提升區域綜合能源系統運行靈活性的多主體互動決策模型

王雪純 陳紅坤 陳 磊

提升區域綜合能源系統運行靈活性的多主體互動決策模型

王雪純 陳紅坤 陳 磊

（武漢大學電氣與自動化學院 武漢 430072）

隨著含可再生能源的微能源網規模化接入區域綜合能源系統（RIES），其波動性和不確定性對系統的靈活調節能力帶來了挑戰。針對此問題，提出一種聯合運行市場機制下的多主體雙層互動決策模型。首先，指出RIES運行時的靈活調節需求，從市場層面分析靈活調節產品（FRP）對滿足該需求的適用性；其次，將FRP市場與電、熱能量市場聯合運行，并設計了激勵源荷雙端市場主體調度靈活調節資源的聯合運行市場機制；然后，為求解市場納什均衡，建立外層多個市場主體非合作博弈、內層RIES運營商出清的多主體互動決策模型，并分別采用Q-learning算法和路徑跟蹤內點法對外、內層模型進行求解；最后，通過電熱聯合RIES仿真算例進行多場景對比分析。結果表明所提方法可以促進可再生能源消納，減少用能總成本，降低競價周期內能源平均價格，從而有效提升系統運行的靈活性。

區域綜合能源系統 運行靈活性 靈活調節產品 聯合運行市場 互動決策

0 引言

能源是人類社會發展進步的基礎，如何在保證人類社會持續發展的同時高效利用可再生能源，是世界各國必須關注的問題。區域綜合能源系統（Regional Integrated Energy System, RIES）打破了過去多種能源系統獨立運行的形式，實現了多種能源互動[1-2]。隨著分布式產能技術的進步，含分布式可再生能源的微能源網開始規模化接入RIES。然而，可再生能源出力的波動性和不確定性給RIES的運行靈活性帶來顯著壓力，對系統的靈活調節能力提出了更高要求。

綜合能源市場的蓬勃發展為通過市場化手段提升運行靈活性提供了重要思路，但是現有市場機制無法解決靈活調節資源的短缺問題，傳統輔助服務市場也不能完全用于優化配置靈活調節資源[3-5]。在該背景下，一種針對性提升系統運行靈活性的新型市場產品——靈活調節產品（Flexible Ramping Product, FRP）應運而生，其通過調度靈活調節資源，為下一時間段內快速變化的凈負荷預留容量[6-8]。文獻[9]提出了含多種能源發電機組的電能-FRP聯合運行市場架構，通過建立雙層優化模型分析FRP對市場均衡的影響。文獻[10]在現有機制基礎上改進了系統對FRP需求的計算方法，建立了電能-FRP聯合出清的優化調度模型，進一步提升系統運行的靈活性。上述研究皆集中在發電側提供FRP資源，因此文獻[11]將可中斷負荷作為“虛擬發電機”，提出源、荷同時參與FRP市場的實時調度模型，為需求側供給靈活調度資源提供了依據。

然而，現有研究多集中于電力市場與FRP市場的聯合運行，不能完全適用于RIES。此外，RIES的源、網、荷等環節存在多個多能耦合的利益主體，包括微能源網投資商（Micro Integrated Energy Grid Investor, MIEGI）和綜合能源用戶聚合商（Integrated Energy Consumer Aggregator, IECA）。求解含多個利益主體參與競價的市場均衡，能夠實現通過市場機制挖掘RIES內可靈活調度資源，對研究FRP提升RIES運行靈活性的效果具有重要意義。

在利益主體參與市場競價方面，文獻[12]建立了微能源網–用戶的主從博弈能源交易模型，在兼顧用戶的主動性與用能體驗的同時完成了微能源網的綜合能源優化。文獻[13]則基于按報價結算機制，以用能成本最小為目標優化調度，探索合作博弈下小型RIES內的多能互補。在綜合能源用戶參與優化RIES運行方面，目前多考慮的是其參與需求側響應，通過改變用能計劃實現多能互補。文獻[14]為提高RIES的運行效率，利用補貼形式激勵依靠多種能源供能的負荷參與需求響應。文獻[15]建立分布式能源站與綜合能源用戶的主從博弈模型，分布式能源站作為領導者根據負荷需求競價，用戶作為跟隨者根據價格信號制定用能計劃，最后求得博弈均衡。

總體而言，目前對綜合能源市場的研究多集中于電、熱、冷能量市場，而對提升RIES運行靈活性的輔助服務市場涉及較少；在綜合能源市場的背景下，現有研究多以單個微能源網為利益主體構建決策模型，進行微能源網內部整體綜合能源優化[16]，較少研究含多個利益主體市場的互動決策機制；現有研究較少考慮綜合能源用戶的替代作用，并且用戶只能通過改變用能計劃參與博弈，其參與市場的自主能動性尚未深度發掘。

基于上述分析，本文提出一種提升RIES運行靈活性的多市場主體雙層互動決策模型。通過將FRP市場引入電、熱能量市場構建聯合運行市場，并設計挖掘靈活調節資源的市場機制。在該機制下，構建MIEGI及IECA等多個市場主體的雙層互動決策模型，分析各主體之間的非合作動態博弈，并采用Q-learning算法與路徑跟蹤內點法求解納什均衡。最后利用電熱聯合RIES算例對所提模型的有效性進行仿真驗證。

1 RIES靈活調節需求與供給分析

在電、熱緊密耦合的RIES中，含可再生能源的微能源網規模化接入會造成凈負荷快速變化，其對電力子系統的影響會通過電、熱耦合環節影響到熱力子系統，使其運行靈活性受到巨大挑戰。參考電力系統靈活性的定義[17]，可將RIES運行靈活性定義為“應對微能源網規模化接入RIES引起的波動性和不確定性，利用系統中的資源，快速響應負荷變化的能力”。

1.1 靈活調節需求分析

為維持多能供需平衡，RIES內能源出力要實時跟蹤凈負荷曲線的變化。對RIES的電力子系統而言，凈負荷表示除可再生能源外系統需滿足的負荷需求。由于含可再生能源的微能源網規模化接入，凈負荷曲線的波動性和不確定性更加顯著。相應地，RIES的靈活調節需求如圖1所示，RIES的靈活調節需求可分為兩類：一是應對凈負荷曲線的下一個時段預測值與當前時段的波動量，即應對波動性的靈活調節需求；二是應對凈負荷預測值在某置信度下的不確定性偏差量，即應對不確定性的靈活調節需求。

圖1 RIES的靈活調節需求

當上述靈活調節需求無法被滿足時，RIES運行中會在多方面體現出“不靈活性”。從市場運行的角度看，“不靈活”表現包括[18]：①限制可再生能源接入，嚴重棄風棄光造成的市場資源浪費；②供需不平衡形成極高的懲罰電價，造成市場用能成本增加；③供需平衡在短期內被打破或恢復，造成市場價格隨時間的劇烈波動。本文將從市場層面改善上述表現來提升RIES的運行靈活性，以市場機制挖掘系統中的靈活調節資源。

1.2 靈活調節資源供給分析

針對系統運行時靈活調節能力不足的情況，國外市場建設者提出一種新型交易產品——FRP。盡管傳統輔助服務（如調頻、備用）也可在一定程度上平衡系統凈負荷實時變化，但在設計目的、響應方式、可調度資源、補償定價等方面與FRP都存在差別：

1）設計目的不同。調頻服務用于平衡實時凈負荷差異，目的是維持系統頻率穩定；備用服務用于應對突發故障，目的是維持系統安全運行；FRP則用于滿足凈負荷的波動性與不確定性造成的靈活調節需求，目的是針對性地提升系統運行靈活性。

2）響應方式不同。調頻服務響應當前時段的自動發電控制調度，時間尺度為秒級；備用服務響應突發故障時的調度，且只能上行調節，響應時間為15～30min；FRP則是為下一時間段即將到來的凈負荷快速變化預留容量，擁有上、下行調節能力，響應時間為5～15min。

3）可調度資源不同。調頻服務的秒級響應要求資源提供者具有快速響應速率；備用服務要求資源提供者具備較高的爬坡能力；FRP市場的準入規則使得系統內所有可實時調度并預留容量的資源皆可提供FRP服務。

4）補償定價不同。傳統輔助服務價格高昂，需在輔助服務市場中額外購買，而FRP市場與能量市場聯合出清，提供者無需對其報價，由機會成本確定價格，出現短缺后其價格也低于最高限價，限價遠低于傳統輔助服務價格。

綜上所述，依靠傳統輔助服務滿足系統靈活調節需求，會受到調用頻率、調節方向與價格的多方面限制，對系統造成不利影響。而FRP可被持續、頻繁調用，滿足上、下行靈活需求，經濟性高，是從市場層面挖掘系統靈活調節資源的強有力手段。

2 面向運行靈活性的聯合運行市場

基于RIES的運行框架，本文引入FRP市場，與電能、熱能市場聯合運行，建立面向運行靈活性的聯合運行市場，分析源、荷雙端多能耦合條件下，聯合運行市場機制對市場主體提供靈活調節資源的激勵作用。

2.1 聯合運行市場結構

圖2為所建立的聯合運行市場的結構，包括區域內電能市場、熱能市場及FRP市場。此外，天然氣配氣網和電力批發市場分別提供天然氣與電能作為區域外能量輸入。

圖2 區域綜合能源系統聯合運行市場結構

聯合運行市場的出清由區域綜合能源系統運營商（Regional Integrated Energy System Operator, RIESO）完成。同時參與市場的有多個主體，根據利益劃分與是否產能可將其分為MIEGI與IECA：MIEGI內部設備通常包括分布式可再生能源、熱電聯產機組（Combined Heat and Power, CHP）和燃氣鍋爐（Gas Boiler, GB）等產能設備中的一種或多種；IECA則聚集了RIES內所有多能負荷。

2.2 聯合運行市場機制

在聯合運行市場中，對電能、熱能及FRP三類產品的出清機制與供需實現方式如下：

1）能量市場

能量市場包括電能與熱能市場，市場主體對電能、熱能報價，RIESO按節點能價進行市場出清。因為在RIES中，源端能源耦合節點處的能價還需疊加能源耦合成本，采用節點能價出清，能夠通過市場信號激勵市場主體優化產能與報價策略。

市場主體參與電、熱能量市場實現供需平衡：

2）FRP市場

在FRP市場中，市場主體無需對FRP報價，RIESO根據機會成本對FRP定價。所謂機會成本，就是市場主體由于提供FRP而未能提供能量所損失的收益。當靈活調節資源不足時，則通過需求曲線定價。當RIESO根據圖1確定系統靈活調節需求后，RIES中市場主體可通過調度靈活調節資源預留容量提供FRP，其實現形式為

聯合運行市場通過上述機制激勵市場主體提供FRP，市場主體可利用源荷雙端多能互補特性進一步發掘RIES中的可調度靈活調節資源。

3 聯合運行市場機制下的多主體互動決策模型

3.1 多主體互動決策模型雙層結構

為實現所提聯合運行市場機制，以提升系統運行靈活性，建立如圖3所示的多主體雙層互動決策模型來求解市場均衡。該模型體現了市場運行時具有外層非合作博弈競爭，內層出清與內、外層互動等特點。內、外層間的互動以交換出清決策與報價決策的形式進行：模型外層包括IECA和多個MIEGI，它們在聯合運行市場中競價，根據內層傳送的歷史出清結果進行策略性報價，并整合自身資源提供電能、熱能與FRP產品，參與非合作博弈以最大化自身利潤；模型內層為RIESO，當外層所有主體的報價策略傳送至內層后，據此在聯合運行市場中進行出清，在區域綜合能源系統潮流約束與靈活調節資源供需平衡約束下，以用能成本最小為目標進行優化，形成含各主體中標容量與相應中標價格的出清結果，并將其傳送至外層。

圖3 多主體互動決策模型雙層結構

3.2 外層非合作博弈模型

雙層互動決策決定了外層主體的目標函數為其決策變量的隱函數，其決策變量為對電能、熱能的報價系數與可提供的電能、熱能以及上、下行FRP的容量范圍，且均受外層模型約束條件的約束。

3.2.1 MIEGI優化競價模型

在聯合運行市場機制下競價時，MIEGI可通過調度CHP機組提供FRP。而由于CHP機組供應電能與FRP服務時在容量上存在耦合，因此MIEGI除了受可再生能源電出力、GB熱出力等技術出力約束外，還受改進的CHP機組出力與爬坡條件約束。

3.2.2 IECA優化競價模型

IL與AL通過在一定范圍內調節對供電與供熱指標的要求來提供FRP，提供的FRP容量約束為

3.3 內層統一出清模型

RIESO在進行出清之前，需在聯合運行市場供需平衡約束、系統潮流約束以及市場主體中標容量約束下進行運行校核。

RIESO出清目標為RIES的用能總成本最小，決策變量為RIESO向各主體分配的電能、熱能以及上、下行FRP的容量。

除了受式（1）～式（4）所示的聯合運行市場供需平衡約束，RIESO市場出清還受以下條件約束。

1）節點潮流約束

2）電力系統支路傳輸極限約束

3）供熱系統支路傳輸損耗及節點溫度上、下限約束

4）市場主體中標容量范圍約束

3.4 多主體互動決策模型求解算法

所提雙層互動決策模型中，自身以及其他主體的報價策略變化都將通過決策互動影響內層出清結果，從而改變其目標函數值。因此，當所有市場主體策略都不再發生變化，說明此時的報價策略使得全部主體得到最優利潤，博弈達到納什均衡，否則將會有主體改變報價策略以達到更高的利潤。當外層的報價決策不再變化時，內層RIESO判斷市場達到納什均衡，從而結束內、外層互動決策過程并形成最終出清結果。

針對模型的特征，分層進行求解，具體流程如附圖1所示。其中，針對外層的非合作博弈模型的求解，采用Q-learning算法[20-21]，目標是使市場主體在多次互動決策中積累經驗，逐漸收斂到最優決策，實現自身利潤的最大化；針對內層的優化出清模型求解，采用路徑跟蹤內點法求解[22]，目標是使RIESO在互動決策中根據報價決策進行出清，并形成最小化全區域內用能成本的出清結果。

4 算例分析

4.1 仿真參數設置

為驗證所提雙層互動決策模型的有效性，選取如附圖2所示的RIES進行仿真分析，仿真程序通過Matlab R2016a編寫，仿真計算機CPU為Intel（R）Core（TM）i5-6500H，RAM為16.0GB。RIES由IEEE 33節點配電系統與32節點供熱系統耦合構成。MIEGI內部設備與設備運行參數見附表1。需要指出的是，CHP機組的成本函數與火電機組不同，其天然氣耗量函數見文獻[19]，對應關系為：MIEGI 1→機組2，MIEGI 2→機組3，MIEGI 3→機組1。CHP機組的電、熱產能也非單純的線性關系，典型CHP機組的運行域如附圖3所示，其邊際產能成本受運行點的影響，當其處于運行域邊界時，機組的經濟性會發生改變。

4.2 多主體互動決策結果分析

采用附圖1所示算法求解所提模型中外層市場主體博弈結果和內層RIESO出清結果，模型互動決策過程如圖4所示。各市場主體的值在92次學習之后即收斂到0，RIES用能成本也隨博弈的進行而逐漸達到最低，博弈過程用時543.89s達到納什均衡。

圖4 多主體互動決策過程

用能成本最低時的聯合運行市場出清結果如圖5所示，可據此分析各市場主體的互動決策機理。

1）在第41～50個競價時段內，由于MIEGI 3中的光伏出力在短時間內增長很快，凈負荷曲線向下變化，系統下行靈活調節需求增加，如圖5c所示。在此時段，由于機會成本更低，MIEGI 1、MIEGI 3中的CHP機組與IECA中標，預留下行靈活調節容量，系統能夠消納更多的可再生能源，因此圖5a中MIEGI 3的光伏出力接近最大值。同時，圖5b所示熱能出清結果中，由于CHP機組在運行域內熱電比可調，各MIEGI通過優化出力，仍可以維持熱能供需平衡。

圖5 聯合運行市場出清結果

2）在第58～70個競價時段內，圖5c中系統上行靈活調節需求增加。此時MIEGI 1、MIEGI 3與IECA靈活調節能力不足，RIESO還向MIEGI 2分配了上行FRP中標容量，MIEGI 2中的CHP機組開機，如圖5a所示。由于區域內電能供應可以平衡電能需求，RIESO向電力批發市場購買電能減少。圖5b的熱能出清結果中，由于MIEGI 2中的CHP機組處于附圖3所示運行域的D點，熱出力調節受限，RIESO基于維持聯合運行市場供需平衡及優化用能成本，減少了MIEGI 3的中標熱出力。

當模型外層的博弈結束時，市場主體MIEGI 1～3及IECA在競價周期內的總中標情況見表1。

表1 競價周期內各市場主體的總中標情況

Tab.1 Clearing results for all market players（單位：＄）

MIEGI 1邊際產能成本較低，不作為邊際機組出清，在電、熱能量市場中的中標量較高，收入也較高。MIEGI 2中的CHP機組由于邊際產能成本較高，開機時會作為邊際機組出清，因此在熱能市場中的中標量要低于MIEGI 3。但由于其啟動速度快，且具有快速調節能力，使得MIEGI 2傾向于參與FRP市場來提高利潤。對于MIEGI 3，雖然因為光伏出力集中于白天，造成其在電能市場中的中標量較低，但由于產能成本低于MIEGI 2，所以利潤更大。而相對于CHP機組，IECA作為機會成本更低的靈活調節資源，在FRP市場中具有較強的競爭力。

4.3 RIES運行靈活性提升驗證

為驗證聯合運行市場機制下所提模型對提升RIES運行靈活性的有效性，從區域內可再生能源的棄風棄光量、RIES用能成本以及競價周期內能源平均價格三個方面進行分析，設置以下三種情景：

情景1：市場主體為MIEGI 1、MIEGI 2、MIEGI 3，在電、熱能量市場中競價，僅考慮CHP機組在電、熱能源上的耦合作用。

情景2：市場主體為MIEGI 1、MIEGI 2、MIEGI 3，在電、熱能量市場與FRP市場的聯合運行市場中競價，僅考慮CHP機組在電、熱能源上的耦合作用。

情景3：市場主體為MIEGI 1、MIEGI 2、MIEGI 3與IECA，在電、熱能量市場與FRP市場的聯合運行市場中競價，考慮CHP機組在電、熱能源上的耦合作用與能源替代負荷的電、熱替代作用。

4.3.1 競價周期內棄風棄光量對比

三種情景下可再生能源的棄風棄光量見表2。相比情景1，情景2的棄風棄光量減少46.88%。因為情景2引入FRP市場聯合運行，激勵各市場主體提供靈活調節資源，提高系統運行靈活性以消納更多的可再生能源。而與情景2相比，情景3的棄風棄光量進一步減少13.60%，這是由于在IECA參與FRP市場的過程中，能源替代負荷在一定程度上改變了負荷的波動量，減少了系統為應對凈負荷波動性的靈活調節需求，從而增加了可再生能源的消納。

表2 可再生能源棄風棄光量對比

Tab.2 Comparison of renewable energy curtailment

4.3.2 競價周期內RIES用能成本對比

三種情景下RIES的用能成本見表3。相比于情景1，情景2全區域內總用能成本下降了2.06%，情景3下降了3.85%。這是由于與情景1相比，情景2與情景3中能源市場的平均能源價格下降，電能與熱能成本減少，RIESO向批發市場購買的電能減少，盡管增加了RIESO購買FRP的成本，但總用能成本仍然減少。另外，在情景3中，由于IECA的加入降低了RIESO購買FRP的成本，總用能成本進一步下降。

表3 RIES用能成本對比

Tab.3 Comparison of energy cost in RIES（單位：＄）

4.3.3 競價周期內能源平均價格對比

三種情景下競價周期內電能、熱能平均價格如圖6所示。能量市場能源價格變化反映供能及負荷的波動。因此，相對于電能市場，由于熱能市場的供熱設備為MIEGI內部可調的CHP機組，其能源平均價格在競價周期內波動較小。

圖6a中情景1的價格尖峰時段分別在第28、43、47、67、71、80以及85個競價時段。這是因為情景1中沒有引入FRP市場機制，市場主體無法預留容量優化出力，造成系統可調度靈活調節資源較少：在系統對下行靈活調節需求增加時，無法消納可再生能源，棄風棄光懲罰造成平均電價升高；在系統對上行靈活調節需求增加時，無法跟隨負荷，盡管RIES可從批發市場購買電能，平均電價不會疊加切負荷懲罰，但批發市場電價較高，仍然提高了電能價格。

情景2中引入FRP機制后，尖峰電價出現時段減少，這是因為RIESO優化了出清結果，減少了棄風棄光量與批發市場電能購買量，降低了平均電能價格。從第43個競價時段開始，MIEGI 2中的CHP機組停機，圖6b中的第43～50個競價時段內，情景2中的平均熱能價格要顯著低于情景1，這是由于MIEGI 2的停機造成出清節點能價變低。

圖6 不同情景下電、熱能量市場平均能價

對比情景2，情景3中電能市場的價格尖峰全部消失，這是因為IECA在參與FRP市場后，進一步增加了RIES內的可調度靈活調節資源。而RIESO在進行市場出清時，更加傾向于將FRP中標容量分配給機會成本更低的IECA。在第43～58個時段內，RIES內的可再生能源消納量增加，MIEGI 2的CHP機組在線時間被繼續壓縮，圖6中電、熱能量市場的平均能價也隨之下降。

4.4 敏感性分析

4.4.1 凈負荷預測置信度敏感性分析

凈負荷預測置信度反映了系統應對不確定性的靈活調節需求。為分析其對系統運行靈活性的影響，以情景3為基礎，將置信度從70%以5%為步長增加至95%。圖7為區域用能成本與棄風棄光量隨置信度的變化趨勢。

可以看出，隨著置信度的增加，區域用能成本與棄風棄光量呈現先減少后增加的情況。這是因為當置信度超過一定閾值時，靈活調節資源已經無法滿足系統的靈活調節需求，運行靈活性反而降低。另外，區域用能成本與棄風棄光量的變化并不同步，這是由于置信度為90%時要調用MIEGI 2的CHP機組滿足靈活調節需求，導致運行成本增加。由此可見，選擇合理的置信度確定系統的靈活調節需求，才能夠最大限度地提高運行靈活性。

圖7 置信度敏感性分析

4.4.2 用電、用熱變化滿意度敏感性分析

圖8 用電、用熱變化滿意度敏感性分析

5 結論

本文提出一種提升RIES運行靈活性的聯合市場運行機制，在該機制下，建立外層多個市場主體博弈、內層RIESO出清的互動決策模型，通過算例仿真，得出如下結論：

1）將FRP市場引入電、熱能量市場，建立聯合運行市場機制，可以促進RIES內可再生能源的消納，減少區域用能總成本，有效降低競價周期內能源平均價格，從而顯著提高RIES的運行靈活性。

2）建立含多市場主體的雙層互動決策模型，能夠有效求解聯合運行市場均衡，互動決策結果表明FRP機制能夠有效激勵主體調度靈活調節資源參與FRP市場、優化競價決策。

3）需求側IECA具有提供FRP的能力，其參與市場在豐富市場主體類型的同時，進一步降低區域用能成本并優化機組運行，說明主體多樣化的市場環境能夠促進RIES聯合運行市場的健康發展。

附 錄

附圖1 納什均衡求解流程

App.Fig.1 Nash equilibrium solution process

附圖2 區域電熱綜合能源系統

App.Fig.2 RIES of electrical-thermal energy

附表1 MIEGI內部設備運行參數

App.Tab.1 The operating parameter of each device in MIEGI

主體MIEGI 1MIEGI 2MIEGI 3 設備CHPCHP風電CHP光伏 節點E3E4E4E32E32 /kW1600800800800800 /kW60040004000 /(kW/15min)501000700 運行域/kWA(1550, 1550)(1 200, 700)—(1 200, 700)— B(0, 1600)(0, 800)—(0, 800)— C(0, 1200)(0, 500)—(0, 500)— D(600, 600)(600, 400)—(600, 400)—

附圖3 CHP機組運行域

App.Fig.3 Operation region of CHP unit

附圖4 RIES內可再生能源出力預測

App.Fig.4 Renewable energy output forecast in RIES

附圖5 RIES內電熱負荷預測

App.Fig.5 Electrical and thermal load forecast in RIES

[1]余曉丹, 徐憲東, 陳碩翼, 等. 綜合能源系統與能源互聯網簡述[J]. 電工技術學報, 2016, 31(1): 1-13. Yu Xiaodan, Xu Xiandong, Chen Shuoyi, et al. A briefreview to integrated energy system and energy-yinternet[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 1-13.

[2]韓佶, 苗世洪, 李超, 等. 計及相關性的電-氣-熱綜合能源系統概率最優能量流[J]. 電工技術學報，2019, 34(5): 1055-1067. Han Ji, Miao Shihong, Li Chao, et al. Probabilistic optimal energy flow of electricity-gas-heat integrated energy system considering correlation[J]. Transactions of China Electrotechnical Society, 2019, 34(5): 1055-1067.

[3]Wang Beibei, Hobbs B F. Real-time markets for flexiramp: a stochastic unit commitment-based analysis[J]. IEEE Transactions on Power Systems, 2016, 31(2): 846-860.

[4]郭鴻業, 陳啟鑫, 夏清, 等. 電力市場中的靈活調節服務：基本概念、均衡模型與研究方向[J]. 中國電機工程學報, 2017, 37(11): 3057-3066.Guo Hongye, Chen Qixin, Xia Qing, et al. Flexible ramping product in electricity markets: basic concept, equilibrium model and research prospect[J]. Proceedings of the CSEE, 2017, 37(11): 3057-3066.

[5]王成山, 李鵬, 于浩. 智能配電網的新形態及其靈活性特征分析與應用[J]. 電力系統自動化, 2018, 42(10)：13-21. Wang Chengshan, Li Peng, Yu Hao. Development and characteristic analysis of flexibility in smart distribution network[J]. Automation of Electric Power Systems, 2018, 42(10): 13-21.

[6]王蓓蓓, 叢小涵, 高正平, 等. 高比例新能源接入下電網靈活性爬坡能力市場化獲取機制現狀分析及思考[J]. 電網技術, 2019, 43(8): 2691-2701. Wang Beibei, Cong Xiaohan, Gao Zhengping, et al. Status analysis and thoughts of market-oriented acquisition mechanism on flexible ramp capability for power grid with high proportion of renewable energy[J]. Power System Technology, 2019, 43(8): 2691-2701.

[7]Cornelius A. Assessing the impact of flexible ramp capability products in the midcontinent ISO[D]. Durham, North Carolina: Duke University, 2014.

[8]Wu Chengye, Hug G, Kar S. A functional approach to assessing flexible ramping products' impact on electricity market[C]//Proceedings of 2015 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), Washington, 2015: 1-5.

[9]Chen Qixin, Zou Peng, Wu Chenye, et al. A nash-cournot approach to assessing flexible ramping products[J]. Applied Energy, 2017, 206: 42-50.

[10]Sreekumar S, Sharma K C, Bhakar R. Gumbel copula based multi interval ramp product for power system flexibility enhancement[J]. International Journal of Electrical Power and Energy Systems, 2019, 112: 417-427.

[11]林鴻基, 閆園, 文福栓, 等. 高比例可再生能源電力系統中計及靈活調節產品的實時調度[J]. 電力建設, 2019, 40(10): 18-27. Lin Hongji, Yan Yuan, Wen Fushuan, et al. Real-time dispatch considering flexible ramping products in a power system with high proportion of renewable energy generation[J]. Electric Power Construction, 2019, 40(10): 18-27.

[12]林凱駿, 吳俊勇, 劉迪, 等. 基于雙層Stackelberg博弈的微能源網能量管理優化[J]. 電網技術, 2019, 43(3): 974-981. Lin Kaijun, Wu Junyong, Liu Di, et al. Energy management optimization of micro energy grid based on hierarchical Stackelberg game theory[J]. Power System Technology, 2019, 43(3): 943-981.

[13]郝然, 艾芊, 姜子卿. 區域綜合能源系統多主體非完全信息下的雙層博弈策略[J]. 電力系統自動化, 2018, 42(4): 194-201. Hao Ran, Ai Qian, Jiang Ziqing. Bi-level game strategy for multiagent with incomplete information in regional integrated energy system[J]. Automation of Electric Power Systems, 2018, 42(4): 194-201.

[14]施錦月, 許健, 曾博, 等. 基于熱電比可調模式的區域綜合能源系統雙層優化運行[J]. 電網技術, 2018, 40(10): 2959-2966. Shi Jinyue, Xu Jian, Zeng Bo, et al. A bi-level optimal operation for energy hub based on regulating heat-to-electric ratio mode[J]. Power System Technology, 2018, 40(10): 2959-2966.

[15]Wei Feng, Jing Zhaoxia, Wu P Z, et al. A Stackelberg game approach for multiple energies trading in integrated energy systems[J]. Applied Energy, 2017, 200: 315-329.

[16]陳柏翰, 馮偉, 孫凱, 等. 冷熱電聯供系統多元儲能及孤島運行優化調度方法[J]. 電工技術學報, 2019, 34(15): 3231-3243. Chen Bohan, Feng Wei, Sun Kai, et al. Multi-energy storage system and islanded optimal dispatch method of CCHP[J]. Transactions of China Electrotechnical Society, 2019, 34(15): 3231-3243.

[17]王洪坤, 王守相, 潘志新, 等. 含高滲透分布式電源配電網靈活性提升優化調度方法[J]. 電力系統自動化, 2018, 42(15): 86-93. Wang Hongkun, Wang Shouxiang, Pan Zhixin, et al. Optimized dispatching method for flexibility improvement of distribution network with high-penetration distributed generation[J]. Automation of Electric Power Systems, 2018, 42(15): 86-93.

[18]Wang Qin, Hodge B. Enhancing power system operational flexibility with flexible ramping products: a review[J]. IEEE Transactions on Industrial Informatics, 2017, 13(4): 1652-1664.

[19]張義志, 王小君, 和敬涵, 等. 考慮供熱系統建模的綜合能源系統最優能流計算方法[J]. 電工技術學報, 2019, 34(3): 562-570. Zhang Yizhi, Wang Xiaojun, He Jinghan, et al. Optimal energy flow calculation method of integrated energy system considering thermal system modeling[J]. Transactions of China Electrotechnical Society, 2019, 34(3): 562-570.

[20]劉國靜, 韓學山, 王尚, 等. 基于強化學習方法的風儲合作決策[J]. 電網技術, 2016, 40(9): 2729-2736. Liu Guojing, Han Xueshan, Wang Shang, et al. Optimal decision-making in the cooperation of wind power and energy storage based on reinforcement learning algorithm[J]. Power System Technology, 2016, 40(9): 2729-2736.

[21]Zhang Xiaoshun, Bao Tao, Yu Tao, et al. Deep transfer Q-learning with virtual leader-follower for supply-demand Stackelberg game of smart grid[J]. Energy, 2017, 133: 348-365.

[22]王錫凡, 方萬良, 杜正春. 現代電力系統分析[M]. 北京: 科學出版社, 2003.

[23]李昊飛, 余濤, 瞿凱平, 等. 綜合負荷聚合商參與的配電—氣能源系統供需互動均衡模型[J]. 電力系統自動化, 2019, 43(19): 32-41. Li Haofei, Yu Tao, Qu Kaiping, et al. Interactive equilibrium supply and demand model for electricity-gas energy distribution system with participation of integrated load aggregator[J]. Automation of Electric Power Systems, 2019, 43(19): 32-41.

Multi-Player Interactive Decision-Making Model for Operational Flexibility Improvement of Regional Integrated Energy System

Wang Xuechun Chen Hongkun Chen Lei

（School of Electrical Engineering and Automation Wuhan University Wuhan 430072 China）

With the large-scale of the micro energy network containing renewable energy integrated into the regional integrated energy system (RIES), its fluctuation and uncertainty confront the flexibility of the system with significant challenge. In view of this problem, a multi-player bi-level interactive decision-making model was proposed based on the co-operating market mechanism. Firstly, the flexible ramping requirements in RIES operation were specified, and the applicability of flexible ramping product (FRP) to meet the requirements was analyzed from the market aspect. Secondly, the FRP market was introduced to co-operate with the electrical and thermal energy market, then a co-operating market mechanism was carried out to stimulate the market players in both source and demand side to dispatch the flexible ramping resources. In order to solve the Nash equilibrium of the market, a multi-player interactive decision model of non-cooperative game of multiple market players in the external level and clearing of RIES operators in the internal level was established. Q-learning algorithm and path tracking interior point method were adopted to solve the external and internal layer models, respectively. Finally, a numerical example of combined electrical-thermal RIES was used to carry out a comparative analysis of multiple scenarios. The results show that the proposed method can reduce renewable energy curtailment, the total energy cost and the average energy price, thus improving the system operational flexibility effectively.

Regional integrated energy system, operational flexibility, flexible ramping product, co-operating market, interactive decision-making

TM732

10.19595/j.cnki.1000-6753.tces.200337

國家重點研發計劃資助項目（2018YFB0904800）。

2020-04-08

2020-08-06

王雪純 女, 1994年生, 博士研究生, 研究方向為綜合能源市場、電力系統運行與控制等。E-mail：wangxuechun@whu.edu.cn

陳紅坤 男, 1967年生, 教授, 博士生導師, 研究方向為電力系統運行與控制, 電能質量分析等。E-mail：chkinsz@163.com（通信作者）

（編輯 赫蕾）