王 瑞，程 杉，汪業(yè)喬，代 江，左先旺

基于多主體主從博弈的區(qū)域綜合能源系統(tǒng)低碳經(jīng)濟(jì)優(yōu)化調(diào)度

王 瑞1，程 杉1，汪業(yè)喬1，代 江2，左先旺1

(1.智慧能源技術(shù)湖北省工程研究中心(三峽大學(xué))，湖北 宜昌 443002；2.貴州電網(wǎng)有限責(zé)任公司，貴州 貴陽(yáng) 550002)

為解決環(huán)境污染以及區(qū)域綜合能源系統(tǒng)中多市場(chǎng)主體利益沖突的問(wèn)題，提出一種考慮獎(jiǎng)懲階梯型碳交易機(jī)制和雙重激勵(lì)綜合需求響應(yīng)策略的區(qū)域綜合能源系統(tǒng)多主體博弈協(xié)同優(yōu)化方法。首先，為充分考慮系統(tǒng)的低碳性，在博弈模型中引入獎(jiǎng)懲階梯型碳交易機(jī)制限制各主體碳排放量，并在用戶(hù)側(cè)提出了基于價(jià)格和碳補(bǔ)償雙重激勵(lì)的綜合需求響應(yīng)策略。其次，考慮源-荷-儲(chǔ)三方主動(dòng)性和決策能力，以能源管理商為領(lǐng)導(dǎo)者，供能運(yùn)營(yíng)商、儲(chǔ)能運(yùn)營(yíng)商和用戶(hù)為跟隨者，建立了基于碳交易和博弈協(xié)同優(yōu)化的多主體低碳交互機(jī)制，并構(gòu)建了各主體的交易決策模型。最后，采用結(jié)合Gurobi工具箱的自適應(yīng)差分進(jìn)化算法對(duì)所提模型進(jìn)行求解。仿真結(jié)果驗(yàn)證了所提模型和方法的有效性，即各主體在低碳框架下可以合理調(diào)整自身策略，并兼顧系統(tǒng)經(jīng)濟(jì)、環(huán)境效益。

區(qū)域綜合能源系統(tǒng)；低碳交互；多主體博弈；碳交易；綜合需求響應(yīng)

0 引言

隨著能源需求上升及環(huán)境污染日益嚴(yán)重，安全高效、低碳清潔已成為能源發(fā)展的主流方向[1-2]。在此背景下，統(tǒng)籌多能耦合、協(xié)同調(diào)度的區(qū)域綜合能源系統(tǒng)(Regional Integrated Energy System, RIES)已成為高效利用能源的重要形式[3-5]。

實(shí)現(xiàn)多能供應(yīng)的安全性、經(jīng)濟(jì)性和靈活性的有效手段是優(yōu)化RIES運(yùn)行。為降低系統(tǒng)運(yùn)行成本和提高能源利用率，文獻(xiàn)[6]提出了含可再生能源、儲(chǔ)能設(shè)備和冷熱電聯(lián)供(Combined Cooling, Heating and Power, CCHP)的RIES經(jīng)濟(jì)調(diào)度模型及其求解方法。文獻(xiàn)[7]充分考慮了源、荷不確定性，提出了多類(lèi)型儲(chǔ)能系統(tǒng)、電轉(zhuǎn)氣設(shè)備和CCHP機(jī)組的RIES多時(shí)間尺度優(yōu)化調(diào)度模型。RIES用能需求多樣化，應(yīng)用綜合需求響應(yīng)(Integrated Demand Response, IDR)既能實(shí)現(xiàn)多能互補(bǔ)又能降低系統(tǒng)的供能壓力。為了提高RIES用能效率、降低用能成本和增加調(diào)節(jié)靈活性，文獻(xiàn)[8]提出了IDR資源的物理、數(shù)學(xué)模型和協(xié)同運(yùn)行策略。而文獻(xiàn)[9]既建立了IDR的響應(yīng)模型，提出了響應(yīng)補(bǔ)償機(jī)制，又充分考慮了供需雙側(cè)的電、熱能互動(dòng)互補(bǔ)關(guān)系。上述研究均是RIES運(yùn)行優(yōu)化行之有效的方法，但未考慮RIES內(nèi)多個(gè)不同主體之間的利益沖突，如何保障各方收益是目前RIES調(diào)度中亟需解決的難題。

RIES的運(yùn)行與優(yōu)化依賴(lài)多個(gè)利益主體的協(xié)同配合，而需要解決的基礎(chǔ)問(wèn)題是如何描述該大規(guī)模復(fù)雜系統(tǒng)和不同主體之間的交互行為[10-11]。博弈論是解決不同市場(chǎng)主體利益沖突的重要方法之一[12]。文獻(xiàn)[13]基于Stackelberg博弈，建立了微網(wǎng)運(yùn)營(yíng)商和含有熱電耦合負(fù)荷用戶(hù)的一主多從博弈模型。文獻(xiàn)[14]構(gòu)建了多主多從的Stackelberg博弈模型，研究了IES中多個(gè)分布式能源站和多個(gè)能源用戶(hù)之間的交互問(wèn)題。文獻(xiàn)[15]考慮并建立了可再生能源所有者、微網(wǎng)能源服務(wù)商和用戶(hù)多利益主體的數(shù)學(xué)模型，提出了考慮多主體交互機(jī)制的微網(wǎng)優(yōu)化調(diào)度方法。文獻(xiàn)[16]建立了包含系統(tǒng)管理商、產(chǎn)能基地和用戶(hù)的RIES，提出了基于多種需求響應(yīng)和混合博弈協(xié)同作用的多主體優(yōu)化調(diào)度策略。文獻(xiàn)[13-16]雖然考慮了多個(gè)利益主體的博弈互動(dòng)，但未能同時(shí)考慮與供能側(cè)和需求側(cè)利益主體的博弈互動(dòng)，不能充分發(fā)揮能源市場(chǎng)對(duì)資源優(yōu)化配置的作用。而文獻(xiàn)[17]考慮了運(yùn)營(yíng)商與供能側(cè)之間的交互，并建立了基于主從博弈的社區(qū)IES分布式協(xié)同優(yōu)化運(yùn)行模型，但正如作者所指出，該模型未考慮儲(chǔ)能裝置對(duì)市場(chǎng)交易的影響，能源銷(xiāo)售商直接與電網(wǎng)交互會(huì)導(dǎo)致其收益降低。因此，有必要針對(duì)RIES中多利益主體的劃分、建模以及多主體間能量耦合協(xié)同優(yōu)化等方面進(jìn)行更深入的研究。

發(fā)揮市場(chǎng)作用的碳交易是實(shí)現(xiàn)碳達(dá)峰目標(biāo)與碳中和愿景的有效措施之一。文獻(xiàn)[18]研究了基于碳交易機(jī)制的IES運(yùn)行的低碳特性。文獻(xiàn)[19]提出了基于階梯型碳交易機(jī)制的IES低碳經(jīng)濟(jì)優(yōu)化調(diào)度模型及其求解方法?！短寂欧艡?quán)交易管理辦法》規(guī)定了各市場(chǎng)主體對(duì)碳排放量控制的相關(guān)責(zé)任和義務(wù)，而目前相關(guān)研究在RIES博弈互動(dòng)過(guò)程中只考慮各主體自身利益而忽略了污染排放對(duì)系統(tǒng)的影響，存在嚴(yán)重的環(huán)境威脅，故在多利益主體博弈互動(dòng)中也需要考慮碳排放等環(huán)境因素的影響，即需能兼顧不同主體自身利益和整個(gè)RIES環(huán)境效益的協(xié)同優(yōu)化模型及方法，以此實(shí)現(xiàn)RIES經(jīng)濟(jì)性與環(huán)保性的雙贏。

針對(duì)上述問(wèn)題，本文提出了一種考慮雙重激勵(lì)的IDR策略和獎(jiǎng)懲階梯型碳交易機(jī)制的RIES多主體博弈協(xié)同優(yōu)化方法。首先，考慮各利益主體的碳排放量，在博弈互動(dòng)中引入了獎(jiǎng)懲階梯型碳交易機(jī)制，并提出了價(jià)格和碳補(bǔ)償雙重激勵(lì)的IDR策略，分析了各主體在碳排放制約環(huán)境下的交互行為。其次，基于Stackelberg博弈理論，建立了以能源管理商(Energy Management Operator, EMO)為領(lǐng)導(dǎo)者，供能運(yùn)營(yíng)商(Energy Generation Operator, EGO)、儲(chǔ)能運(yùn)營(yíng)商(Energy Storage Operator, ESO)和用戶(hù)為跟隨者的低碳交互機(jī)制，并根據(jù)各主體的角色和利益，構(gòu)建了含多能互補(bǔ)的多主體主從博弈決策模型。最后，采用自適應(yīng)差分進(jìn)化算法結(jié)合Gurobi工具箱對(duì)所提模型進(jìn)行求解。算例仿真證明了所提方法能夠?qū)崿F(xiàn)RIES低碳、經(jīng)濟(jì)運(yùn)行。

1 RIES結(jié)構(gòu)和碳交易成本計(jì)算機(jī)制

1.1 RIES內(nèi)的能量流

含冷、熱、電、氣四種能源形式的RIES結(jié)構(gòu)圖如圖1所示。

圖1 RIES結(jié)構(gòu)和能量流示意圖

其中，供能設(shè)備包括風(fēng)機(jī)(Wind Turbine, WT)、光伏(Photovoltaic, PV)、燃?xì)忮仩t(Gas Boiler, GB)和燃?xì)廨啓C(jī)(Gas Turbine, GT)；能量轉(zhuǎn)換設(shè)備包括冰蓄冷空調(diào)(Ice-storage Air-conditioners, ISAC)、吸收式制冷機(jī)(Absorption-refrigerator, AR)和余熱鍋爐(Waste Heat Boiler, WHB)；儲(chǔ)能裝置包括蓄電池(Battery, BT)、蓄熱槽(Heat Storage Tank, HST)。

1.2 獎(jiǎng)懲階梯型碳交易成本計(jì)算模型

采用基準(zhǔn)線(xiàn)法確定各利益主體的無(wú)償碳排放配額，假設(shè)RIES從外部電網(wǎng)購(gòu)得的電能均為火力發(fā)電，則本文的碳排放權(quán)初始分配主要包括外購(gòu)電力、GB和CCHP，其中外購(gòu)電力產(chǎn)生的碳交易成本歸EMO，其余部分歸EGO。將其發(fā)電量折算成等效的發(fā)熱量可進(jìn)行碳配額分配[20-21]。

為了激發(fā)利益主體節(jié)能減排的積極性，構(gòu)建如式(5)所示的獎(jiǎng)懲階梯型碳交易成本c，當(dāng)EMO和EGO的實(shí)際碳排放總量p低于免費(fèi)的碳排放配額c時(shí)，給予一定的獎(jiǎng)勵(lì)[20]；反之，則需要購(gòu)買(mǎi)不足的碳排放權(quán)。

1.3 考慮價(jià)格和碳補(bǔ)償雙重激勵(lì)的IDR策略

影響和調(diào)節(jié)負(fù)荷需求最常用的是價(jià)格激勵(lì)手段，用戶(hù)根據(jù)EMO發(fā)布的售能價(jià)格，以最大化用戶(hù)綜合收益為目標(biāo)，調(diào)整自身冷、熱、電負(fù)荷。但由于受到用戶(hù)滿(mǎn)意度的限制，其調(diào)節(jié)能力有限。為了激發(fā)用戶(hù)對(duì)負(fù)荷的綠色調(diào)節(jié)能力，將用戶(hù)響應(yīng)價(jià)格激勵(lì)調(diào)節(jié)的冷、熱、電功率變化量轉(zhuǎn)換成碳補(bǔ)償獎(jiǎng)勵(lì)給用戶(hù)，并且考慮用戶(hù)滿(mǎn)意度，自主調(diào)節(jié)用戶(hù)側(cè)可調(diào)節(jié)負(fù)荷范圍。由于用戶(hù)調(diào)整用能策略既可以促進(jìn)新能源的消納，緩解EGO設(shè)備的供能壓力，又能使EMO減少因購(gòu)能不足而從外部電網(wǎng)的購(gòu)電量，間接增加EMO的收益，因此本文的碳補(bǔ)償通過(guò)EGO和EMO共同承擔(dān)，轉(zhuǎn)付給用戶(hù)?？紤]價(jià)格和碳補(bǔ)償雙重激勵(lì)的IDR策略如下：

1) 當(dāng)負(fù)荷處于谷時(shí)段，EMO為了引導(dǎo)用戶(hù)增加用能量，此時(shí)售能價(jià)格處于谷段，用戶(hù)根據(jù)自身滿(mǎn)意度指標(biāo)調(diào)整用能策略。在價(jià)格激勵(lì)的基礎(chǔ)上，將用戶(hù)響應(yīng)價(jià)格激勵(lì)增加的冷、熱、電負(fù)荷變化量轉(zhuǎn)變成碳補(bǔ)償獎(jiǎng)勵(lì)給用戶(hù)，刺激用戶(hù)調(diào)整最佳可調(diào)節(jié)負(fù)荷范圍。

2) 當(dāng)負(fù)荷處于平時(shí)段，用戶(hù)的負(fù)荷調(diào)整量較少，只有較少的碳補(bǔ)償或幾乎沒(méi)有碳補(bǔ)償獎(jiǎng)勵(lì)，用戶(hù)的實(shí)際用能負(fù)荷與需求負(fù)荷接近。

3) 當(dāng)負(fù)荷處于峰時(shí)段，EMO為了引導(dǎo)用戶(hù)主動(dòng)降低用能量，設(shè)置較高的售能價(jià)格，用戶(hù)根據(jù)自身滿(mǎn)意度指標(biāo)調(diào)整用能策略，并將響應(yīng)價(jià)格激勵(lì)減少的冷、熱、電負(fù)荷變化量轉(zhuǎn)變成碳補(bǔ)償獎(jiǎng)勵(lì)給用戶(hù)，刺激用戶(hù)調(diào)整最佳可調(diào)節(jié)負(fù)荷范圍。

2 RIES多主體博弈低碳交互機(jī)制

RIES多主體主從博弈互動(dòng)框架如圖2所示。EMO、EGO、ESO和用戶(hù)分別依據(jù)自身利益和環(huán)境效益制定交易策略，優(yōu)化內(nèi)部運(yùn)行狀態(tài)，滿(mǎn)足用戶(hù)多樣化負(fù)荷需求。

圖2 多利益主體主從博弈框架

EMO可以看作是一個(gè)具有雙向能量流動(dòng)的虛擬能量池或者能源代理商，是RIES能源市場(chǎng)中的協(xié)調(diào)者和主導(dǎo)者，承擔(dān)著源-荷-儲(chǔ)功率平衡的職責(zé)。EMO同時(shí)考慮源-荷-儲(chǔ)三方能動(dòng)性和決策能力，以最大化凈利潤(rùn)為目標(biāo)制定購(gòu)、售能源價(jià)格。當(dāng)EMO向EGO購(gòu)買(mǎi)的電量不能滿(mǎn)足用戶(hù)需求時(shí)，需向外部電網(wǎng)購(gòu)電并承擔(dān)外購(gòu)電力產(chǎn)生的碳排放成本。EMO的引入能提供更加靈活的價(jià)格策略，對(duì)引導(dǎo)分布式供能參與能源市場(chǎng)競(jìng)爭(zhēng)、鼓勵(lì)用戶(hù)合理用能具有積極作用。

EGO以CCHP機(jī)組為核心，考慮CCHP和GB運(yùn)行過(guò)程中產(chǎn)生的碳排放量，以售能收益最大、燃料成本和碳交易成本最小為目標(biāo)函數(shù)優(yōu)化各設(shè)備出力。ESO根據(jù)價(jià)格信息在EMO和用戶(hù)之間通過(guò)低充高放優(yōu)化自身充、放能功率，從而實(shí)現(xiàn)套利。

在用戶(hù)側(cè)，引入一定比例的可調(diào)節(jié)負(fù)荷，綜合考慮購(gòu)能成本、用能舒適性和碳補(bǔ)償，以最大化用戶(hù)側(cè)綜合效益調(diào)整用能需求，其調(diào)整后的實(shí)際用能需求也會(huì)反過(guò)來(lái)影響各個(gè)利益主體自身收益。

3 各利益主體的決策模型

3.1 能源管理商

EMO基于分時(shí)電價(jià)制定購(gòu)、售能源價(jià)格，考慮各設(shè)備的出力特性與用戶(hù)用能特征，引導(dǎo)各設(shè)備出力和通過(guò)IDR促使用戶(hù)調(diào)整用能需求，其收益源于其他利益主體間的能量互濟(jì)，目標(biāo)函數(shù)為

為了保證各主體利益，EMO的購(gòu)、售能價(jià)格滿(mǎn)足以下約束[17]。

此外，EMO還需滿(mǎn)足與外部電網(wǎng)聯(lián)絡(luò)線(xiàn)的交互功率約束。

3.2 供能運(yùn)營(yíng)商

EGO根據(jù)EMO制定的能源價(jià)格，通過(guò)最大化自身利潤(rùn)優(yōu)化各可控設(shè)備出力，其目標(biāo)函數(shù)為

EGO在時(shí)段輸出的電、熱、冷功率滿(mǎn)足

3.3 儲(chǔ)能運(yùn)營(yíng)商

ESO在EMO和用戶(hù)之間通過(guò)“低充高放”實(shí)現(xiàn)套利，設(shè)備包含BT和HST。其目標(biāo)函數(shù)為

考慮到充、放能的能量損失和效率，儲(chǔ)能設(shè)備的儲(chǔ)能狀態(tài)約束滿(mǎn)足

3.4 用戶(hù)

4 多主體博弈互動(dòng)分析

4.1 多主體Stackelberg博弈互動(dòng)均衡

多主體Stackelberg博弈是描述EMO、EGO、ESO和用戶(hù)追求各自目標(biāo)最優(yōu)的決策過(guò)程。EGO、ESO和用戶(hù)作為跟隨者，根據(jù)領(lǐng)導(dǎo)者EMO的價(jià)格策略來(lái)優(yōu)化自身策略，最終得到Stackelberg均衡最優(yōu)解，該Stackelberg博弈模型可表示為

4.2 博弈求解方法

采用自適應(yīng)差分進(jìn)化算法(ADE)結(jié)合Gurobi求解器對(duì)所建立的多主體主從博弈模型進(jìn)行求解。由于EMO的決策是一類(lèi)非線(xiàn)性規(guī)劃問(wèn)題，求解過(guò)程中采用自適應(yīng)變異算子，將設(shè)置為隨迭代次數(shù)變化的值，即迭代初期保持較大的值以保證種群多樣性，后期逐漸減小以保證優(yōu)良的種群信息和較好的收斂性。其博弈求解步驟和流程圖如圖3所示。

圖3 主從博弈求解流程圖

上層ADE算法包括以下步驟：

步驟1) 輸入初始數(shù)據(jù)并設(shè)置參數(shù)。

步驟2) 初始化種群，令迭代次數(shù)=0。

步驟3) EMO將優(yōu)化后的購(gòu)、售能源價(jià)格下發(fā)給下層跟隨者，EGO、ESO和用戶(hù)分別調(diào)用下層算法計(jì)算自身收益。

步驟4) EMO根據(jù)式(6)計(jì)算自身效益1。

步驟5) 對(duì)種群進(jìn)行交叉、變異操作，得到新的種群。

步驟6) 再次調(diào)用下層算法對(duì)跟隨者目標(biāo)函數(shù)進(jìn)行尋優(yōu)求解，EMO根據(jù)式(6)計(jì)算自身效益2。

步驟7) 選擇操作，若2＞1，則，12，若2＜1，則保持不變。

步驟8) 判斷操作，若達(dá)到迭代要求次數(shù)，則輸出結(jié)果，否則跳轉(zhuǎn)至步驟5)。

下層算法為：EGO、ESO和用戶(hù)調(diào)用Gurobi求解工具，分別根據(jù)式(18)、式(24)和式(30)計(jì)算EGO的供能設(shè)備最優(yōu)出力、ESO的儲(chǔ)能裝置最優(yōu)充、放能功率和用戶(hù)的冷、熱、電可調(diào)節(jié)負(fù)荷，將優(yōu)化結(jié)果發(fā)送給上層領(lǐng)導(dǎo)者。

5 算例分析

以某冷熱電聯(lián)供型RIES為研究對(duì)象，該區(qū)域用戶(hù)需求負(fù)荷和新能源預(yù)測(cè)數(shù)據(jù)如圖4所示。設(shè)用戶(hù)可調(diào)節(jié)電負(fù)荷占需求電負(fù)荷總量的20%，可調(diào)節(jié)熱、冷負(fù)荷占需求熱、冷負(fù)荷總量的10%。用戶(hù)對(duì)電、熱/冷能的偏好常系數(shù)e、e、h/c、h/c分別為1.6，0.001 2，1.4，0.001。碳交易基本數(shù)據(jù)見(jiàn)文獻(xiàn)[20]，EGO和ESO的機(jī)組參數(shù)見(jiàn)文獻(xiàn)[24]。

5.1 Stackelberg均衡分析

博弈均衡后的EMO定價(jià)策略如圖5所示。圖5(a)中，EMO為了優(yōu)先消納系統(tǒng)內(nèi)新能源，其電價(jià)策略始終包含在外部電網(wǎng)定價(jià)之間，為供能端和用能端提供更優(yōu)價(jià)格。此外，EMO的售電價(jià)格波動(dòng)趨勢(shì)和外部電網(wǎng)分時(shí)電價(jià)一致，購(gòu)電價(jià)格則與用戶(hù)實(shí)際用電負(fù)荷趨勢(shì)一致，目的是為了激勵(lì)用戶(hù)積極購(gòu)電和EGO發(fā)電。同樣，熱價(jià)和冷價(jià)的分析與電價(jià)類(lèi)似，購(gòu)熱價(jià)格和購(gòu)冷價(jià)格的趨勢(shì)與用戶(hù)實(shí)際用熱負(fù)荷和用冷負(fù)荷趨勢(shì)大致相同，如圖5(b)所示。

圖4 負(fù)荷和新能源預(yù)測(cè)曲線(xiàn)

圖5 內(nèi)部交易能源價(jià)格曲線(xiàn)

此外，為了驗(yàn)證本文所提算法的優(yōu)越性，將本文算法與傳統(tǒng)的差分進(jìn)化算法(DE)和遺傳算法(GA)進(jìn)行對(duì)比分析，對(duì)比結(jié)果如表1所示。由表1可知，本文算法在迭代次數(shù)和收斂時(shí)間上都有較大的縮短，驗(yàn)證了本文算法的優(yōu)勢(shì)。

表1 算法迭代數(shù)據(jù)對(duì)比

5.2不同策略結(jié)果及對(duì)比分析

為了說(shuō)明考慮雙重激勵(lì)I(lǐng)DR策略和獎(jiǎng)懲階梯型碳交易機(jī)制的多主體博弈優(yōu)化調(diào)度的經(jīng)濟(jì)、環(huán)境效益，設(shè)計(jì)以下四種策略與本文策略進(jìn)行對(duì)比。

情景1 考慮EMO、EGO和用戶(hù)，考慮價(jià)格型IDR。

情景2 考慮EMO、EGO、ESO和用戶(hù)，不考慮價(jià)格型IDR。

情景3 考慮EMO、EGO、ESO和用戶(hù)，考慮價(jià)格型IDR。

情景4 考慮EMO、EGO、ESO和用戶(hù)，考慮常規(guī)型碳交易機(jī)制和雙重激勵(lì)的IDR策略。

5種場(chǎng)景結(jié)果如表2、表3所示，現(xiàn)分析如下：

情景1和情景3中，由表2可見(jiàn)，情景3中EMO、EGO和用戶(hù)的收益相較于情景1分別上升了1.88%、5.26%和2.67%。情景3中加入儲(chǔ)能裝置，雖然會(huì)占據(jù)EMO少量的用戶(hù)購(gòu)能份額，但ESO通過(guò)低充高放既能緩解EGO設(shè)備出力壓力又能減少EMO在負(fù)荷峰值時(shí)直接與外部電網(wǎng)的交互成本，還能使用戶(hù)得到比EMO更為優(yōu)惠的購(gòu)能價(jià)格，減少用戶(hù)的購(gòu)能成本，由此體現(xiàn)加入ESO的優(yōu)勢(shì)。

情景2和情景3中，由表2、表3可見(jiàn)，情景3中EGO和用戶(hù)的收益相較于情景2分別上升了8.5%和6.47%，系統(tǒng)碳排放量減少了6.96%。因?yàn)榍榫?考慮了價(jià)格型IDR，有效平緩了用戶(hù)負(fù)荷的峰谷差，降低用戶(hù)購(gòu)能成本和EMO的外購(gòu)電所產(chǎn)生的碳排放量。但由于情景2中用戶(hù)實(shí)際負(fù)荷沒(méi)有出現(xiàn)轉(zhuǎn)移，EMO不用根據(jù)用戶(hù)負(fù)荷調(diào)整自身能源價(jià)格，其售能價(jià)格與大電網(wǎng)價(jià)格接近，故情景2中EMO收益相比情景3會(huì)出現(xiàn)略微的上升。

情景3和情景4中，由表2、表3可見(jiàn)，情景4中EGO和用戶(hù)的利潤(rùn)相較于情景3分別上升了10%和8.3%，系統(tǒng)碳排放總量減少了13.76%。由于EMO會(huì)承擔(dān)外購(gòu)電力產(chǎn)生的碳交易成本，所以EMO的利潤(rùn)相比情景3降了2.56%，但EGO獲得了碳交易收益之后主動(dòng)增加了設(shè)備出力，減少了EMO向外部電網(wǎng)的購(gòu)電成本并降低了碳排放量。對(duì)比說(shuō)明，考慮EMO和EGO的碳交易成本能有效降低系統(tǒng)的碳排放總量，并且用戶(hù)通過(guò)將參與價(jià)格激勵(lì)調(diào)節(jié)的電、熱、冷能變化量轉(zhuǎn)化為碳補(bǔ)償在碳交易市場(chǎng)中獲取獎(jiǎng)勵(lì)，不僅增加用戶(hù)綜合效益，還能進(jìn)一步促進(jìn)削峰填谷，減少EGO的供能壓力。

最后對(duì)比情景4和本文所提方法。從表2、表3可知，本文策略中EGO的利潤(rùn)和系統(tǒng)總碳排放量相比情景4分別提升了3.34%和下降了2.12%。這是因?yàn)镋GO產(chǎn)生的碳排放量小于規(guī)定的碳排放分配額，故在碳交易市場(chǎng)中獲得了獎(jiǎng)勵(lì)。并且由于EGO設(shè)備出力的增加，EMO間接減少了向外部電網(wǎng)的購(gòu)電量和碳排放量。對(duì)比說(shuō)明，本文采用的獎(jiǎng)懲階梯型碳交易成本模型能更好地提升系統(tǒng)的減排效果。

表2 不同模式下各主體的利潤(rùn)

表3 不同模式下EMO和EGO碳排放量

綜上分析可知，考慮多利益主體互動(dòng)交易既符合目前能源市場(chǎng)的多主體競(jìng)爭(zhēng)特點(diǎn)，也能夠保障多方利益。此外，在多主體博弈互動(dòng)框架中考慮獎(jiǎng)懲階梯型碳交易機(jī)制和雙重激勵(lì)的IDR能同時(shí)兼顧系統(tǒng)經(jīng)濟(jì)性和環(huán)保性。

5.3優(yōu)化調(diào)度結(jié)果及供需平衡分析

考慮不同IDR策略時(shí)優(yōu)化后的負(fù)荷曲線(xiàn)對(duì)比結(jié)果如表4和圖6所示。以電負(fù)荷為例，在只考慮價(jià)格型IDR時(shí)，23：00—07：00電負(fù)荷谷時(shí)段，用戶(hù)愿意把峰時(shí)段值的可移電負(fù)荷轉(zhuǎn)移到該時(shí)段，從而使用戶(hù)的綜合效益最大；08：00—10：00和14：00—17：00電負(fù)荷平時(shí)段，考慮用電滿(mǎn)意度和購(gòu)能成本，用戶(hù)小比例地改變自身用電策略；11：00—13：00和18：00—23：00電負(fù)荷峰時(shí)段，用戶(hù)會(huì)忽略此時(shí)的用電滿(mǎn)意度，主動(dòng)轉(zhuǎn)移大量可移電負(fù)荷至電價(jià)谷時(shí)段，降低了用戶(hù)的購(gòu)能成本。

表4 不同IDR策略對(duì)比結(jié)果

圖6 用戶(hù)負(fù)荷曲線(xiàn)優(yōu)化結(jié)果

但上述分析只考慮了價(jià)格型IDR，此時(shí)用戶(hù)受到用能滿(mǎn)意度的影響，可調(diào)節(jié)負(fù)荷力度受到限制，當(dāng)加入碳補(bǔ)償時(shí)，刺激用戶(hù)將響應(yīng)電價(jià)激勵(lì)時(shí)增加或減少的負(fù)荷變化量轉(zhuǎn)變成碳補(bǔ)償獎(jiǎng)勵(lì)給用戶(hù)，提高了用戶(hù)的綜合收益，使用戶(hù)在考慮用能滿(mǎn)意度的同時(shí)更大尺度地調(diào)整自身用能策略。由表4可知，相比價(jià)格IDR策略，采用雙重激勵(lì)的IDR策略時(shí)用戶(hù)收益上升了3.5%，系統(tǒng)碳排放量和用戶(hù)電負(fù)荷峰谷差分別下降了3.95%和7.69%，可見(jiàn)用戶(hù)通過(guò)響應(yīng)電價(jià)與碳補(bǔ)償激勵(lì)不僅提高自身收益，也提升了系統(tǒng)環(huán)境效益。此外，用戶(hù)側(cè)的削峰填谷既能平緩EGO的供能壓力，也能減少EMO向外部電網(wǎng)的購(gòu)電量。結(jié)合表2和表3，可見(jiàn)雙重激勵(lì)策略能夠有效提升多個(gè)利益主體的綜合效益，實(shí)現(xiàn)整個(gè)能源市場(chǎng)的雙贏。冷、熱負(fù)荷的分析與此類(lèi)似，此處不再贅述。

Stackelberg博弈優(yōu)化后的電、熱、冷能調(diào)度結(jié)果如圖7所示?？紤]環(huán)保性，EMO優(yōu)先消納可再生新能源PV和WT。首先，對(duì)于23：00—07：00時(shí)段，電、冷負(fù)荷較低，電價(jià)處于谷段，電負(fù)荷主要由WT提供，不足部分由GT補(bǔ)給。EGO為了獲利，GT出力較多，多余部分由ESO的蓄電池儲(chǔ)存。EMO通過(guò)價(jià)格激勵(lì)GB出力，與WHB一起滿(mǎn)足熱能需求，若不能滿(mǎn)足則由ESO的蓄熱槽通過(guò)低充高放補(bǔ)充。冷負(fù)荷需求較低，主要由ISAC提供。

圖7 能源優(yōu)化調(diào)度結(jié)果

其次，在08：00—10：00和14：00—17：00時(shí)段，隨著電、冷負(fù)荷的逐漸上升，EGO的PV、WT出力被完全消納，GT出力增加。但EGO通過(guò)比較售能收入和運(yùn)行成本，又制約GT和GB出力，故EGO不能滿(mǎn)足負(fù)荷需求部分，由EMO通過(guò)外購(gòu)電量補(bǔ)充。冷負(fù)荷由耗電量較少的ISAC通過(guò)空調(diào)模式和融冰制冷同時(shí)供應(yīng)，不足部分由AR補(bǔ)充。熱負(fù)荷依然由WHB和GB提供，不足部分再由蓄熱槽補(bǔ)充。最后，在11：00—13：00和18：00—23：00時(shí)段，電負(fù)荷處于高峰期，用戶(hù)不足的電能通過(guò)蓄電池放電以及EMO外購(gòu)電補(bǔ)充。AR制冷量增大，和ISAC共同滿(mǎn)足冷負(fù)荷需求。

6 結(jié)論

本文基于獎(jiǎng)懲階梯型碳交易機(jī)制、雙重激勵(lì)I(lǐng)DR策略和多主體的利益訴求，構(gòu)建了以EMO為領(lǐng)導(dǎo)者，EGO、ESO和用戶(hù)為跟隨者的多利益主體低碳交互機(jī)制，實(shí)現(xiàn)了RIES多主體間博弈互動(dòng)和多能耦合的低碳經(jīng)濟(jì)優(yōu)化調(diào)度。主要得到以下結(jié)論：

1) 考慮源-荷-儲(chǔ)三方主動(dòng)性，建立了RIES多能互補(bǔ)的多主體主從博弈優(yōu)化模型，通過(guò)合理的價(jià)格信息引導(dǎo)EGO的可控設(shè)備出力、ESO的充放能功率以及用戶(hù)的用能策略，實(shí)現(xiàn)了多主體多能源協(xié)同優(yōu)化調(diào)度。

2) 在博弈模型中引入了獎(jiǎng)懲階梯型碳交易機(jī)制，分析了各主體在碳約束環(huán)境下的決策行為，并在用戶(hù)側(cè)考慮價(jià)格和碳補(bǔ)償雙重激勵(lì)的IDR策略，充分發(fā)揮了各主體的綠色調(diào)節(jié)能力。仿真結(jié)果表明，所提方法提高了各主體的綜合效益，兼顧了系統(tǒng)的經(jīng)濟(jì)和環(huán)境效益。

在后續(xù)的研究中需進(jìn)一步考慮多主體博弈模型中源荷功率波動(dòng)和需求響應(yīng)資源在不同時(shí)間尺度上的調(diào)度特性對(duì)RIES經(jīng)濟(jì)運(yùn)行的影響。

[1] WANG Jianxiao, ZHONG Haiwang, MA Ziming, et al. Review and prospect of integrated demand response in the multi-energy system[J]. Applied Energy, 2017, 202: 772-782.

[2] WANG Chengshan, Lü Chaoxian, LI Peng, et al. Modeling and optimal operation of community integrated energy systems: a case study from China[J]. Applied Energy, 2018, 230: 1242-1254.

[3] 陳厚合, 茅文玲, 張儒峰, 等. 基于碳排放流理論的電力系統(tǒng)源-荷協(xié)調(diào)低碳優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(10): 1-11.

CHEN Houhe, MAO Wenling, ZHANG Rufeng, et al. Low-carbon optimal scheduling of a power system source-load considering coordination based on carbon emission flow theory[J]. Power System Protection and Control, 2021, 49(10): 1-11.

[4] MURTY V, KUMAR A. Multi-objective energy management in microgrids with hybrid energy sources and battery energy storage systems[J]. Protection and Control of Modern Power Systems, 2020, 5(1): 1-20.

[5] 何黎君, 程杉, 陳梓銘. 考慮交互功率控制和雙邊競(jìng)價(jià)交易的多微電網(wǎng)雙層優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(11): 10-17.

HE Lijun, CHENG Shan, CHEN Ziming. A scheduling model of a multi-microgrid system based on bi-layer optimization with consideration of PCC power control and bilateral bidding[J]. Power System Protection and Control, 2020, 48(11): 10-17.

[6] 劉滌塵, 馬恒瑞, 王波, 等. 含冷熱電聯(lián)供及儲(chǔ)能的區(qū)域綜合能源系統(tǒng)優(yōu)化運(yùn)行[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(4): 113-120, 141.

LIU Dichen, MA Hengrui, WANG Bo, et al. Operation optimization of regional integrated energy system with CCHP and energy storage system[J]. Automation of Electric Power Systems, 2018, 42(4): 113-120, 141.

[7] CHENG S, WANG R, XU J Y, et al. Multi-time scale coordinated optimization of an energy hub in the integrated energy system with multi-type energy storage systems[J]. Sustainable Energy Technologies and Assessments, 2021, 47(22).

[8] 何仲瀟, 徐成司, 劉育權(quán), 等. 考慮多能協(xié)同的工廠綜合需求側(cè)響應(yīng)模型[J]. 電力自動(dòng)化設(shè)備, 2017, 37(6): 69-74.

HE Zhongxiao, XU Chengsi, LIU Yuquan, et al. Industrial park IDR model considering multi-energy cooperation[J]. Electric Power Automation Equipment, 2017, 37(6): 69-74.

[9] 程杉, 魏昭彬, 黃天力, 等. 基于多能互補(bǔ)的熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 57(11): 166-174.

CHENG Shan, WEI Zhaobin, HUANG Tianli, et al. Multi-energy complementation based optimal operation of a microgrid with combined heat and power[J]. Power System Technology, 2020, 557(11): 166-174.

[10] 游陽(yáng), 荊朝霞. 考慮電動(dòng)汽車(chē)的車(chē)-站-路-網(wǎng)多主體聯(lián)合優(yōu)化[J]. 新能源汽車(chē)供能技術(shù), 2019, 3(1): 7-12.

YOU Yang, JING Zhaoxia. Vehicle-station-road-network multi-agent joint optimization considering electric vehicles[J]. Energy Supply Techniques of New Energy Vehicles, 2019, 3(1): 7-12.

[11] 陳磊, 牛玉剛, 賈廷綱. 基于主從博弈的多微網(wǎng)能量調(diào)度策略[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(19): 35-42.

CHEN Lei, NIU Yugang, JIA Tinggang. Multi-microgrid energy scheduling strategy based on master-slave game[J]. Power System Protection and Control, 2020, 48(19): 35-42.

[12] 劉曉峰, 高丙團(tuán), 李揚(yáng), 等. 博弈論在電力需求側(cè)的應(yīng)用研究綜述[J]. 電網(wǎng)技術(shù), 2018, 42(8): 2704-2711.

LIU Xiaofeng, GAO Bingtuan, LI Yang, el al. Review on application of game theory in power demand side[J]. Power System Technology, 2018, 42(8): 2704-2711.

[13] LIU N, HE L, YU X, et al. Multiparty energy management for grid-connected microgrids with heat-and electricity- coupled demand response[J]. IEEETransactions on Industrial Informatics, 2018, 14(5): 1887-1897.

[14] WEI F, JING Z X, PETER Z, et al. A Stackelberg game approach for multiple energies trading in integrated energy systems[J]. Applied Energy, 2017, 200(15): 315-329.

[15] 宮建鋒, 曹雨晨, 屈高強(qiáng), 等. 基于全局優(yōu)化和多主體博弈的微網(wǎng)日前電熱聯(lián)合經(jīng)濟(jì)調(diào)度[J]. 電力建設(shè), 2018, 39(12): 22-30.

GONG Jianfeng, CAO Yuchen, QU Gaoqiang, et al. Research on day ahead power and heat combined dispatch of microgrid based on global optimization and multi-agent game[J]. Electric Power Construction, 2018, 39(12): 22-30.

[16] 徐業(yè)琰, 廖清芬, 劉滌塵, 等. 基于綜合需求響應(yīng)和博弈的區(qū)域綜合能源系統(tǒng)多主體日內(nèi)聯(lián)合優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2019, 43(7): 2506-2518.

XU Yeyan, LIAO Qingfen, LIU Dichen, et al. Multi- player intraday optimal dispatch of integrated energy system based on integrated demand response and game[J]. Power System Technology, 2019, 43(7): 2506-2518.

[17] 王海洋, 李珂, 張承慧, 等. 基于主從博弈的社區(qū)綜合能源系統(tǒng)分布式協(xié)同優(yōu)化運(yùn)行策略[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2020, 40(17): 5435-5445.

WANG Haiyang, LI Ke, ZHANG Chenghui, el al. Distributed coordinative optimal operation of community integrated energy system based on Stackelberg game[J]. Proceedings of the CSEE, 2020, 40(17): 5435-5445.

[18] 白宏坤, 尹碩, 李虎軍, 等. 計(jì)及碳交易成本的多能源站綜合能源系統(tǒng)規(guī)劃[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2019, 34(1): 11-19.

BAI Hongkun, YIN Shou, LI Hujun, et al. Optimal planning of multi-energy stations considering carbon-trading cost[J]. Journal of Electric Power Science and Technology, 2019, 34(1): 11-19.

[19] 崔楊, 曾鵬, 仲悟之, 等. 考慮階梯式碳交易的電-氣-熱綜合能源系統(tǒng)低碳經(jīng)濟(jì)調(diào)度[J]. 電力自動(dòng)化設(shè)備, 2021, 41(3): 10-17.

CUI Yang, ZENG Peng, ZHONG Wuzhi, et al. Low-carbon economic dispatch of electricity-gas-heat integrated energy system based on ladder-type carbon trading[J]. Electric Power Automation Equipment, 2021, 41(3): 10-17.

[20] 張曉輝, 劉小琰, 鐘嘉慶. 考慮獎(jiǎng)懲階梯型碳交易和電-熱轉(zhuǎn)移負(fù)荷不確定性的綜合能源系統(tǒng)規(guī)劃[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2020, 40(19): 6132-6142.

ZHANG Xiaohui, LIU Xiaoyan, ZHONG Jiaqing. Integrated energy system planning considering a reward and punishment ladder-type carbon trading and electric-thermal transfer load uncertainty[J]. Proceedings of the CSEE, 2020, 40(19): 6132-6142.

[21] 張濤, 郭玥彤, 李逸鴻, 等. 計(jì)及電氣熱綜合需求響應(yīng)的區(qū)域綜合能源系統(tǒng)優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(1): 52-61.

ZHANG Tao, GUO Yuetong, LI Yihong, et al. Optimization scheduling of regional integrated energy systems based on electric-thermal-gas integrated demand response[J]. Power System Protection and Control, 2021, 49(1): 52-61.

[22] BAO Z, ZHOU Q, YANG Z, et al. A multi time-scale end multi energy-type coordinated scheduling solution: partⅠmodel and methodology[J]. IEEE Transactions on Power Systems, 2015, 30(5): 2257-2266.

[23] 馬一鳴, 周夕然, 董鶴楠, 等. 考慮電轉(zhuǎn)氣與冷熱負(fù)荷慣性的綜合能源系統(tǒng)優(yōu)化調(diào)度[J]. 電網(wǎng)與清潔能源, 2021, 37(8): 118-127, 138.

MA Yiming, ZHOU Xiran, DONG Henan, et al. Optimal dispatch of integrated energy system considering power-to-gas and load inertia[J]. Power System and Clean Energy, 2021, 37(8): 118-127, 138.

[24] 程杉, 黃天力, 魏榮宗. 含冰蓄冷空調(diào)的冷熱電聯(lián)供型微網(wǎng)多時(shí)間尺度優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(5): 30-40.

CHENG Shan, HUANG Tianli, WEI Rongzong. Multi- time-scale optimal scheduling of CCHP microgrid with ice-storage air-conditioning[J]. Automation of Electric Power Systems, 2019, 43(5): 30-40.

Low-carbon and economic optimization of a regional integrated energy system based on a master-slave game with multiple stakeholders

WANG Rui1, CHENG Shan1, WANG Yeqiao1, DAI Jiang2, ZUO Xianwang1

(1. Engineering Center for Intelligent Energy Technology (China Three Gorges University), Yichang 443002, China;2. Guizhou Power Grid Co., Ltd., Guiyang 550002, China)

To solve the problems of environmental pollution and the conflict of interests of multi-market players in a regional integrated energy system, a multi-agent game collaborative optimization method for a regional integrated energy system considering a reward and punishment ladder carbon trading mechanism and dual incentive integrated demand response is proposed. First, to fully consider the low-carbon nature of the system, a reward and punishment ladder carbon trading mechanism is introduced to limit the carbon emissions of each stakeholder. Then an integrated demand response strategy based on price and carbon compensation is proposed on the user side. Secondly, considering the initiative and decision-making ability of the source, load and storage parties, a multi-agent low-carbon interaction mechanism based on carbon trading and game collaborative optimization is proposed, and the decision-making model of each stakeholder is constructed. Finally, an adaptive differential evolution algorithm combined with the Gurobi toolbox is used to solve the proposed model. The simulation results verify the effectiveness of the proposed model. In a low-carbon framework, each stakeholder can reasonably adjust its own strategies and take into account the economic and environmental benefits of the system.

regional integrated energy system; low-carbon interaction; multi-agent game; carbon trading; integrated demand response

10.19783/j.cnki.pspc.210888

國(guó)家自然科學(xué)基金項(xiàng)目資助(51607105)；三峽大學(xué)碩士學(xué)位論文培優(yōu)基金(2021SSPY067)

This work is supported by the National Natural Science Foundation of China (No. 51607105).

2021-07-12；

2021-09-15

王 瑞(1996—)，男，碩士研究生，研究方向?yàn)榫C合能源系統(tǒng)能量?jī)?yōu)化管理；E-mail: 1094888438@qq.com

程 杉(1981—)，男，通信作者，博士、教授、博導(dǎo)，主要從事電力系統(tǒng)運(yùn)行優(yōu)化與控制、智能電網(wǎng)能量管理與優(yōu)化、智能計(jì)算及其應(yīng)用等方向的研究工作。E-mail: hpucquyzu@ctgu.edu.cn

(編輯 張愛(ài)琴)