氢耦合区域综合能源系统集群双层博弈随机优化调度策略

2023-12-29李咸善李晨杰

电力自动化设备 2023年12期

李咸善，李晨杰，张磊

（1.三峡大学梯级水电站运行与控制湖北省重点实验室，湖北宜昌 443002；2.三峡大学电气与新能源学院，湖北宜昌 443002）

0 引言

高比例新能源电能渗透的区域综合能源系统（regional integrated energy system，RIES）通过异质能源协调管理，实现电、气、热系统的耦合［1-2］，在满足各异质能系统负荷需求的同时，为新能源消纳提供了有效途径。但随着RIES 中新能源渗透率的不断提升，灵活性调节资源的需求也不断提升。储能技术是实现规模化能量调节的有效手段［3］，应充分发挥氢能作为新能源规模化消纳的重要载体，推动形成“氢-电-热”一体化多元互补融合的现代能源供应体系［4］。为此，本文将氢能与新能源高比例渗透的RIES 耦合，构建氢耦合RIES，并将其通过电气接口接入主动配电网（active distribution network，ADN），形成含多个氢耦合RIES 的RIES 集群，实施新能源的RIES 内部消纳、RIES 间互补消纳及氢能转换调节消纳策略，解决多RIES 互补交易模式、氢能耦合低碳化高效应用、源荷不确定性调度风险规避等关键问题。

在RIES 互补交易模式方面，含新能源的RIES属于典型的产消用户，根据《关于开展分布式发电市场化交易试点的通知》［5］，为支持所有产消者对等参与电力市场、缓解集中市场信息压力，鼓励接入ADN 的RIES 之间进行点对点（peer to peer，P2P）电能互补交易。

目前，基于博弈论“均衡”的P2P 交易机制在电能交易市场已有大量研究。文献［6］建立非合作博弈模型，将纳什均衡解作为最优交易策略。但由于个体趋利竞争，个体会频繁改变购售电策略，当其中至少有一个个体不接受其他个体策略时，非合作博弈就难以达到均衡，从而降低了多主体之间的电能交易效率。文献［7］针对RIES 联盟提出了基于合作博弈的调度策略，实现联盟效益最大化，但随着参与者数量增加，计算复杂度大幅增加，难以应用于参与者数量庞大的电力市场中。在信息复杂多样的P2P交易过程中，RIES 运营商很可能做出非理性购售决策，这与经典博弈论完全理性的假设相悖。演化博弈是经典博弈论和进化论的有机结合，博弈参与者只需有限理性，可以更加真实地刻画工程实际中的博弈行为。为此，本文建立基于演化博弈的P2P 电能交易机制，RIES 集群内通过售电群体的价格信号引导购电个体的选择行为，提升各RIES 优先消纳新能源的积极性；同时，各RIES 对于自身的电能需求和交易价格是可控的，购售双方直接以最优电价进行交互，进一步挖掘电力市场的潜在效益。

电制氢（power-to-hydrogen，P2H）技术为各RIES在电能互补交易之后过剩的新能源就地消纳提供了新途径，但需要解决氢能的低碳化高效应用问题。文献［8］为实现新能源就地消纳以及低碳特性，将P2H环节产生的氢气作为电转气的中间产物，但甲烷化效率低并产生大量余热浪费问题，无法与市场价格低廉的天然气相竞争；此外，忽略了P2H过程中氢气的其他用途，未实现氢能的高效利用。与文献［8］不同，文献［9］将过剩新能源制成氢气，建立了基于纯氢燃气轮机的氢储能模型，实现零碳排放的优化调度，但对氢气需求量极大，经济性不佳。而混氢天然气技术［10］的快速发展为实现氢能高效利用打破困境。以上研究在对P2H建模时均将氢气产出与新能源输入功率视为线性关系，即制氢效率为常数；但在工程实际中P2H 技术随着输入功率增加，其制氢效率会减小［11］，若产氢量的理论计算与实际情况相差较大，则会影响RIES 在实时调度时各环节的出力安排，出现失负荷等问题。为此，本文考虑产氢量与输入功率的非线性关系，建立制氢效率动态变化的P2H 模型，进一步消纳各RIES 电能互补交易后过剩的新能源以及通过混氢技术实现对氢能的低碳化高效利用。

在RIES 内源荷不确定性给调度方案带来潜在的执行风险规避研究方面，相比于鲁棒优化的保守性［12］，随机优化可以将新能源不确定问题转化为线性问题，将不确定性模型转化为确定性模型；文献［13］针对源荷不确定性，利用条件风险价值（conditional value at risk，CVaR）理论解决其对RIES 制定调度方案带来的风险问题，为本文解决RIES 内的源荷不确定性提供了理论参考。

综上所述，本文提出了氢耦合RIES 集群双层博弈随机优化调度策略，主要研究内容和解决的关键问题如下：

1）考虑RIES 调度决策者的有限理性，建立基于演化博弈P2P 电能交易机制，构建RIES 售电群体与购电群体之间的双层博弈模型，激励RIES 参与电能互补交易就地消纳新能源的积极性；

2）构建制氢效率动态变化的P2H 模型，用于消纳各RIES 之间电能交易后过剩的新能源，实现氢能的低碳化高效利用；

3）考虑源荷不确定性，建立基于CVaR 的多目标优化调度模型，规避源荷不确定性对RIES 集群调度策略带来的执行风险。

1 氢耦合RIES集群双层博弈调度策略

1.1 氢耦合RIES集群场景架构

氢耦合RIES 集群场景架构如图1 所示。各氢耦合RIES 通过电气接口接入ADN，以电能形式与ADN 进行交互；同时，各氢耦合RIES 之间可通过ADN母线进行新能源电能交易，构成氢耦合RIES集群，实现集群内部电-气-热异质能系统的产消协调优化。氢耦合RIES 内包括电力系统、氢能系统、热力系统和天然气系统4 个部分。电力系统内过剩的新能源电能通过氢能系统内的P2H 转化为氢能，将其作为热力系统内混氢燃气轮机（mixed hydrogen gas turbine，MHGT）和混氢燃气锅炉（mixed hydrogen gas boiler，MHGB）的清洁燃料支撑氢耦合RIES的异质能平衡，促进氢能的低碳化高效利用。

图1 氢耦合RIES集群的场景框架图Fig.1 Scenario frame diagram of hydrogen-coupled RIES cluster

1.2 RIES集群三阶段优化调度策略

三阶段协同调度策略的主要目标是促进高比例新能源的就地消纳，如图2 所示。图中：RIESi（i=1，2，…，M，M为购电RIES总数）、RIESj（j=1，2，…，N，N为售电RIES总数）分别表示购电RIES和售电RIES。

图2 氢耦合RIES集群的三阶段调度策略及模型框架Fig.2 Three-stage dispatching strategy and model frame of hydrogen-coupled RIES cluster

第一阶段：RIES新能源电能波动平抑。各RIES优先消纳自身新能源支撑电负荷，得到净电负荷曲线（电负荷减去新能源电能），以电储能为调节手段，构建电储能平抑成本最小和净电负荷均方差最小的多目标优化模型，通过优化电储能的充放电策略来平抑净电负荷波动。

第二阶段：各RIES 之间基于演化博弈的P2P 新能源电能交易机制。根据电储能平抑后的净电负荷将RIES 集群划分为购电群体和售电群体，建立以售电群体为主体和以购电群体为从体的外层主从博弈优化模型，主体根据ADN 的分时购售电价和过网费制定自身售电电价，达到售电效益最大；从体以对主体的选择作为策略建立内层演化博弈模型响应主体电价，实现购电成本最小；整体上构建双层博弈模型，求解得到最优购售电策略。

第三阶段：RIES 间互补交易后过剩新能源的P2H 应用及其能量平衡优化调度模型。各RIES 将电能互补交易后过剩的新能源通过P2H技术制成氢气，用于电能时移和电-气、电-热的氢能高效转化及调节应用，实现考虑源荷不确定性的各RIES 能量低碳化优化调度。

2 RIES新能源波动平抑优化模型

根据图2 所示的第一阶段调度策略，基于电储能调节构建电储能平抑成本最小和净电负荷均方差最小的多目标优化模型。

2.1 平抑净电负荷波动的目标函数

1）净电负荷均方差Kr最小。

2）电储能平抑成本fr1最小。

式中：αr、βr分别为RIESr的电储能单位充、放电的成本系数。

2.2 约束条件

平抑净电负荷波动的约束条件主要考虑电储能单元运行约束条件，详见附录A式（A1）。

3 基于演化博弈的RIES 集群P2P 电能交易双层博弈优化调度模型

根据图2 所示的第二阶段调度策略，构建RIES售电群体与购电群体之间的双层博弈模型，外层为以售电群体为主体和以购电群体为从体的主从博弈优化模型，内层为从体购电群体演化博弈模型。

3.1 内层：购电群体的演化博弈模型

3.1.1 购电群体的演化博弈模型

售电RIES 根据ADN 购售电价及过网费制定售电电价，激励购电RIES参与P2P交易。购电RIES根据售电RIES 的售电电价选择一个售电RIES 进行交易，将其选择售电个体的概率处理为演化博弈中的选择策略并不断调整，形成购电群体的演化博弈模型。

演化博弈模型如下。

1）参与者：M个购电RIES。

2）策略集：购电RIES 购电时的选择状态，即以时段t内购电RIESi选择售电RIESj购买电能的概率表示。时段t内购电RIES群体的选择状态σt可表示为：

3）收益：时段t内购电RIESi的效益。

效用函数适合采用凹函数模型（二次函数）表示［14］，购电RIESi选择售电RIESj进行购电后所获得的效益E为：

过网费与各RIES 之间的电气距离和交易电量相关，模型如式（5）所示。

式中：ϑ为单位线路阻抗的过网费调节系数；Zij为购电RIESi与售电RIESj之间的传输线路阻抗。

根据式（4），可以得到时段t内购电RIESi向售电RIESj购电的最优电量为：

购电RIESi向售电RIESj购电的电量为：

根据购电RIESi对售电群体中每个个体的选择概率σ，可得时段t内购电RIESi的效益期望Eˉi，t为：

购电RIESi选择概率的复制者动态模型如式（9）所示，表示在演化博弈过程中，购电RIESi对售电RIESj的选择概率与其效益的动态变化趋势。

根据式（9），可得离散情形下复制者动态模型的迭代方程，如式（10）所示，其刻画了有限理性的购电决策者选择售电个体的行为变化趋势。

式中：k为演化博弈的迭代次数；Δk为时间步长。

经过演化博弈多轮迭代之后，当购电RIESi的选择策略不变，即演化博弈达到均衡时，根据式（10），可以得到迭代的收敛条件为：

式中：κ为收敛精度。

3.1.2 演化博弈均衡稳定性的证明

由式（9）可知，当复制者动态方程∂σ/∂t=0时，RIESi的演化博弈达到均衡。演化博弈均衡稳定性的证明过程见附录A式（A2）、（A3）［15］。

3.2 外层：购电群体与售电群体的主从博弈模型

构建RIES 售电群体与购电群体之间的主从博弈模型，优化RIES集群的购售电策略。

3.2.1 售电RIES的效益模型

在时段t内售电RIESj的总售电量Qj.t为：

时段t内售电RIESj的售电效益E为：

式中：P为时段t内售电RIESj的电负荷；wj和vj为售电RIESj需求侧的用电效用系数。

3.2.2 主从博弈的纳什均衡

主从博弈模型Gt如式（14）所示。

式中：σi，t为时段t内购电RIESi的购电概率。

1）参与者：M个购电RIES，N个售电RIES。

2）策略：时段t内售电RIESj的售电电价χj，t；购电RIESi在时段t内购买电能的概率σi，t。

3）收益：售电RIESj效益函数E，由式（13）得到；购电RIESi效益函数E，由式（4）得到。

主从博弈达到均衡的条件为：

式中：χ和σ分别为时段t内在主从博弈达到均衡时售电RIESj的最优售电电价和购电RIESi的最优购电概率。

3.3 P2P电能交易的目标函数

各RIES进行P2P电能交易的成本fr2如下。

1）购电RIESi的效益目标函数。

式中：fi2为购电RIESi在P2P交易时的效益。

2）售电RIESj的效益目标函数。

式中：fj2为售电RIESj在P2P交易时的效益。

3.4 P2P电能交易的约束条件

在P2P 电能交易过程中，售电电价约束和交易电量约束详见附录A式（A4）、（A5）。

4 氢耦合RIES的优化调度模型

根据图2 所示的第三阶段建立氢耦合RIES 的制氢效率动态变化P2H模型。将第二阶段过剩的新能源通过P2H设备转换成氢气，优先送入混氢机组，实现电能时移和电-气、电-热转移的氢能调节，构建氢耦合RIES的低碳化优化调度模型。

4.1 氢耦合RIES内部元件的功率模型

4.1.1 P2H的功率模型

质子交换膜电解槽具有效率高、产气纯度高且稳定性强的特点，建立制氢效率变化的功率模型，如式（18）所示。

基于文献［16］的电化学模型以及数据进行拟合，建立制氢效率的二次函数分段拟合模型，如式（19）所示。

质子交换膜电解槽的模型说明如附录A 式（A6）—（A9）所示［11，16］，制氢效率特性曲线如附录A图A1 所示，制氢效率特性的2 种拟合函数及结果分别如附录A式（A10）和图A2、式（A11）和图A3所示。

4.1.2 混氢机组的功率模型

混氢机组包括MHGT 和MHGB，其功率模型详见附录A式（A12）、（A13）［17］。

4.1.3 氢耦合RIES的储能设备功率模型

氢耦合RIES 的储能设备包括电储能、储热罐、储气罐和储氢罐，其功率模型分别见式（A1）和附录A式（A14）—（A16）［18］。

4.2 阶梯式碳交易模型

针对我国“双碳”目标下的清洁能源转型要求，本文在新能源电力消纳调度的同时，进一步考虑系统的低碳化调度。实施碳配额政策，各RIES 拥有分配的免费碳配额，当RIES 实际的碳排放低于其配额时，可在碳交易市场将剩余配额出售，反之，则需要在碳市场购买超出配额或承担相应惩罚。

1）碳排放计算模型。

氢耦合RIES 产生碳排放包括从ADN 购买电能承担的碳排放以及可控分布式电源机组、MHGT、MHGB产生的碳排放，如式（20）所示。

式中：Q为时段t内RIESr碳排放量；P为时段t内RIESr从ADN 购买的电能；P为时段t内RIESr分布式电源机组出力；P为时段t内RIESr的MHGT 输出电功率；Q为时段t内RIESr的MHGB 输出热功率；e0—e3为相应碳排放系数。

2）碳配额计算模型。

式中：Q为时段t内RIESr的碳配额；ΔQr为RIESr的碳配额考核余量；K0—K3为单位功率碳配额系数。

3）阶梯式碳交易模型。

为了应对RIES 不愿意进行低碳化改造与低碳化调度而趋向于购买碳配额完成任务的现象，本文采用阶梯碳交易价格模型［18］，引入补偿因子，实施奖惩。在降低碳排放量的同时，有利于减少从ADN 的购买电量，促进新能源的就地消纳。阶梯式碳交易模型见附录A式（A17）。

4.3 氢耦合RIES优化调度的目标函数

氢耦合RIES 在P2P 电能交易后的优化调度目标函数为：

式中：fr3为RIESr在P2P 电能交易后的优化调度成本；C和C分别为时段t内RIESr的MHGT、MHGB消耗天然气和氢气的成本；C为时段t内RIESr与ADN 购售电能的成本；C为时段t内RIESr的分布式电源机组的发电成本；C为RIESr的碳交易成本。式（22）中的成本表达式详见式（23）—（25）。

式中：κ为时段t内天然气网售气价格；κ为时段t内氢能市场售氢价格分别为时段t内RIESr的购气量和购氢量。

式中：P为时段t内RIESr向ADN 售出的电能；U、U分别表示RIESr向ADN 购、售电状态，其取值为1分别表示进行购、售电，其取值为0 分别表示未进行购、售电；、分别为时段t内ADN的购、售电价。

式中：mr、nr为RIESr内分布式电源机组发电成本系数。

4.4 基于CVaR的优化调度模型

采用CVaR 衡量RIES在调度时面临的源荷不确定性风险损失。基于CVaR的优化调度模型为：

约束条件如下：

式中：ξCVaRr为RIESr的CVaR 值；ξr为RIESr调度成本的风险价值；θr为RIESr的置信水平；ps为场景s的发生概率；S为场景总数；γsr为非负辅助变量，表示场景s下RIESr调度成本超过ξr的成本量；为场景s下RIESr的总调度成本，且满足分别为场景s下RIESr的3个阶段的成本fr1—fr3。

当源荷实际值与其预测值之间的误差较大时，各RIES 实时调度的电能互补功率无法满足日前规划方案，会出现失负荷，影响系统正常运行。为此，以调度成本期望与CVaR 作为优化目标，建立多目标优化模型，并引入风险权重系数，将多目标优化模型转化为单目标优化模型。由式（26）—（28）建立基于CVaR的总调度成本模型，如式（29）所示。

式中：ωr为RIESr的风险权重系数。

4.5 约束条件

上述氢耦合RIES 的优化调度模型的约束条件包括电、热、气、氢系统的功率平衡约束，与ADN 之间的购售电约束、分布式电源机组出力约束等，详见附录A式（A18）—（A23）。

5 模型求解方法

第一阶段：电储能平抑新能源波动的优化模型采用快速非支配多目标优化算法求解。

第二阶段：P2P 电能交易双层博弈模型采用遗传算法嵌套CPLEX 求解器的方式求解［19］，求解流程如附录A图A4所示。具体步骤如下。

1）步骤1：根据各RIES 自身净电负荷将RIES 集群划分为购、售电群体，并编号（i=1，2，…，M；j=1，2，…，N）。

2）步骤2：售电群体为博弈主体，初始化遗传算法种群参数，生成（更新）售电电价信息。

3）步骤3：构建购电RIES 演化博弈模型。模型的求解过程如下。

a）购电RIESi根据售电电价和过网费以自身效益最大化制定购电选择策略。

b）由式（4）和式（8）分别求出购电RIESi选择售电RIESj的效益E和效益期望Eˉi，t。

c）根据式（10），通过离散情形下复制者动态模型的迭代方程更新自身购电选择策略。

d）判断选择策略是否达到演化均衡，若达到均衡状态，则执行步骤e），否则执行步骤b）。

e）下一个购电RIESi+1制定购电选择策略进行演化博弈，直到全部购电RIES达到演化均衡。

4）步骤4：计算售电RIES自身效益，判断售电群体是否达到均衡，若达到均衡状态，则输出最优购售电策略，否则执行步骤2。

第三阶段：根据第二阶段最优购售电策略，通过Yalmip 工具箱和CPLEX 求解器对基于CVaR 的氢耦合RIES优化调度模型进行求解。

6 算例分析

6.1 参数设置

以西北某地区为例，选取4个RIES组成RIES集群作为研究对象，其中RIES2为氢耦合RIES。RIES2的各元件参数及其他RIES 的储能装置参数见附录B 表B1、B2；各RIES 中的电、气、热负荷预测曲线见附录B 图B1；ADN 的分时购、售电价和天然气网的分时气价见附录B 表B3、B4［20］。取各RIES 中的源荷数据计算得到均值μ，并将0.1μ作为标准差δ，根据呈正态分布的预测误差生成场景集，采用概率距离削减法将场景集中的场景削减为10 个典型场景，各场景的生成概率见附录B表B5。

6.2 仿真算例情形设计

设计了4 种典型调度策略的算例情形进行仿真对比分析，验证本文方法的有效性及其优势。

情形1：不考虑源荷不确定性，不考虑氢耦合调节，集群内4 个传统RIES 进行本文三阶段优化调度，再通过系统内耦合设备实现异质能平衡。

情形2：考虑源荷不确定性，集群内有3 个传统RIES 和1 个氢耦合RIES，它们之间不进行电能互补交易，RIES中的余缺电能直接与ADN进行购售电交易，再通过各系统内的能源耦合设备平衡各自异质能，独自实现随机优化调度。

情形3：不考虑源荷不确定性，集群内3 个传统RIES 和1 个氢耦合RIES 进行本文三阶段优化调度，再通过系统内耦合设备实现异质能平衡。

情形4（本文方法）：在情形3 条件下，考虑源荷不确定性。

6.3 各情形的调度结果对比与分析

对比4 种情形下RIES 集群内各系统的调度成本、新能源就地消纳率以及碳排放量，如表1所示。

表1 不同情形下的效益成本对比Table 1 Benefit cost comparison under different conditions

由情形1、3的调度结果对比可知：情形3下新能源就地消纳率高于情形1，且情形3 下氢耦合RIES2调度成本低于情形1 下的传统RIES2。这是由于氢耦合RIES2将互补交易后过剩新能源通过P2H 转换为氢能储存进一步就地消纳，再通过混氢燃气机组对氢能进行低碳化高效利用，实现更低成本的负荷平衡。

由情形2、4 的调度结果对比可知：情形2 下无P2P交易，过剩新能源只能通过ADN跨区消纳，导致情形2 下新能源就地消纳率远低于情形4，且情形2下各RIES 需要从ADN 购买更多高价电能，或者在电价高峰期通过燃气机组来支撑异质能，调度成本和碳排放量高于情形4。

由情形3、4的调度结果对比可知：情形4考虑了CVaR，总成本虽高于情形3，但增强了其调度策略规避不确定性风险的能力。此外，2 种情形新能源就地消纳率和碳排放量变化极小，这说明当考虑源荷不确定性时，基本不会影响系统新能源就地消纳率和碳排放量。

6.4 RIES集群的调度策略结果与分析

针对情形4，以生成概率最大的场景2为例分析氢耦合RIES2调度结果。

1）电储能平抑净电负荷的充放电策略。

净电负荷平抑的Pareto 曲线见附录C 图C1，选取成本为1 489.5元，净电负荷均方差为3.81×106kW2的充放电策略平抑净电负荷，平抑效果见附录C图C2。

2）优化调度结果与分析。

氢耦合RIES2的调度结果如图3所示，其他RIES的优化调度结果见附录C图C3 — C6。

图3 氢耦合RIES2内各能源系统的优化调度结果Fig.3 Optimal dispatching results of energy systems in hydrogen-coupled RIES2

由图3（a）所示电力系统优化调度结果可知：附录C 图C7 所示净电负荷曲线在［00:00，17:00］时段为负，说明其新能源优先支撑自身电负荷后过剩，通过集群P2P 交易进行就地消纳，交易后剩余新能源通过P2H 转换为氢能储存就地消纳，最后将MHGT为支撑热负荷而多发的电功率卖给ADN；在（17:00，24:00）时段，净电负荷为正，其新能源不足，缺额的电负荷先通过集群内P2P 交易满足；然而由于（17:00，23:00］时段为ADN 峰时售电电价，因此将系统内MHGT 投入运行来支撑剩余电负荷，特别是在（17:00，20:00］时段，由于电负荷处于峰值，且MHGT的容量达到上限，需要启动系统内的分布式电源机组支撑电负荷。

由图3（b）所示热力系统优化调度结果可知：氢耦合RIES2需要通过混氢机组协同支撑系统内的热负荷，在［03:00，06:00］、［13:00，14:00］、［21:00，23:00］时段的天然气网处于谷价时段，混氢机组将多发的热能利用储热罐储存备用；在（06:00，08:00］、［17:00，20:00］时段，热负荷处于峰值，为降低调度成本系统协调混氢机组和储热罐支撑该时段的热负荷。

氢耦合RIES2内天然气系统和氢气系统调度结果具有同样的协同效果，具体如图C4所示。

3）质子交换膜电解槽的运行特征分析。

调度过程中，RIES2内P2H 输入功率与制氢效率的关系如图4 所示。在［00:00，03:00］和［05:00，17:00］时段，P2P 交易后的净电负荷为负，P2H 处于启动状态。如在［09:00，12:00］时段，P2H 的输入功率由182.71 kW 增至283.06 kW，再降到68.93 kW；相应地，P2H 的运行效率由0.72 下降到0.68，再上升到0.76。结合附录A 图A2 可以看出：在输入功率较低时，电解槽的制氢功率快速上升；在输入功率达到0.211 6Pmax，in（Pmax，in为最大输入功率）时，制氢功率随着输入功率的增加而缓慢降低。此外，在个别时段输入功率较小但制氢功率并不高，这是由于处于制氢功率曲线的前半端，并未达到制氢效率的峰值。在（03:00，05:00）和（17:00，24:00）时段，P2P 交易后的净电负荷为正，系统内没有过剩新能源，P2H 处于停机状态。

图4 氢耦合RIES2内P2H输入功率与运行效率的关系Fig.4 Relationship between P2H input power and operating efficiency in hydrogen-coupled RIES2

6.5 购电个体的选择策略结果与分析

以氢耦合RIES2为例，在［17:00，24:00］时段，RIES2作为购电个体参与P2P 电能交易，其部分时段对售电个体的选择策略如表2 所示。表中：p23、p24分别为RIES2选择RIES3、RIES4购电的概率。

表2 购电个体对售电个体的选择策略Table 2 Selection strategy of electricity purchase individual to electricity selling individual

由表2 可知，大部分时段的P2P 交易过程中，RIES2选择售电电价最低的售电个体进行购电的概率较高，但在某些时段，RIES2选择售电电价最低的售电个体概率并不是最高的，如［19:00，20:00）时段，RIES3发布的售电电价低于RIES4，但RIES2选择RIES3的概率仅为0.231，低于其选择RIES4的概率0.769。这说明RIES集群内的P2P交易中，购电个体选择售电个体时，售电电价并不是购电个体要考虑的唯一因素，同时也要考虑过网费和电能需求量对选择策略的影响。

［15:00，16:00）时段购电个体选择策略的收敛过程如附录C 图C8 所示。由图可知：购电时购电个体的动态演化行为能快速地达到均衡状态。

6.6 考虑CVaR对调度结果的影响

以氢耦合RIES2为例，分析不同风险权重系数ω2对其总成本和CVaR 的影响，如图5所示。随着ω2的增加，RIES2进入保守状态，调度决策者逐渐重视源荷不确定性对系统的影响，通过减小CVaR 值来提高系统规避调度风险的能力，总成本也随之增加。而当ω2较小时，RIES2处于激进状态，希望能在高风险条件（CVaR值高）下以较少的成本支撑系统负荷。因此，根据图5 所示系统的调度成本和风险关系，调度决策者可根据自身风险偏好选取合适的风险权重系数制定最优调度方案。

图5 不同风险下氢耦合RIES2总成本与CVaR的关系Fig.5 Relationship between total cost of hydrogencoupled RIES2 and CVaR under different risks

6.7 混氢比对氢耦合RIES2调度成本及碳排放量的影响

针对情形4，分析混氢比对氢耦合RIES2调度成本及碳排放量的影响，分别如图6 和附录C 图C9 所示。图6 中，MHGT 混氢比固定，随着MHGB 混氢比的增加，RIES2的调度成本减少，但在MHGB 混氢比高于15 %之后，下降幅度逐渐平缓，这是因为P2P交易的过剩新能源通过P2H，与天然气混合送入燃气机组，支撑系统电热负荷，减少与ADN 的电能交互，以更低成本实现系统调度；同时，随着混氢比增加，电解槽输入功率增多，制氢效率下降，混氢成本增加，混氢比变化对调度成本影响较小。固定MHGB混氢比，MHGT混氢比增加，调度成本将进一步减少。