的多微网智能配电网动态博弈模型[J]. 电网技术，2014，38(12)：3321-3327.

JIANG Runzhou，QIU Xiaoyan，LI Dan. Multi-agent system based dynamic game model of smart distribution network containing multi-microgrid[J]. Power System Technology，2014，38(12)：3321-3327.

[7] 刘一欣,郭力,王成山. 多微电网参与下的配电侧电力市场竞价博弈方法[J]. 电网技术，2017,41(8)：2469-2476.

LIU Yixin，GUO Li，WANG Chengshan. Optimal bidding strategy for microgrids in electricity distribution market[J]. Power System Technology，2017，41(8)：2469-2476.

[8] 刘延博，邱晓燕，邱高,等. 孤岛运行下含储能系统的微电网多代理博弈模型[J]. 高压电器，2016(7)：75-81.

LIU Yanbo，QIU Xiaoyan，QIU Gao，et al. Multi-agent game model of microgrid containing energy storage system in islanding operation[J]. High Voltage Apparatus，2016(7)：75-81.

[9] 陈健，刘玉田，张文,等. 基于博弈论的配电网中多级微电网优化配置分析[J]. 电力系统自动化，2016，40(1)：45-52.

CHEN Jian，LIU Yutian，ZHANG Wen,et al. Optimal sizing analysis of multilevel microgrids in distribution network based on game theory[J]. Automation of Electric Power Systems，2016，40(1)：45-52.

[10] 李会利，刘传清. 微电网联盟博弈模型与控制算法研究[J]. 智能电网，2016，4(3)：291-296.

LI Huili，LIU Chuanqing. A study on the model and control algorithm for coalitional game of microgrid[J]. Smart Grid，2016，4(3)：291-296.

[11] 黄顺杰，方华亮，许沛东. 基于博弈的多微网需求响应[J]. 南方电网技术，2017，11(2)：34-40.

HUANG Shunjie，FANG Hualiang，XU Peidong. Demand response of multi-microgrid based on game theory[J]. Southern Power System Technology，2017，11(2)：34-40.

[12] 马天男,牛东晓,黄雅莉,等. 基于Spark平台和多变量L2-Boosting回归模型的分布式能源系统短期负荷预测[J]. 电网技术，2016，40(6)：1642-1649.

MA Tiannan，NIU Dongxiao，HUANG Yali,et al. Short-term load forecasting for distributed energy system based on Spark platform and multi-variable L2-Boosting regression model[J]. Power System Technology，2016，40(6)：1642-1649.

[13] 武赓，曾博，李冉,等. 区块链技术在综合需求侧响应资源交易中的应用模式研究[J]. 中国电机工程学报，2017，37(13)：3717-3728.

WU Geng，ZENG Bo，LI Ran,et al. Research on the application of block chain in the integrated demand response resource transaction[J]. Proceedings of the CSEE，2017，37(13)：3717-3728.

[14] 欧阳旭，朱向前，叶伦,等. 区块链技术在大用户直购电中的应用初探[J]. 中国电机工程学报，2017，37(13)：3737-3745.

OUYANG Xu，ZHU Xiangqian，YE Lun,et al. Preliminary applications of block chain technique in large consumers direct power trading[J]. Proceedings of the CSEE，2017，37(13)：3737-3745.

[15] 张宁，王毅，康重庆,等. 能源互联网中的区块链技术：研究框架与典型应用初探[J]. 中国电机工程学报，2016，36(15)：4011-4022.

ZHANG Ning，WANG Yi，KANG Chongqing，et al. Blockchain technique in the energy internet：preliminary research framework and typical application[J]. Proceedings of the CSEE，2016，36(15)：4011-4022.

[16] 颜拥，赵俊华，文福拴,等. 能源系统中的区块链：概念、应用与展望[J]. 电力建设，2017，38(2)：12-20.

YAN Yong，ZHAO Junhua，WEN Fushuan,et al. Blockchain in energy systems：concept，application and prospect[J]. Electric Power Construction，2017，38(2)：12-20.

[17] 杨德昌，赵肖余，徐梓潇,等. 区块链在能源互联网中应用现状分析和前景展望[J]. 中国电机工程学报，2017，37(13)：3664-3671.

YANG Dechang，ZHAO Xiaoyu，XU Zixiao，et al. Developing status and prospect analysis of blockchain in energy internet[J]. Procee-dings of the CSEE，2017，37(13)：3664-3671.

[18] 朱茳，王海潮，赵振宇,等. 大规模分布式能源博弈竞争模型及其求解算法[J]. 电力建设，2017，38(4)：135-143.

ZHU Jiang，WANG Haichao，ZHAO Zhenyu,et al. Game competition model of large-scale distributed energy system and its solution algorithm[J]. Electric Power Construction，2017，38(4)：135-143.

[19] 袁亚博，刘羿，吴斌. 改进蚁群算法求解最短路径问题[J]. 计算机工程与应用，2016，52(6)：8-12.

YUAN Yabo，LIU Yi，WU Bin. Solving shortest path problem with modified ant colony algorithm[J]. Computer Engineering and Applications，2016，52(6)：8-12.

[20] 刘立，王建兴，秦书硕，等. 一种改进蚁群算法在配电网优化规划中的应用[J]. 科学技术与工程，2011，11(24)：5801-5803.

LIU Li，WANG Jianxing，QIN Shushuo,et al. A kind of application of improve ant colonv algorithm in power distribution network optimization planning[J]. Science Technology and Engineering，2011，11(24)：5801-5803.