风电与电动汽车组成虚拟电厂参与市场的多主体博弈

王红野， 何 俐， 王雪峰， 韩俊杰， 刘铭铭

（1.中国三峡新能源（集团）股份有限公司， 北京 101117； 2.北京清软创新科技股份有限公司， 北京 100096；3.华北电力大学， 北京 102206）

0 引言

风电的随机性和不确定性对电网系统的安全可靠运行产生了极大影响[1]，[2]。风电的接入不仅给预测技术提出更高要求， 如何搭建良好的市场机制也是人们亟需解决的难题。基于此，能源互联网模式应运而生，大量分布式电源、储能资源、可控负荷等新增实体与传统电网构成庞大的有机电力网络[3]，[4]。 伴随着市场环境的开放，能源互联网通过内部协调、削峰填谷、整体优化，使得多方交易体在一定约束条件下实现利益最大化， 同时提高了整个电力网络的可靠性[5]，[6]。

据统计， 急剧增长的电动汽车（Electric Vehicle， EV）在大多数时间处于闲置状态，因此，合理并网的EV 将是一种可观的储能资源[7]，[8]。 近年来，EV 入网技术迅速发展， 使得含EV 和风电的虚拟电厂（Virtual Power Plant，VPP）逐渐成为电力市场中高渗透率的新增实体[9]，[10]。 VPP 的高效性使其成为近年来人们研究的热点之一。 文献[11]搭建了由储能系统、分布式能源以及电力用户构成的VPP，参与电力市场投标竞价。 文献[12]建立了含风电机组和EV 群的VPP， 数据仿真表明，该模式具有更好的经济效益。 文献[13]，[14]为了避免大量EV 直接入网所引发的“维灾难”，提出了基于博弈论的决策优化模型。 文献[15]针对我国电力市场环境， 讨论了风电等清洁能源的接入方案。

随着电力改革的深入， 售电侧开放程度日趋加大， 电力市场吸纳越来越多符合准入标准的参与者，且各参与者的经济行为不断复杂化[16]。电网公司、传统发电商、新能源电厂和用户群体都是能源互联网模式下电力市场的重要交易体， 各交易体通过非合作博弈获取自身的最大利益[17]。

在新能源电力市场一体化交易智能决策建设方案研究项目支持下， 本文建立了由EV 和风电组成的VPP、传统发电商、用户以及电网公司参与下的多方电价联动博弈模型， 并利用协同遗传进化 算 法 （Cooperative Coevolutionary Genetic Algorithm， CCGAs）求出博弈均衡解[18]，[19]。 为了研究风电商和EV 商以VPP 模式参与投标博弈对市场的影响， 本文分析对比了二者以独立及联营两种参与模式下的利润差异， 并进一步研究了EV 商的经济行为对电价曲线的影响。

1 多主体交易的博弈框架

能源互联网商业模式打破了传统集中式的垂直电力市场结构， 多方能源经济体积极主动参与市场交易。各交易体具有独立自治能力，在交易博弈策略的指导下相互协调，解决矛盾冲突，最终建立局部微平衡能源供需子网[20]，[21]。 图1 为多方交易的博弈框架图。

图1 电力市场多主体交易结构模式Fig.1 Structure model of multi-agents transaction in power market

2 博弈策略建模

电力改革强化了电能的商品属性， 通过市场手段优化电能资源配置。 参与市场博弈的各交易主体具有独立的目标及行为， 它们根据供求关系自发调节市场策略， 使得各方电价和电量达到均衡。 博弈行为分时段进行，本文将1 d 分为24 个时段（T=24）。

2.1 VPP 商的策略模型

本文基于风电场景模拟技术， 根据风速历史数据获取t 时段的N 个场景风电出力序列[22]。 考虑一个风电商和一个EV 聚合商组成的VPP。 EV商购买电量的行为具有用户属性， 即可自由选择包括VPP 在内的任何供电方。

t 时段VPP 的总投标出力为

风电商与EV 联营时仍有可能出现投标偏差，当投标量小于实际出力时，多余电量不允许输入市场；当投标量大于实际出力时，将受到电力市场管理部门的经济惩罚。因此，VPP 的目标函数可表示为

2.2 用户群体的策略模型

用户在满足自身用电需求的前提下， 根据各供电方的销售电价以及所在地域选择最佳供电商。为了减少模型复杂度，本文将所有用户的总效益作为策略博弈目标， 并且用电效益系数统一设为φ。 则用户效用函数Ku可表示为

用户实体的成本Eu是向供电商支付的电费，可表示为

因此，用户群体的目标函数为

2.3 传统发电商的策略模型

成本函数Eg为

传统发电商的目标函数为

发电商决策时的约束条件：

2.4 电网公司的策略模型

电网公司的收益分为两部分： ①向用户收取电费；②收取其他供电商的过网服务费。 此外，电网公司作为公共事业性质企业， 负有保证电能质量、系统安全、用电服务等社会责任。 电网运营过程中需要承担设备维护、网络损耗、公司运营等成本。

电网公司的收益函数为

式中：第一项为中标电网公司的用户电费；第二、第三项分别为传统供电商和VPP 的过网费。

成本函数Ed为

式中：第一、第二项分别为电网公司向传统供电商和VPP 购买的电能成本； 第三项为电网向用户j输送电能的损耗成本。

电网公司的目标函数为

3 纳什均衡求解方法

3.1 多方博弈的纳什均衡

式中：P*‖Xi表示只有交易体i 改变P*中自己的策略向量，其他交易体策略不变。

3.2 基于CCGAs 算法求解纳什均衡

CCGAs 算法优化过程借鉴大自然多种群协同演化机制，不同种群的遗传过程相互隔离。各种群通过共同的生态系统相互作用、整体协调，实现整个生态系统的进化。 CCGAs 算法采用一种“分而治之”的优化策略，将大规模、非线性、高维度的大系统化解为多个简单子系统， 每个子系统对应一个种群， 种群内部按照传统遗传算法进行独立优化。 子系统优化和整体协调两种操作交替迭代进行，最终达到全局最优。

CCGAs 算法符合电力市场多方交易体博弈过程，每个交易体就是一个独立的种群，算法框图如图2 所示。

图2 CCGAs 算法框架图Fig.2 Game framework of CCGAs

子系统的个体评估依赖于各种群之间的合作，即当选择某个交易体的最优决策变量时，需将其他交易体当前的最优个体代表与其共同构成整个系统的策略组合，计算出效益值，从而评判该子系统个体决策变量的优劣。 4 个种群通过各自的进化和协作，不断地改善整个系统的适应度值。

电网公司、VPP 和传统发电商的决策变量是电价，算法优化初始阶段需要二进制编码。用户是市场价格的接受者， 它的博弈策略是依据其他售电商的电价决策以及自身的地理位置选择供电方。 因此，用户的决策变量是二值化的“1”和“0”，代表用户对供电商的选择与否。

CCGAs 算法的步骤如下：

①设置各子种群参数（种群规模、迭代次数、编译概率、遗传概率等），初始化决策变量并编码；

②计算个体适应度值。 此时需要种群协作机制，以t 种群为例，首先挑选其他子种群上代所搜索的最优粒子（个体代表），与t 种群当前任一个体形成决策集，并基于此决策集，应用第2 节方法计算t 种群个体适应度值；

③遗传操作。采用精英保留机制，将适应度值最大的粒子作为子种群的个体代表， 参与下一代的遗传操作；

④重复步骤②和③， 直到满足迭代预先设置的次数， 此时各种群的最优个体代表即为该交易体的博弈均衡解。

4 实例仿真

本文假设100×100 km2的区域内有传统发电商、 供电公司、VPP 商各一个，100 个用户群体随机分布，如图3 所示。

图3 交易体地理位置示意图Fig.3 Location map of multi-agents

用户群体总负荷需求如图4 所示， 单用户各时段的负荷为0.5～2 MW， 且其趋势如总负荷曲线，即0～7 h 为低谷时段，8～23 h 为高峰时段。

图4 用户群各时段总负荷Fig.4 Total road of user colony

图5 为市场博弈过程。

图5 多主体市场博弈过程Fig.5 Process of game among multi-agents in electrical power marke

从图5 可以看出， 博弈前期各交易实体利润波动较大。这是由于CCGAs 算法寻优过程属于概率性算法，各交易体决策随机性较大。随着迭代次数的增多， 适应度较大的策略具有更大概率遗传到下一代。因此在博弈后期，各群体逐渐进化出最优个体， 即各交易实体选择了最为合理的交易策略，利润稳定于理想值。

4.1 两种模式下的利润对比

为了研究VPP 对多主体市场的影响， 风电商与EV 商分别以两种运营模式参与电力市场博弈。

模式一：风电商和EV 商合作联营，共同组成VPP 参与市场竞争，如2.1 节所述。

模式二：风电商和EV 商之间存在利益冲突，二者分别独立参与市场竞争。

图6 为两种模式下博弈均衡时各供电商利润。

图6 两种模式的利润对比Fig.6 Profit comparison between two models

从图6 可以看出；两种模式下，电网公司和传统发电商的利润值没有明显区别； 风电商与EV商联营的总利润明显高于模式二下两者的利润之和， 其中， 模式二的EV 商和风电商利润之和为22.4 万元，模式一的VPP 商利润为28.3 万元，增加率高达20.8%。 说明VPP 能够合理调用EV 电源的存储能力，充分利用风电资源。 VPP 模式不但能够弥补投标偏差，减少惩罚成本，还可以将部分时段的风电转移到更高价时段上网， 从而提高总利润。

4.2 EV 商套利行为对市场的影响

EV 商选择在负荷低谷时段购进电能， 在负荷高峰时段卖出套利。 EV 群充电阶段具有用户属性，是市场电价的接受者；在放电套利阶段属于供电方，是市场电价的影响者。为了分析EV 商套利行为对电力市场的影响， 本文分别建立了一个没有EV 商参与的模型和含EV 商 （与风电商组成VPP）参与的模型，并将二者进行了对比。 图7，8 为博弈均衡时各供电商时段的电价曲线。

图7 没有EV 商参与的时段电价折线图Fig.7 Line chart of each time without EV

图8 含EV 商参与的时段电价折线图Fig.8 Line chart of each time with EV

通过对比图7，8 发现， 图8 所显示的各供电商电价具有更小的波动性， 即含EV 商接入可起到稳定电价的作用， 且市场均衡电价总体上有所降低，尤其在用电高峰时段。说明EV 商的参与可以进一步刺激市场活力， 为用户提供更多用电选择，使得市场更具灵活性。

5 结束语

随着电力改革的不断深入， 电力市场渐趋复杂化、多主体化。本文建立了由EV 和风电组成的VPP、传统发电商、用户以及电网公司参与下的多方非合作博弈模型，并利用CCGAs 算法求出博弈均衡解。 通过分析对比风电商与EV 商以合作和非合作两种模式参与博弈的市场情况， 合作模式下的VPP 商更具市场竞争力，能获得更高的总利润。 此外，仿真分析发现，EV 商的套利行为可以进一步刺激市场活力，起到稳定电价的作用。