CN113743660A - 一种基于多边不完全信息演化博弈的配电网规划方法 - Google Patents
一种基于多边不完全信息演化博弈的配电网规划方法 Download PDFInfo
- Publication number
- CN113743660A CN113743660A CN202111004823.8A CN202111004823A CN113743660A CN 113743660 A CN113743660 A CN 113743660A CN 202111004823 A CN202111004823 A CN 202111004823A CN 113743660 A CN113743660 A CN 113743660A
- Authority
- CN
- China
- Prior art keywords
- company
- distribution network
- gamma
- planning
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 222
- 238000009826 distribution Methods 0.000 title claims abstract description 176
- 230000005611 electricity Effects 0.000 claims abstract description 133
- 230000008569 process Effects 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims description 37
- 238000010248 power generation Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000002601 radiography Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 3
- 230000005612 types of electricity Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 25
- 230000006399 behavior Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 230000002829 reductive effect Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多边不完全信息演化博弈的配电网规划方法,它包括以下步骤:步骤1:建立多边不完全信息演化的博弈主体规划收益模型,所建立的模型包括DG公司规划模型、售电公司规划模型、配网公司规划模型;步骤2:建立博弈主体选择过程主体效用模型,所建立的模型包括源侧DG公司选择的效用函数和负荷侧售电公司选择的效用函数;步骤3:进行多边不完全信息演化博弈,使得各主体的规划结果达到一个不完全信息演化的稳定状态,进而得到一种更优的配电网规划方法。
Description
技术领域
本发明属于电力系统技术领域,具体涉及一种基于多边不完全信息演化博弈的配电网规划方法。
背景技术
电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统,电力系统应保证在先进的技术装备和高经济效益的基础上,实现电能生产与消费的合理协调。
随着电力体制改革的不断深化,配售电侧市场逐步向社会资本开放。高度开放的电力市场环境导致供需侧投资运营主体类型、数量不断增加,这些基于个体理性的投资运营主体往往以自身利益最大化为目标参与配电网的规划运营。而传统基于整体理性的一体化规划方法,因其忽视了电力市场中广泛存在的竞争关系,已经无法适应当前电力市场环境下配电网规划的实际需求。因此,研究充分考虑市场博弈的配电网规划方法具有重要的理论和实际意义。
对于考虑市场化博弈的配电网规划方法,目前已经有学者在配电网规划问题中引入博弈论,并通过研究投资成本、线路损失和电压质量之间的博弈来实现分布式电源(Distributed Generation,DG)的优化选址和定容。这些研究虽然都分析了配电网规划过程中各主体之间的博弈关系,并从动态与静态、合作与非合作等角度建立了不同类型的博弈规划模型。但其博弈过程都是以完全信息的假设为基础,都属于考虑完全信息博弈的配电网规划。而实际电网中,由于同类型博弈主体中往往存在多个竞争者,因而在规划阶段无法提前预知最终哪个潜在的市场主体会被选择来参与配电网的实际规划运营。
近年来考虑不完全信息博弈的配电网规划方法的研究较少。研究了不完全信息环境下的电源扩展规划,并建立了上层为发电商电源容量规划及竞价,下层为独立系统运营商市场清算的双层模型。上述规划方法虽然考虑了市场环境下由于竞争关系所导致的不完全信息,但其只考虑了电源侧发电商之间的不完全信息博弈行为,而对于其他类型的博弈主体,其均假设为完全信息博弈,是一种单边不完全信息博弈模型,其规划决策形成的是一种多边不完全信息的博弈格局。另一方面,其通过人为假设一个固定的先验概率来提前给定同类型投资运营主体的市场选择概率。然而,在电力市场中,这种市场选择概率一般是无法提前预知的,而且往往还会受到市场主体规划决策的影响而动态变化,其本质上是一种演化博弈过程。
发明内容
本发明目的是为了通过构建多边不完全信息博弈模型,实现在规划过程中,对源荷侧同类型投资运营主体不完全信息博弈过程的精确描述,并在多边不完全信息博弈模型基础上,通过引入演化博弈思想来描述规划过程中源荷侧主体市场选择概率的动态演化过程,以提升配电网规划的精确性及有效性。
一种基于多边不完全信息演化博弈的配电网规划方法,它包括以下步骤:
步骤1:建立多边不完全信息演化的博弈主体规划收益模型;
步骤2:建立博弈主体选择过程的效用模型;
步骤3:进行多边不完全信息演化博弈;
在步骤1中,所建立的模型包括DG公司规划模型、售电公司规划模型、配网公司规划模型;
在步骤2中,所建立的模型包括源侧DG公司选择的效用函数和负荷侧售电公司选择的效用函数。
在步骤3中,在进行多边不完全信息演化博弈时,采用以下步骤:
1)确定市场选择概率;
2)设定博弈类型组合;
3)确定条件概率;
4)计算当前市场选择概率下各主体不完全信息博弈的期望收益;
5)重复步骤1)至步骤4),使博弈行为的演化达到均衡状态;
6)计算不完全信息演化博弈达到均衡时各主体的规划方案并输出结果。
在步骤1)中,市场选择概率由以下方程获得:
对其进行离散化处理如下:
式中:ξ1和ξ2表示迭代步长。
在步骤2)中,在设定博弈类型组合时,定义γ-i为剔除DG公司后的博弈类型组合;Θ-i为剔除DG公司后的博弈类型组合集合;γ-j、Θ-j、γ-k、Θ-k分别表示售电公司和配网公司的相关博弈类型组合和博弈类型组合集合;
在步骤3)中,在确定条件概率时,分别计算条件概率ηk(γ-i|γi)、ηk(γ-j|γj)和ηk(γ-k|γk),其中:ηk(γ-i|γi)为第k轮演化过程中售电公司和配网公司的博弈类型组合γ-i在DG公司为γi下的条件概率。
在步骤4)中,在计算当前市场选择概率下各主体不完全信息博弈的期望收益时,对于当前博弈轮次中DG公司、售电公司和配网公司的不完全信息博弈而言,考虑步骤2)中所定义的所有博弈类型组合,以及步骤1)中计算的源、荷侧市场选择概率,从而制定规划决策方案并保证其期望收益最大化。
在步骤6)中,在计算不完全信息演化博弈达到均衡时各主体的规划方案并输出结果时,由公式(11)至公式(16)可知,当和即和时,市场选择行为的演化达到均衡状态,此时政府的选择行为状态和用户的选择行为状态即为演化均衡状态下市场选择最优概率;
式(18)表明DG公司、售电公司和配网公司在演化均衡下,均不会主动改变策略选择,从而使得规划结果达到一个不完全信息演化的稳定状态。
在步骤1中,在进行DG公司规划模型的建立时,
DG公司的规划内容包括分布式电源的位置和容量,DG公司的规划收益模型包括收益和成本两部分,收益主要包括DG售电收入以及政府对可再生能源的发电补贴,成本主要包括DG投资成本、运维成本和土地租赁成本,其具体形式如公式(1)所示,对于不同的DG公司而言,由于其私有信息不同,使得模型形式相同但具体参数不同:
式中:γi表示DG公司;ΘI表示DG公司集合;为DG公司γi的售电收益;为DG公司γi的发电补贴;为DG公司γi的投资成本;为DG公司γi的土地租赁成本;为DG公司γi的发电运维成本;为0-1变量,表示DG公司γi的第m个待选节点不接入DG,表示第m个待选节点接入DG;为DG公司γi在待选节点m接入DG的容量;和分别为DG公司γi在待选节点m允许接入DG容量的下限和上限值;δ为DG并网后的渗透率;Ptotal为节点总负荷;为DG公司γi规划决策的DG在t时刻总的有功出力;和分别为DG公司γi规划决策的DG在t时刻出力的下限和上限值;
其中:
式中:表示DG公司γi的单位售电电价;为DG公司γi的单位发电补贴价格;为DG公司γi的单位容量投资成本;为节点m处单位容量土地租赁成本;Ωm为DG接入节点位置集合;r为贴现率;LT为设备的寿命周期;为DG公司γi的单位发电运维费用在步骤1中,在进行售电公司规划模型的建立时,
售电公司的规划收益模型包括收益和支出两部分,收益主要包括售电收益、与配网公司签订DR容量的收益,成本主要包括购电成本和需要支付给用户的需求响应补偿费用,其具体形式如公式(3)所示。对于不同的售电公司而言,其私有信息也不相同;
式中:γj为售电公司;ΘJ为售电公司集合;为售电公司γj的售电收益;为售电公司γj的购电成本;表示需要支付给电力用户的需求响应补偿费用;为售电公司γj与配网公司签订的DR容量收益;分别为t时刻用户选择售电公司γj时减少的有功负荷和增加的有功负荷;σ为负荷恢复率,反映了典型日内所有参与需求响应用户的总体负荷变化情况,若σ>1表明负荷减少量大于增加量;若σ=1表明负荷增加量等于减少量,该负荷为完全可转移负荷;若σ<1表明负荷减少量小于增加量,负荷点包含可中断负荷;
其中:
式中:为售电公司γj的单位售电电价;为售电公司γj的单位购电电价;Pload(t)为t时刻的原始负荷;为售电公司γj需要支付给电力用户的可中断容量单位补偿价格;表示售电公司γj的可转移负荷补偿价格;为t时刻电力用户根据售电公司γj的需求响应激励方案所决策出的可中断负荷;为售电公司γj与配网公司签订的DR价格;表示售电公司γj与配网公司在节点d签订的DR容量;ΩD表示签订DR容量的节点集合。
在步骤1中,在进行配网公司规划模型的建立时,
配网公司规划收益模型的目标函数也包括支出和收益两部分,收益主要包括配网公司售电收益,支出主要包括新建线路的投资成本、网损成本、DR容量成本、主网购电成本以及向DG公司购电的成本。考虑到目前配网公司的天然垄断特性,在本发明中,配网公司只有一个,为后续方便表示,此处同样用集合形式表示,其具体目标函数如下:
式中:γk为配网公司;ΘK为配网公司集合;为配网公司的售电收益;为配网公司的新建线路投资成本;为配网公司的运行成本;为配网公司的主网购电成本;为配网公司向DG公司购电的成本;为配网公司与售电公司γj签订的DR容量成本;为0-1变量, 表示第n条待新建线路未被选中,表示第n条待新建线路被选中;表示第n条待新建线路选取的线路型号;表示线路所能承受的最大网络损耗;Pi.t和Qi.t分别为t时刻节点i的有功功率和无功功率;Ui.t和Uj.t分别为t时刻节点i和节点j的电压幅值;Gij和Bij分别为支路ij的电导和电纳;θij为节点i与节点j电压间的相角差;Ui.min和Ui.max分别为节点i电压幅值的下限和上限值;Pij.t和Pij.max分别为t时刻支路ij的传输功率及其上限值;DRtotal为配网公司可以签订的DR容量上限;DRmax.d为各节点DR容量上限;
其中:
式中:为配网公司的售电电价;表示线路型号的单位长度投资费用;Ωn为待新建的线路集合;为被选中的第n条新建线路的长度;Ploss(t)为t时刻的有功功率损耗;为向上级电网购电电价;为向DG公司购电电价。
与现有技术相比,本发明具有如下技术效果:
本发明所构建的多边不完全信息博弈模型,实现了在规划过程中,对源荷侧同类型投资运营主体不完全信息博弈过程的精确描述,并在多边不完全信息博弈模型基础上,通过引入演化博弈思想来描述规划过程中源荷侧主体市场选择概率的动态演化过程,有效提升了配电网规划的精确性和有效性。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1是各主体在规划决策时的传递关系
图2是各主体间的不完全信息博弈过程
图3是本发明仿真算例所使用的修改的IEEE33节点配网系统
图4是DG公司市场选择概率演化过程
图5是售电公司市场选择概率演化过程
图6是本发明的求解流程图
具体实施方式
如图1至图5所示,一种电力市场环境下基于多边不完全信息演化博弈的配电网规划方法,包括以下步骤:
步骤1:多边不完全信息演化博弈的市场主体规划收益模型的建立
步骤1.1:DG公司规划模型的建立
作为配电网中分布式电源的投资运营者,DG公司的规划内容包括分布式电源的位置和容量。DG公司的规划收益模型包括收益和成本两部分。收益主要包括DG售电收入以及政府对可再生能源的发电补贴,成本主要包括DG投资成本、运维成本和土地租赁成本,其具体形式如公式(1)所示,对于不同的DG公司而言,由于其私有信息不同,使得模型形式相同但具体参数不同。
式中:γi表示DG公司;ΘI表示DG公司集合;为DG公司γi的售电收益;为DG公司γi的发电补贴;为DG公司γi的投资成本;为DG公司γi的土地租赁成本;为DG公司γi的发电运维成本;为0-1变量,表示DG公司γi的第m个待选节点不接入DG,表示第m个待选节点接入DG;为DG公司γi在待选节点m接入DG的容量;和分别为DG公司γi在待选节点m允许接入DG容量的下限和上限值;δ为DG并网后的渗透率;Ptotal为节点总负荷;为DG公司γi规划决策的DG在t时刻总的有功出力;和分别为DG公司γi规划决策的DG在t时刻出力的下限和上限值。
其中:
式中:表示DG公司γi的单位售电电价;为DG公司γi的单位发电补贴价格;为DG公司γi的单位容量投资成本;为节点m处单位容量土地租赁成本;Ωm为DG接入节点位置集合;r为贴现率;LT为设备的寿命周期;为DG公司γi的单位发电运维费用。
步骤1.2:售电公司规划模型的建立
售电公司通过购售电能、补贴电力用户的需求响应以及和配网公司签订DR容量来最大化自身收益。售电公司的规划收益模型包括收益和支出两部分,收益主要包括售电收益、与配网公司签订DR容量的收益,成本主要包括购电成本和需要支付给用户的需求响应补偿费用,其具体形式如公式(3)所示。对于不同的售电公司而言,其私有信息也不相同。
式中:γj为售电公司;ΘJ为售电公司集合;为售电公司γj的售电收益;为售电公司γj的购电成本;表示需要支付给电力用户的需求响应补偿费用;为售电公司γj与配网公司签订的DR容量收益;分别为t时刻用户选择售电公司γj时减少的有功负荷和增加的有功负荷;σ为负荷恢复率,反映了典型日内所有参与需求响应用户的总体负荷变化情况,若σ>1表明负荷减少量大于增加量;若σ=1表明负荷增加量等于减少量,该负荷为完全可转移负荷;若σ<1表明负荷减少量小于增加量,负荷点包含可中断负荷。
其中:
式中:为售电公司γj的单位售电电价;为售电公司γj的单位购电电价;Pload(t)为t时刻的原始负荷;为售电公司γj需要支付给电力用户的可中断容量单位补偿价格;表示售电公司γj的可转移负荷补偿价格;为t时刻电力用户根据售电公司γj的需求响应激励方案所决策出的可中断负荷;为售电公司γj与配网公司签订的DR价格;表示售电公司γj与配网公司在节点d签订的DR容量;ΩD表示签订DR容量的节点集合。
步骤1.3:配网公司规划模型的建立
作为配电网的经营者,配网公司的规划内容为线路新建选型方案以及与售电公司签订的DR容量方案。配网公司规划收益模型的目标函数也包括成本和收益两部分。收益主要包括配网公司售电收益,成本主要包括新建线路的投资成本、网损成本、DR容量成本、主网购电成本以及向DG公司购电的成本。考虑到目前配网公司的天然垄断特性,在本发明中,配网公司只有一个,为后续方便表示,此处同样用集合形式表示,其具体目标函数如下:
式中:γk为配网公司;ΘK为配网公司集合;为配网公司的售电收益;为配网公司的新建线路投资成本;为配网公司的运行成本;为配网公司的主网购电成本;为配网公司向DG公司购电的成本;为配网公司与售电公司γj签订的DR容量成本;为0-1变量, 表示第n条待新建线路未被选中,表示第n条待新建线路被选中;表示第n条待新建线路选取的线路型号;表示线路所能承受的最大网络损耗;Pi.t和Qi.t分别为t时刻节点i的有功功率和无功功率;Ui.t和Uj.t分别为t时刻节点i和节点j的电压幅值;Gij和Bij分别为支路ij的电导和电纳;θij为节点i与节点j电压间的相角差;Ui.min和Ui.max分别为节点i电压幅值的下限和上限值;Pij.t和Pij.max分别为t时刻支路ij的传输功率及其上限值;DRtotal为配网公司可以签订的DR容量上限;DRmax.d为各节点DR容量上限。
其中:
式中:为配网公司的售电电价;表示线路型号的单位长度投资费用;Ωn为待新建的线路集合;为被选中的第n条新建线路的长度;Ploss(t)为t时刻的有功功率损耗;为向上级电网购电电价;为向DG公司购电电价。
步骤2:市场选择过程主体效用模型的建立
步骤2.1:源侧DG公司选择的效用函数的建立
对参与DG投资运营的潜在市场主体而言,其自身企业概况、组织形式、营销手段,所竞争DG项目的投资盈利、项目风险、上网竞价等诸多因素,都会直接或间接地影响政府的选择。本发明选取能够直接影响DG公司项目中标的四个因素,即政府补贴、项目风险费用、上网电价以及其他费用来建立政府的效用模型,具体如公式(7)所示。
式中:负号表示政府所需支付的费用;表示第k轮演化过程中政府选择DG公司γi所需支付的补贴费用;表示第k轮演化过程中政府选择DG公司γi所需承担的项目风险费用;表示第k轮演化过程中政府选择DG公司γi承建DG项目过程中所需支付的其他费用;表示第k轮演化过程中DG公司γi的上网电价优势,用当地标杆上网电价和上网电价的差值表示。
其中:
步骤2.2:负荷侧售电公司选择的效用函数的建立
参与售电的售电公司通过制定需求响应激励方案来影响电力用户的选择行为。本发明选取售电公司需支付的补贴费用来建立其效用模型。
其中:
步骤3:多边不完全信息演化博弈行为分析
步骤3.1:各主体传递关系分析
本发明研究的电力市场环境下基于多边不完全信息演化博弈的配电网规划方法,涉及到DG公司、售电公司、配网公司、政府和电力用户五类博弈主体。其中DG公司、售电公司和配网公司主要参与电网的实际规划与运营,而政府和电力用户主要是根据相应DG公司和售电公司的表现来对其进行评估和选择。各主体在规划决策时的传递关系如图1所示。
DG公司根据配网公司决策得到的网架结构方案,以及电力用户实施需求响应之后的等效负荷和售电公司市场选择概率,提出自己的DG选址定容方案,并将DG的位置和容量传递给配网公司;售电公司则是根据配网公司确定的DR容量,结合自身特性制定需求响应激励方案,激励用户积极主动参与需求响应并制定相应策略,然后以等效负荷的形式反馈给配网公司和DG公司;配网公司根据DG公司的选址定容方案、电力用户实施需求响应措施之后的等效负荷以及源、荷侧的市场选择概率,决策出新建线路方案,形成新的网架结构,同时决策出与售电公司签订的DR容量方案,并将这些信息传递给DG公司和售电公司。
对于电源侧而言,政府根据各潜在DG公司的规划决策方案,对其进行评估并确定其投资运营目标电网中DG的概率,并将该信息传递给电力市场中的其他主体;对于负荷侧而言,电力用户选择合适的售电公司,根据其制定的需求响应激励方案确定各时刻增减的有功负荷,同时基于市场选择行为确定各售电公司的市场占有率,并将上述信息传递给电力市场中的其他主体
步骤3.2:多边不完全信息演化博弈行为分析
在多边不完全信息演化博弈的配电网规划过程中,最终是由哪个潜在的DG公司来投资运营目标电网中的DG以及配网公司最终会与哪个售电公司签订DR容量属于不完全信息,这些不完全信息的演化过程往往会受到市场选择和博弈的影响。因此,在整个规划过程中,各投资主体首先模拟源、荷侧市场选择概率的动态演化过程,从而确定DG公司投资运营目标电网中DG的概率和售电公司在用户群体中的市场占有率,然后再进行参与电网实际规划与运营的源网荷各主体间的不完全信息博弈。其博弈行为如图2所示,具体过程如下:
1)确定市场选择概率。各潜在DG公司和售电公司根据自身的规划决策方案,确定其在当前博弈轮次中的市场选择概率,其概率大小可以通过以下差分方程来计算:
对其进行离散化处理如下:
式中:ξ1和ξ2表示迭代步长。
2)设定博弈类型组合。定义γ-i为剔除DG公司后的博弈类型组合;Θ-i为剔除DG公司后的博弈类型组合集合;γ-j、Θ-j、γ-k、Θ-k分别表示售电公司和配网公司的相关博弈类型组合和博弈类型组合集合,其定义与DG公司类似,在此不再赘述。
3)确定条件概率。分别计算条件概率ηk(γ-iγi)、ηk(γ-jγj)和ηk(γ-kγk),其中:ηk(γ-iγi)为第k轮演化过程中售电公司和配网公司的博弈类型组合γ-i在DG公司为γi下的条件概率;ηk(γ-j|γj)、ηk(γ-k|γk)与ηk(γ-i|γi)表示含义相似,在此亦不再赘述。
4)计算当前市场选择概率下各主体不完全信息博弈的期望收益。对于当前博弈轮次中DG公司、售电公司和配网公司的不完全信息博弈而言,根据Bayes准则,考虑2)中所定义的所有博弈类型组合,以及1)中计算的源、荷侧市场选择概率,从而制定规划决策方案并保证其期望收益最大化。
DG公司γi以及DG公司的期望收益、售电公司γj以及售电公司的期望收益、配网公司的期望收益分别为:
式中:表示第k轮演化过程中DG公司γi的策略;表示第k轮演化过程中剔除DG公司后的博弈策略组合;分别表示第k轮演化过程中售电公司和配网公司的策略,分别表示第k轮演化过程中剔除售电公司或配网公司后的博弈策略组合,其定义与DG公司类似,在此不再赘述;表示第k轮演化过程中配网公司的概率,由于配网公司只有一个,因此
5)重复过程(1-4)。
6)计算不完全信息演化博弈达到均衡时各主体的规划方案并输出结果。由公式(11)-(16)可知,当和即和时,市场选择行为的演化达到均衡状态,此时政府的选择行为状态和用户的选择行为状态即为演化均衡状态下市场选择最优概率。
式(18)表明DG公司、售电公司和配网公司在演化均衡下,均不会主动改变策略选择,从而使得规划结果达到一个不完全信息演化的稳定状态。
实施例:
为了验证本发明模型的有效性,对已有文献中的IEEE33节点配网系统进行修改,将其负荷基值增加至1.5倍,作为本发明分析的仿真算例,其结构如图3所示。
目标电网中的DG考虑为光伏发电项目,项目总装机容量不超过1MW。竞争光伏发电项目投资建设的DG公司设置为2家,每家公司都在4个位置接入光伏机组,4个位置的待选节点集合分别为{4,5,6,7}、{13,14,15,16}、{19,20,21,22}和{27,28,29,30}。贴现率r设置为0.08,设备使用寿命为15年。土地租赁成本和可再生能源发电补贴作为两家DG公司的公共信息。可再生能源发电补贴为0.2元/kW·h,每个位置的土地租赁成本参数如表1所示。
表1 土地租赁成本参数
政府根据一定的标准对参与竞争的潜在DG公司进行评估并选择最优的DG公司来运营目标电网中的DG。对于不同的DG公司而言,其各自所拥有的私有信息也不相同,具体如表2所示。
表2 各DG公司的私有信息
节点34~37为新增负荷节点,总容量为690kW,具体负荷大小如表3所示。
表3 新增负荷点和可能接入位置
本发明规划年限为5年,在规划水平年原负荷节点新增容量为5%。图3中实线表示已有线路,虚线表示配网公司的待选新建线路。配网公司向上一级电网购电的购电成本为0.40元/kW·h。配网公司有两种待选型号的线路可供选择,其线路参数如表4所示。
表4 线路待选型号相关参数
两家售电公司拥有不同的需求响应激励方案,需求响应激励方案的相关信息如表5所示。
表5 需求响应激励方案相关信息
除表5中的信息外,购、售电价和参与DR的节点作为售电公司的公共信息,其中购电电价为0.60元/kW·h,售电电价为0.62元/kW·h,参与DR的节点集合为{3,10,16,20,24,32},响应容量以百分数表示,取值范围为[0,50%]。根据负荷特性曲线将需求响应时段划分为:增时段(01:00—7:00,22:00—24:00);减时段(09:00—12:00,15:00—18:00)。
多主体博弈环境下的规划问题并非一个整体性优化问题,而是每个参与者基于各自目标的多个独立优化问题。本发明对已有文献中的协同进化算法进行改进,将其从单边不完全信息扩展到多边不完全信息,同时也考虑了市场选择概率的演化过程,从而对本发明的规划模型进行求解,其关键步骤包括:建立映射关系;精英代表选择;计算售电公司收益;当代适应度计算;种群进化;市场选择概率演化。其具体流程如附录图6所示。
本发明在matlab环境下采用协同进化算法进行仿真求解,算法参数设置情况如下:各种群进化基于标准遗传算法;种群规模为50;采用精英保留机制;交叉概率为0.9,突变概率为0.05;最大进化代数为100。为验证本发明方法的正确性和有效性,分别采用以下3种方法对本发明算例进行求解,并对比其仿真结果。
方法1:传统基于完全信息博弈的配电网规划方法;
方法2:传统基于不完全信息博弈的配电网规划方法。即不考虑市场选择概率动态演化过程的不完全信息博弈规划,此时DG公司和售电公司的市场选择概率为(0.5,0.5)和(0.5,0.5);
方法3:本发明方法。即考虑市场选择概率动态演化过程的不完全信息博弈规划,此时DG公司和售电公司的市场选择概率初值为(0.5,0.5)和(0.5,0.5),并在博弈过程中实现动态演化。
三种方法规划结果及分析如下:
采用本发明方法得到DG公司和售电公司的市场选择概率如图4和图5所示。
由图4和图5可知,DG公司1的概率由初始0.50逐渐升高至0.5690,DG公司2的概率由初始的0.50逐渐降低至0.4310;售电公司1的概率由初始的0.50逐渐降低至0.3860,售电公司2的概率由初始的0.50逐渐升高至0.6140。市场选择概率达到稳定状态时,DG公司1和DG公司2的市场选择概率并不相同;售电公司1和售电公司2的市场选择概率也不相同。其原因在于,两个DG公司的私有信息不同,同时其在整个市场选择过程中所采取规划策略也不相同,因此导致了不同的市场选择概率。对于售电公司而言也是如此。
图4中两条DG公司的市场选择概率曲线在演化过程中存在一定的波动,但总体趋于稳定。其原因在于,源侧政府选择DG公司的过程中,其概率和DG公司自身的规划决策方案密切相关,而每一轮演化过程中,DG公司的选址定容方案都不相同,导致其投资DG的总容量不同,因此其市场选择概率演化曲线存在波动。
利用三种方法决策得到的DG公司和配网公司的规划方案如表6所示,得到电力用户在各时刻的需求响应方案如表7-12所示。
表6 三种方法规划方案结果对比
表7 方法3下的需求响应结果
表8 方法2下的需求响应结果
表9 方法1下博弈类型组合(1,1,1)的需求响应结果
表10 方法1下博弈类型组合(2,1,1)的需求响应结果
表11 方法1下博弈类型组合(1,1,2)的需求响应结果
表12 方法2下博弈类型组合(2,1,2)的需求响应结果
需要指出的是,对于配电网的源、网、荷而言,每一侧最终都只能确定一个博弈主体来共同参与配电网的实际规划和运营,但对于源荷两侧而言,其可能参与配电网规划运营的潜在博弈主体又不止一个,为此本发明采用博弈类型组合来表示最终参与规划的博弈主体。例如:博弈类型组合(1,1,1)表示电源侧的DG公司1、电网侧的配网公司和负荷侧的售电公司1来共同规划配电网。与方法1不同,方法2和方法3考虑同类型市场主体的私有信息,具体就体现为,对任何一个市场主体而言,其在规划过程中,会考虑其他潜在博弈组合的影响,以期望收益最大为目标进行决策。
由表6和表7-12可知,由于方法2和方法3是在考虑所有博弈类型组合的情况下,求解每个博弈主体能够使期望收益最大的规划方案,所以对每个博弈主体而言,其在所有博弈类型组合下的规划方案是相同的。而在方法1中,每个博弈主体的决策仅针对当前的博弈类型组合,所以其在每个博弈类型组合下的规划方案并不相同。
方法2和方法3所得规划结果并不相同。其原因在于,由于方法2是在提前给定市场选择概率情况下对配电网进行规划,而忽略了规划过程中博弈主体市场选择概率的动态演化过程。而在方法3中,每个博弈主体通过最大限度地模拟市场选择概率的动态演化来不断调整自身决策,从而得出市场环境下最优的规划决策方案。
对比分析如下:
(1)考虑不完全信息的必要性分析
本发明通过方法1和方法2下各博弈主体的规划方案,以及各项成本和收益的对比来说明本发明方法考虑不完全信息的必要性。
需要指出的是,由于方法1本身不会计算期望收益,每个主体在每个博弈类型组合下的规划方案也并不相同,所以出于对比需要,其期望收益是在计算结束后作者根据所有博弈类型组合的收益及其对应概率计算得出。
利用方法1和方法2计算所得各主体期望收益如表13所示。
表13 方法1和方法2下各主体的期望收益对比
由表13可知,各博弈主体在利用方法2进行规划决策时所得的期望收益均比利用方法1决策时高。其中DG公司1利用方法2进行规划决策时的期望收益比利用方法1决策时高3.94万元,与之类似,DG公司2的期望收益高6.29万元;配网公司的期望收益高2.13万元;售电公司1的期望收益高2.17万元;售电公司2的期望收益高1.06万元。其原因在于,各博弈主体在利用方法2进行决策时,会充分考虑同类博弈主体竞争带来的信息不完全问题,即每个博弈主体的决策都会考虑其他博弈主体在所有博弈类型组合下的决策所带来的影响,从而求取所有博弈类型组合下能够使期望收益最大的决策方案。与之不同的是,各博弈主体在利用方法1进行决策时,每个市场主体只考虑当前博弈类型组合而忽略了潜在博弈主体的不完全信息,其规划方案是在每个博弈类型组合下的最优方案。但事实上,日益开放的配电市场中广泛存在同类型潜在竞争者,这种竞争环境下最终由谁来参与配电网实际规划和运营其实并不确定,忽略了这种同类型潜在竞争者的不完全信息并不符合当前电力市场的竞争环境,因而也无法得到足够精确的规划方案。
DG公司在各博弈类型组合下利用两种方法决策时得到的总收益如表14所示,其详细的各项成本和收益如表15所示。
表14 方法1和方法2 DG公司在各博弈类型组合中的总收益对比
表15 方法1和方法2不同博弈类型组合下DG公司各项成本及收益
由表6和表14可知,在博弈类型组合(1,1,1)中,DG公司1利用方法2决策时所得到的总收益相较于方法1决策时增加了13.14万元;在博弈类型组合(2,1,1)中,DG公司2的总收益增加了14.01万元。其原因在于,在博弈类型组合(1,1,1)中,DG公司1在利用方法1决策时所得的规划方案在节点6、节点13、节点20和节点30分别接入230kW、290kW、180kW、180kW的DG,其总容量较方法2少接入系统70kW;在博弈类型组合(2,1,1)中,DG公司2在利用方法1决策时所得的规划方案在节点5、节点15、节点22和节点27分别接入180kW、290kW、120kW和170kW的DG,其总容量较方法2少接入系统60kW。进一步分析可知,由于售电公司1的需求响应激励方案的负荷恢复比例系数比售电公司2小,这就意味着市场如果选择售电公司1,配网公司对DG容量的需求量较少。由于DG公司在利用方法1进行规划决策时考虑的是仅有售电公司1存在的情况,因此,DG公司1和2规划的DG容量较少,从而导致其总收益较低。与之不同的是,两个DG公司在采用方法2决策时,不仅考虑售电公司1制定的需求响应激励方案,同时也还会考虑电力用户选择售电公司2的可能性,因此,在多方博弈过程中,DG公司1和2会规划更大容量的DG,因而可以获得更高的总收益。
在博弈类型组合(1,1,2)中,DG公司1利用方法2决策时所得到的总收益相较于方法1决策时减少了5.25万元;在博弈类型组合(2,1,2)中,DG公司2的总收益减少了1.43万元。其原因在于,在博弈类型组合(1,1,2)中,DG公司1在利用方法1决策时所得的规划方案在节点5、节点14、节点19和节点30分别接入260kW、340kW、180kW、190kW的DG,其总容量较方法2多接入系统20kW;在博弈类型组合(2,1,2)中,DG公司2在利用方法1决策时所得的规划方案在节点5、节点15、节点19和节点29分别接入220kW、310kW、140kW和190kW的DG,其总容量较方法2多接入系统40kW。进一步分析发现,方法1仅考虑售电公司2的情况,由于售电公司2制定的需求响应激励方案的负荷恢复比例系数较大,系统可以接入更多的DG,因此,在规划时,DG公司1和2规划的DG容量较大,从而导致其总收益也较大。而两个DG公司在采用方法2决策时,考虑了所有的博弈类型组合,规划的DG容量较少,因而获得了较低的总收益。
总体来看,不同的博弈类型组合下,DG公司采用方法1和方法2得到的决策方案在收益上各有优势,但就综合所有博弈类型组合计算得到的期望收益而言,两个DG公司利用方法2决策时所得的期望收益,均比利用方法1决策时高。
配网公司在各博弈类型组合下利用两种方法决策时得到的总收益如表16所示,其详细的各项成本和收益如表17所示。
表16 方法1和方法2配网公司在各博弈类型组合下的总收益对比
表17 方法1和方法2不同博弈类型组合下配网公司各项成本及收益
由表6和表16可知,在博弈类型组合(1,1,1)中,配网公司在利用方法2决策时所得到的总收益较利用方法1决策时增加了4.38万元。其原因是,在该组合中,配网公司采用方法1决策时是在节点21-34、25-35、9-36以及31-37之间采用2号线缆新建联络线,同时在节点3、10、16、20、24、32分别签订30%、20%、26%、21%、21%、30%的DR容量。而其采用方法2决策时,2号线缆的新建选在了节点22-34、24-35、31-37之间,1号线缆新建选在节点9-36之间,同时在上述节点签订的DR容量总计增加了9%。
在博弈类型组合(1,1,2)中,配网公司的总收益减少了2.15万元。其原因是,在该组合中,配网公司采用方法1决策时是在节点20-34、23-35以及30-37之间采用2号线缆新建联络线,在节点11-36之间采用1号线缆新建联络线;同时在节点3、10、16、20、24、32分别签订25%、25%、26%、23%、23%、30%的DR容量。而其采用方法2决策时,线路规划方案与博弈类型组合(1,1,1)相同,其签订的DR容量总计较方法1增加了5%。
在博弈类型组合(2,1,1)中,配网投资运营的总收益增加了8.28万元。其原因是,在该组合中,配网公司采用方法1决策时在节点20-34、25-35、10-36以及31-37之间采用2号线缆新建联络线;同时在节点3、10、16、20、24、32分别签订35%、20%、24%、21%、21%、28%的DR容量。而其采用方法2决策时,2号线缆的新建选在了节点22-34、24-35、31-37之间,1号线缆新建选在节点9-36之间,同时在上述节点签订的DR容量总计增加了8%。
在博弈类型组合(2,1,2)中,配网投资运营的总收益减少了5.49万元。其原因是,在该组合中,配网公司采用方法1决策时在节点20-34、24-35、10-36之间采用2号线缆新建联络线,在节点31-37之间采用1号线缆新建联络线,同时在节点3、10、16、20、24、32分别签订25%、25%、31%、21%、21%、28%的DR容量。而其采用方法2决策时,线路规划方案与博弈类型组合(2,1,1)相同,其签订的DR容量总计较方法1增加了6%。
总体来看,在不同的博弈类型组合下,配网公司采用方法1和方法2得到的决策方案在收益上互有优势。但就综合所有博弈类型组合计算得到的期望收益而言,配网公司利用方法2决策时所得的期望收益比方法1高。这是由于方法2能够提前考虑源荷两侧可能存在的潜在竞争者,使得配网公司在决策时,一方面,会根据可能存在的各种需求更为准确的选择线路选型和新建方案,折中考虑潜在收益和成本,从而使其能够在保证收益的情况下尽量控制成本;另一方面,也使配网公司能够有更多的资源来签订更多的DR容量,这也进一步降低了配网公司的成本。
售电公司在各博弈类型组合下利用两种方法决策时得到的总收益如表18所示,其详细的各项成本和收益如表19所示。
表18 方法1和方法2售电公司在各博弈类型组合下的总收益对比
表19 方法1和方法2不同博弈类型组合下售电公司各项成本及收益
由表6和表18可知,在博弈类型组合(1,1,1)中,售电公司1在利用方法2决策时所得到的总收益较利用方法1决策时增加了1.44万元;在博弈类型组合(2,1,1)中,售电公司1的总收益增加了1.52万元;在博弈类型组合(1,1,2)中,售电公司2的总收益增加了0.76万元;在博弈类型组合(2,1,2)中,售电公司2的总收益增加了2.21万元。其原因是,在四种博弈类型组合下,配网公司采用方法2决策时签订的DR容量都比方法1高,而售电公司的收益与DR的签订容量密切相关,因而采用方法2决策时,售电公司在四种博弈组合下的收益均比方法1高。显然,就综合所有博弈类型组合计算得到的期望收益而言,售电公司利用方法2决策时所得的期望收益比方法1高。(2)在不完全信息博弈中考虑市场选择概率动态演化的必要性分析
本发明通过方法2和方法3下各博弈主体的规划方案,以及各项成本和收益的对比来说明本发明方法考虑市场选择概率动态演化的必要性。
需要指出的是,由于方法2中提前给定的市场选择概率并不是通过模拟市场选择演化过程后形成的精确概率,因此出于对比需要,在该部分仿真中,方法2是在提前给定的市场选择概率下进行不完全信息博弈的规划决策,然后将决策方案代入到精确的市场选择概率下计算各项收益。
利用方法2和方法3计算所得的各主体期望收益如表20示。
表20 方法2和方法3下各主体的期望收益对比
由表20可以看出,各博弈主体利用方法3进行决策时所得到的期望收益均比利用方法2决策时高。其中DG公司1利用方法3进行规划决策时的期望收益较利用方法2决策时高0.52万元,与之类似,DG公司2的期望收益高5.90万元,配网公司的期望收益高4.55万元,售电公司1的期望收益高3.69万元,售电公司2的期望收益高1.66万元。其原因在于,对于方法2而言,各市场主体是在提前给定的市场选择概率下进行的规划决策,这种决策方法忽略了市场选择概率的动态变化。事实上,对于同类型的博弈主体而言,其市场选择概率并非固定不变的,往往会受到自身以及竞争对手决策等因素的影响而发生动态的变化。因此,利用方法2提前给定的市场选择概率进行决策,并不能够得到足够精确的规划方案。而方法3不仅会考虑各博弈主体竞争带来的不完全信息,同时也考虑了配电市场中的选择行为,使得各博弈主体能够对整个配电网规划过程进行充分地模拟,从而帮助参与配电网规划的各类投资运营商对自身的规划决策进行更为准确而全面的判断。这就使得各市场主体在利用方法3进行决策时,其获得的期望收益比方法2更高。
DG公司在各博弈类型组合下利用两种方法决策时得到的总收益如表21所示,其详细的各项成本和收益如表22所示。
表21 方法2和方法3DG公司在各博弈类型组合下的总收益对比
表22 方法2和方法3不同博弈类型组合下DG公司各项成本及收益
由表6和表21可知,在博弈类型组合(1,1,1)和(1,1,2)中,DG公司1利用方法3决策时所得的总收益与方法2相比增加了0.52万元。其原因在于,与方法2相比,方法3在节点4、节点13、节点20、和节点29分别接入190kW,350kW、180kW和240kW的DG,而没有选择在节点7、节点15、节点21和节点28接入DG,并且其系统接入总容量较方法2增加了10kW。
在博弈类型组合(2,1,1)和(2,1,2)中,DG公司2利用方法3决策时所得的总收益与方法2相比增加了5.90万元。其原因在于,与方法2相比,方法3在节点19和节点30分别新接入170kW的DG,而没有选择在节点20和节点28接入DG,并且在节点5少接入50kW的DG,在节点14多接入60kW的DG,此外,其系统接入总容量较方法2增加了40kW。
进一步分析可知,由于售电公司2的需求响应激励方案的负荷恢复比例系数大,这就导致市场如果选择售电公司2,配网公司对DG容量的需求量更大。DG公司在利用方法2进行决策时,其虽然考虑了潜在售电公司不同需求响应激励方案的可能性,但其是根据人为假设的一个固定的先验市场选择概率(即售电公司1和2的选择概率均为0.5)来进行规划决策,这就导致DG公司的规划方案相对保守。而其在利用方法3决策时,由于已经通过演化博弈模型对市场中售电公司的选择概率进行充分的动态模拟,是根据更为精确的市场选择概率(即售电公司1和2选择概率的最终演化结果为0.3860和0.6140)进行决策。这意味着方法3下DG公司会准确的估计到,市场需要更大DG容量的可能性会较高,因此较方法2多规划了一些DG容量,从而获得了更高的期望收益。
配网公司在各博弈类型组合下利用两种方法决策时得到的总收益如表23所示,其各项成本和收益如表24所示。
表23 方法2和方法3配网公司在各博弈类型组合下的总收益对比
表24 方法2和方法3不同博弈类型组合下配网公司各项成本及收益
由表6和表23可知,在博弈类型组合(1,1,1)中,配网公司利用方法3决策时所得到的总收益较利用方法2决策时增加了0.53万元;在博弈类型组合(1,1,2)中,配网公司的总收益增加了0.95万元;在博弈类型组合(2,1,1)中,配网公司的总收益增加了4.85万元;在博弈类型组合(2,1,2)中,配网公司的总收益增加了6.27万元。
其原因在于,配网公司采用方法2进行决策时,其在节点22-34、24-35、31-37之间采用2号线缆新建联络线,在节点9-36之间采用1号线缆新建联络线,同时在节点3、10、16、20、24、32分别签订30%、22%、28%、23%、23%、31%的DR容量。而在采用方法3决策时,其选择在节点21-34、23-35、9-36和31-37之间采用1号线缆新建联络线,同时在相同节点签订的DR容量总计增加了24%。
进一步分析可知,与DG公司的情况相似,配网公司在采用方法3进行规划决策时,由于考虑了源荷两侧博弈主体市场选择概率的动态演化过程。一方面,使得配网公司能够对市场选择概率进行精准评估,并在此前提下更为准确的选择线路型号和新建方案,折中考虑各种潜在收益和成本,从而使其能够在保证收益的情况下尽量控制成本;另一方面,也使配网公司能够有更多的资源来签订更多的DR容量,这也进一步降低了配网公司的成本。这就使配网公司在利用方法3进行决策时,其获得的期望收益比方法2更高。
售电公司在各博弈类型组合下利用两种方法决策时得到的总收益如表25所示,其各项成本和收益如表26所示。
表25 方法2和方法3售电公司在各博弈类型组合下的总收益对比
表26 方法2和方法3不同博弈类型组合下售电公司各项成本及收益
由表6和表25可知,在博弈类型组合(1,1,1)和(2,1,1)中,售电公司1利用方法3决策时所得到的总收益较利用方法2决策时增加了2.98万元;在博弈类型组合(1,1,2)和(2,1,2)中,售电公司2利用方法3决策时所得到的总收益较利用方法2时增加了3.88万元。
其原因在于,在博弈过程中,售电公司的收益主要受到自身与配网公司签订DR容量的影响。而配网公司在利用方法3决策时,签订了更多的DR容量,导致了售电公司DR收益的增加。
Claims (8)
1.一种基于多边不完全信息演化博弈的配电网规划方法,其特征在于,它包括以下步骤:
步骤1:建立多边不完全信息演化的博弈主体规划收益模型,所建立的模型包括DG公司规划模型、售电公司规划模型、配网公司规划模型;
步骤2:建立博弈主体选择过程主体效用模型,所建立的模型包括源侧DG公司选择的效用函数和负荷侧售电公司选择的效用函数;
步骤3:进行多边不完全信息演化博弈,使得各主体的规划结果达到一个不完全信息演化的稳定状态,进而得到一种更优的配电网规划方法。
2.根据权利要求1所述的方法,其特征在于,在步骤3中,在进行多边不完全信息演化博弈时,采用以下步骤:
1)确定市场选择概率;
2)设定博弈类型组合;
3)确定条件概率;
4)计算当前市场选择概率下各主体不完全信息博弈的期望收益;
5)重复步骤1)至步骤4),使博弈行为的演化达到均衡状态;
6)计算不完全信息演化博弈达到均衡时各主体的规划方案并输出结果。
3.根据权利要求2所述的方法,其特征在于,在步骤1)中,市场选择概率由以下方程获得:
对其进行离散化处理如下:
式中:ξ1和ξ2表示迭代步长;
在步骤2)中,在设定博弈类型组合时,定义γ-i为剔除DG公司后的博弈类型组合;Θ-i为剔除DG公司后的博弈类型组合集合;γ-j、Θ-j、γ-k、Θ-k分别表示售电公司和配网公司的相关博弈类型组合和博弈类型组合集合;
在步骤3)中,在确定条件概率时,分别计算条件概率ηk(γ-i|γi)、ηk(γ-j|γj)和ηk(γ-k|γk),其中:ηk(γ-i|γi)为第k轮演化过程中售电公司和配网公司的博弈类型组合γ-i在DG公司为γi下的条件概率。
4.根据权利要求2或3所述的方法,其特征在于,在步骤4)中,在计算当前市场选择概率下各主体不完全信息博弈的期望收益时,对于当前博弈轮次中DG公司、售电公司和配网公司的不完全信息博弈而言,考虑步骤2)中所定义的所有博弈类型组合,以及步骤1)中计算的源、荷侧市场选择概率,从而制定规划决策方案并保证其期望收益最大化。
6.根据权利要求1所述的方法,其特征在于,在步骤1中,在进行DG公司规划模型的建立时,
DG公司的规划内容包括分布式电源的位置和容量,DG公司的规划收益模型包括收益和支出两部分,收益主要包括DG售电收入以及政府对可再生能源的发电补贴,支出主要包括DG投资成本、运维成本和土地租赁成本,其具体形式如公式(1)所示,对于不同的DG公司而言,由于其私有信息不同,使得模型形式相同但具体参数不同:
式中:γi表示DG公司;ΘI表示DG公司集合;为DG公司γi的售电收益;为DG公司γi的发电补贴;为DG公司γi的投资成本;为DG公司γi的土地租赁成本;为DG公司γi的发电运维成本;为0-1变量,表示DG公司γi的第m个待选节点不接入DG,表示第m个待选节点接入DG;为DG公司γi在待选节点m接入DG的容量;和分别为DG公司γi在待选节点m允许接入DG容量的下限和上限值;δ为DG并网后的渗透率;Ptotal为节点总负荷;为DG公司γi规划决策的DG在t时刻总的有功出力;和分别为DG公司γi规划决策的DG在t时刻出力的下限和上限值;
其中:
7.根据权利要求1所述的方法,其特征在于,在步骤1中,在进行售电公司规划模型的建立时,
售电公司的规划收益模型包括收益和支出两部分,收益主要包括售电收益、与配网公司签订DR容量的收益,支出主要包括购电成本和需要支付给用户的需求响应补偿费用,其具体形式如公式(3)所示,对于不同的售电公司而言,其私有信息也不相同;
式中:γj为售电公司;ΘJ为售电公司集合;为售电公司γj的售电收益;为售电公司γj的购电成本;表示需要支付给电力用户的需求响应补偿费用;为售电公司γj与配网公司签订的DR容量收益;分别为t时刻用户选择售电公司γj时减少的有功负荷和增加的有功负荷;σ为负荷恢复率,反映了典型日内所有参与需求响应用户的总体负荷变化情况,若σ>1表明负荷减少量大于增加量;若σ=1表明负荷增加量等于减少量,该负荷为完全可转移负荷;若σ<1表明负荷减少量小于增加量,负荷点包含可中断负荷;
其中:
8.根据权利要求1所述的方法,其特征在于,在步骤1中,在进行配网公司规划模型的建立时,
配网公司规划收益模型的目标函数也包括支出和收益两部分,收益主要包括配网公司售电收益,支出主要包括新建线路的投资成本、网损成本、DR容量成本、主网购电成本以及向DG公司购电的成本,考虑到目前配网公司的天然垄断特性,在本发明中,配网公司只有一个,为后续方便表示,此处同样用集合形式表示,其具体目标函数如下:
式中:γk为配网公司;ΘK为配网公司集合;为配网公司的售电收益;为配网公司的新建线路投资成本;为配网公司的运行成本;为配网公司的主网购电成本;为配网公司向DG公司购电的成本;为配网公司与售电公司γj签订的DR容量成本;为0-1变量, 表示第n条待新建线路未被选中,表示第n条待新建线路被选中;表示第n条待新建线路选取的线路型号;表示线路所能承受的最大网络损耗;Pi.t和Qi.t分别为t时刻节点i的有功功率和无功功率;Ui.t和Uj.t分别为t时刻节点i和节点j的电压幅值;Gij和Bij分别为支路ij的电导和电纳;θij为节点i与节点j电压间的相角差;Ui.min和Ui.max分别为节点i电压幅值的下限和上限值;Pij.t和Pij.max分别为t时刻支路ij的传输功率及其上限值;DRtotal为配网公司可以签订的DR容量上限;DRmax.d为各节点DR容量上限;
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004823.8A CN113743660B (zh) | 2021-08-30 | 2021-08-30 | 一种基于多边不完全信息演化博弈的配电网规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004823.8A CN113743660B (zh) | 2021-08-30 | 2021-08-30 | 一种基于多边不完全信息演化博弈的配电网规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743660A true CN113743660A (zh) | 2021-12-03 |
CN113743660B CN113743660B (zh) | 2024-04-30 |
Family
ID=78733870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111004823.8A Active CN113743660B (zh) | 2021-08-30 | 2021-08-30 | 一种基于多边不完全信息演化博弈的配电网规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743660B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140157415A1 (en) * | 2012-12-05 | 2014-06-05 | Ut-Battelle, Llc | Information security analysis using game theory and simulation |
CN109034563A (zh) * | 2018-07-09 | 2018-12-18 | 国家电网公司 | 一种多主体博弈的增量配电网源网荷协同规划方法 |
CN109934487A (zh) * | 2019-03-11 | 2019-06-25 | 国网福建省电力有限公司 | 一种考虑多主体利益博弈的主动配电网协调规划方法 |
CN110197439A (zh) * | 2019-05-05 | 2019-09-03 | 三峡大学 | 一种考虑源网荷多边不完全信息博弈的增量配电网规划方法 |
CN110210712A (zh) * | 2019-05-05 | 2019-09-06 | 三峡大学 | 一种考虑不确定性和多主体博弈的综合能源系统规划方法 |
CN111695828A (zh) * | 2020-06-17 | 2020-09-22 | 华润智慧能源有限公司 | 一种增量配电网协调规划方法、装置、设备及介质 |
CN112381421A (zh) * | 2020-11-17 | 2021-02-19 | 三峡大学 | 一种考虑电力市场全维度的源网荷多主体博弈规划方法 |
-
2021
- 2021-08-30 CN CN202111004823.8A patent/CN113743660B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140157415A1 (en) * | 2012-12-05 | 2014-06-05 | Ut-Battelle, Llc | Information security analysis using game theory and simulation |
CN109034563A (zh) * | 2018-07-09 | 2018-12-18 | 国家电网公司 | 一种多主体博弈的增量配电网源网荷协同规划方法 |
CN109934487A (zh) * | 2019-03-11 | 2019-06-25 | 国网福建省电力有限公司 | 一种考虑多主体利益博弈的主动配电网协调规划方法 |
CN110197439A (zh) * | 2019-05-05 | 2019-09-03 | 三峡大学 | 一种考虑源网荷多边不完全信息博弈的增量配电网规划方法 |
CN110210712A (zh) * | 2019-05-05 | 2019-09-06 | 三峡大学 | 一种考虑不确定性和多主体博弈的综合能源系统规划方法 |
CN111695828A (zh) * | 2020-06-17 | 2020-09-22 | 华润智慧能源有限公司 | 一种增量配电网协调规划方法、装置、设备及介质 |
CN112381421A (zh) * | 2020-11-17 | 2021-02-19 | 三峡大学 | 一种考虑电力市场全维度的源网荷多主体博弈规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113743660B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soto et al. | Peer-to-peer energy trading: A review of the literature | |
Luo et al. | Distributed peer-to-peer energy trading based on game theory in a community microgrid considering ownership complexity of distributed energy resources | |
Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
Yang et al. | A multi-objective stochastic optimization model for electricity retailers with energy storage system considering uncertainty and demand response | |
Zhang et al. | Bidding strategy analysis of virtual power plant considering demand response and uncertainty of renewable energy | |
CN110197439B (zh) | 考虑源网荷多边不完全信息博弈的增量配电网规划方法 | |
CN109190802B (zh) | 云储能环境下基于发电预测的多微网博弈优化方法 | |
Adil et al. | Energy trading among electric vehicles based on Stackelberg approaches: A review | |
Zhong et al. | Deep reinforcement learning framework for dynamic pricing demand response of regenerative electric heating | |
Liang et al. | Game theory based bidding strategy for prosumers in a distribution system with a retail electricity market | |
Ali et al. | A multi‐objective optimization for planning of networked microgrid using a game theory for peer‐to‐peer energy trading scheme | |
Yang et al. | A bi-level optimization model for electric vehicle charging strategy based on regional grid load following | |
Ali et al. | Economic planning and comparative analysis of market-driven multi-microgrid system for peer-to-peer energy trading | |
Paladin et al. | Micro market based optimisation framework for decentralised management of distributed flexibility assets | |
CN112381421B (zh) | 一种考虑电力市场全维度的源网荷多主体博弈规划方法 | |
CN115271438B (zh) | 一种可计及碳排放的多主体博弈协同调度方法及电子设备 | |
Pahlavanhoseini et al. | Optimal planning of PEV fast charging stations using an auction-based method | |
Lei et al. | Optimal bidding and coordinating strategy for maximal marginal revenue due to V2G operation: Distribution system operator as a key player in China's uncertain electricity markets | |
Liaquat et al. | Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee | |
Li et al. | Dynamic pricing based electric vehicle charging station location strategy using reinforcement learning | |
CN109523309B (zh) | 一种基于潮流分析计算的电力报价仿真方法及系统 | |
CN115204562A (zh) | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 | |
Tian et al. | Multi-objective planning of microgrid based on renewable energy sources and energy storage system | |
Zhou et al. | Energy supply-demand interaction model integrating uncertainty forecasting and peer-to-peer energy trading | |
Kang et al. | Multi-objective sizing and real-time scheduling of battery energy storage in energy-sharing community based on reinforcement learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |