黃 仙，郭 睿

?

一種電力市場環(huán)境下的電源規(guī)劃多智能體模型

黃 仙，郭 睿

(華北電力大學(xué)控制與計算機工程學(xué)院，北京 102206)

電源規(guī)劃一直是電力系統(tǒng)中重要問題之一。在電力市場環(huán)境下，這一問題更加復(fù)雜、迫切。針對這一問題，基于多智能體技術(shù)，提出了電力市場環(huán)境下發(fā)電集團電源投資規(guī)劃模型。首先，構(gòu)建了一個電力市場發(fā)電側(cè)的雙層優(yōu)化架構(gòu)，以實現(xiàn)市場競價問題與電源規(guī)劃問題相結(jié)合。其次，設(shè)計了發(fā)電集團、發(fā)電市場以及發(fā)電廠等智能體，并引入遺傳算法、Q-learning算法完善各智能體尋優(yōu)能力。通過算例驗證了所建立的模型是可行的、有效的，可為電站建設(shè)決策部門提供有價值的參考。

可再生能源；電源規(guī)劃；電力市場；多智能體；遺傳算法

0 引言

在傳統(tǒng)電力工業(yè)中，電源規(guī)劃的主要目的是根據(jù)某一時期的負荷需求預(yù)測，在滿足一定的可靠性水平條件下，尋求一個最經(jīng)濟適用的電源開發(fā)方案[1]。它主要確定何時何地建何種類型多大容量發(fā)電廠或發(fā)電機組。隨著電力市場機制改革的深入，電力市場逐步放開，電力系統(tǒng)電源規(guī)劃顯得更加重要。電力市場機制的改革改變了原有以總成本最小為目標的集中電源規(guī)劃的范例[2]。電源規(guī)劃不再是政府部門的單一問題，也是電力公司需要研究的問題。

國內(nèi)外學(xué)者對電源規(guī)劃進行多方面的研究。傳統(tǒng)的電源規(guī)劃主要是將整個電力系統(tǒng)或發(fā)電側(cè)系統(tǒng)看作一個整體，以整個系統(tǒng)的成本最小化或者收最大化作為優(yōu)化目標[3-8]，綜合考慮其他因素，如供電可靠性，環(huán)境成本等。與傳統(tǒng)體制電源規(guī)劃相比，電力市場環(huán)境下的發(fā)電投資決策目標由原來的考慮整個系統(tǒng)成本最小變?yōu)橥顿Y者自身投資收益最大化[9-10]。國內(nèi)外研究者將博弈論[11-12]，多智能體技術(shù)[13-16]應(yīng)用于電力市場環(huán)境下的發(fā)電投資規(guī)劃問題，形成了一些新的電源規(guī)劃模型。文獻[11]以非合作博弈論和實物期權(quán)理論為基礎(chǔ)，構(gòu)造了發(fā)電投資規(guī)劃的延遲期權(quán)博弈模型。文獻[13]利用多智能體技術(shù)提出一個分散的電力公司投資規(guī)劃模型，利用概率統(tǒng)計和方案樹分析了競爭對手的不確定性。文獻[14-15]將多智能體技術(shù)應(yīng)用于經(jīng)濟-電力動態(tài)模擬系統(tǒng)的構(gòu)建中，通過智能體之間的協(xié)作、交互模擬經(jīng)濟個體行為，研究政策對經(jīng)濟和電力需求的影響。文獻[16]考慮供需雙方的動態(tài)交互影響，提出一個雙邊多智能體模型，運用博弈論、粒子群混合算法進行求解，并與傳統(tǒng)單一博弈論方法進行比較。

以上文獻對電源規(guī)劃問題進行了較多方面的研究，但大多數(shù)對于電價的確定較為簡單，缺乏自由市場競爭和市場機制的體現(xiàn)，且對可再生能源這種較新能源技術(shù)的未來成本變化因素考慮的不夠全面。

基于以上分析，本文將利用多智能體技術(shù)建立發(fā)電集團、發(fā)電廠和發(fā)電市場智能體(Agent)，將可再生能源發(fā)電技術(shù)引入備選電源技術(shù)中，考慮電力市場中市場競爭機制和成本變化等因素，建立以發(fā)電集團規(guī)劃期內(nèi)投資收益最大為目標的電源規(guī)化。劃模型。最后，通過算例分析，驗證所提出的模型和方法的可行性和有效性。

1 電源投資規(guī)劃的多智能體模型

1.1 總體模型框架

解決電源投資規(guī)劃問題，本文考慮雙層框架結(jié)構(gòu)，如圖1所示。一層是發(fā)電集團Agent電源規(guī)劃；另一層是發(fā)電市場Agent仿真電力市場及調(diào)控。其中，發(fā)電集團Agent有各自下屬的發(fā)電廠Agent。各類別Agent有其各自規(guī)則庫和知識庫，其職能也各不相同。發(fā)電集團Agent負責(zé)根據(jù)自身條件和外部環(huán)境因素制定利益最大化的電源投資規(guī)劃，控制下屬發(fā)電廠Agent建立的時間，類別和數(shù)量。發(fā)電廠Agent依據(jù)競價策略參與電力市場競爭，獲得收益并將返還給發(fā)電集團。發(fā)電市場Agent有三個作用：(1)對發(fā)電集團Agent的電源規(guī)劃進行調(diào)控；(2)對各類型投資成本做出相應(yīng)調(diào)整；(3)對電力市場進行仿真，利用市場機制協(xié)調(diào)發(fā)電廠Agent的競價上網(wǎng)行為。這個雙層三類Agent的模型，充分體現(xiàn)了市場競爭以及各Agent之間的相互影響。

圖1 模型架構(gòu)

1.2 發(fā)電集團Agent

發(fā)電集團Agent的功能是根據(jù)自身條件和外部環(huán)境因素來制定自身利益最大化的電源投資規(guī)劃。

在市場環(huán)境中，每個發(fā)電集團Agent都以整個規(guī)劃周期內(nèi)期望收益最大化為目標，同時各發(fā)電集團Agent要共同保證整個電力系統(tǒng)的安全運行。發(fā)電集團Agent的目標函數(shù)為

(2)

(3)

s.t.(5)

(6)

目標函數(shù)式(1)是關(guān)于發(fā)電集團Agent 的整個規(guī)劃周期內(nèi)期望收益最大的函數(shù)，它主要包含三個部分：售電收益函數(shù)式(2)，即發(fā)電廠的上網(wǎng)電價和上網(wǎng)電量均是參與市場競爭后由市場給出的；運行成本函數(shù)式(3)，包含了發(fā)電集團下屬各發(fā)電廠在整個規(guī)劃期內(nèi)的維護費用，燃料費用，財務(wù)費用以及政府補貼；投資成本函數(shù)式(4)，即發(fā)電集團在規(guī)劃期內(nèi)投資到各類型發(fā)電廠的自有資金費用。

裝機數(shù)目約束函數(shù)式(5)主要表示每個規(guī)劃年各發(fā)電技術(shù)的裝機容量的限制。

投資約束函數(shù)式(6)主要表示發(fā)電集團規(guī)劃期內(nèi)新增發(fā)電廠的自有投資金額不應(yīng)多于其相應(yīng)規(guī)劃年限內(nèi)的自有資金。

發(fā)電集團Agent的尋優(yōu)算法為遺傳算法。

1.3 發(fā)電市場Agent

發(fā)電市場Agent為發(fā)電廠Agent提供了一個與電力市場相仿的交互環(huán)境。它統(tǒng)計電能的供需情況，計算電價，并將電價反饋給發(fā)電廠Agent，電價的形成機制采用MCP(市場清除價)機制：發(fā)電市場Agent在接收到各發(fā)電廠Agent的競價標書后，以購電費用最小為目標，依據(jù)發(fā)電廠Agent報價從低到高依次分配電量，最后一個滿足市場需求的發(fā)電廠Agent的電價即為市場電價，流程如圖2所示。整個競價過程規(guī)劃在年初進行，通過多輪競價得出全年的市場電價以及各個發(fā)電廠的上網(wǎng)電量。

圖2中：Bq()為發(fā)電廠的年的投標發(fā)電量；Load為年的負荷電量需求；sum為整個系統(tǒng)中運行發(fā)電廠數(shù)目的總和。

為保證電力系統(tǒng)供電可靠性，發(fā)電市場Agent有權(quán)對發(fā)電集團Agent的電源投資規(guī)劃進行調(diào)控。本文采用備用容量作為發(fā)電市場Agent調(diào)控的指標[17]，公式為

發(fā)電技術(shù)中，火電、水電、核電的電力供應(yīng)較為穩(wěn)定，且電能質(zhì)量較高，而風(fēng)電和光伏發(fā)電的電力供應(yīng)波動較大，電能質(zhì)量較差。為了保證系統(tǒng)處于最大負荷階段時，電力供應(yīng)的可靠性，因此在計算累計裝機容量時，火電和核電的為1，水電的為0.3，風(fēng)電和光伏發(fā)電的為0。當系統(tǒng)中的備用容量系數(shù)低于一定值時，發(fā)電市場Agent進行調(diào)控，隨機選擇一個發(fā)電集團，減少其在可再生電源的投資建設(shè)，增加其在火電方面的投資建設(shè)。本文規(guī)定備用容量系數(shù)不得低于10%。

發(fā)電市場Agent還有一個功能是根據(jù)市場環(huán)境調(diào)整發(fā)電技術(shù)的投資成本，收集市場的成本變化情況，為發(fā)電集團決策提供支持。發(fā)電市場Agent由內(nèi)生技術(shù)學(xué)習(xí)曲線模型得出各發(fā)電技術(shù)的投資成本。知識和技術(shù)應(yīng)用會隨著時間慢慢地累計致使投資成本的減少，這就是技術(shù)學(xué)習(xí)[18]。這一技術(shù)擴散的進程稱為邊做邊學(xué)(Learning-By-Doing，LBD)[19]，其策略為

不同的發(fā)電技術(shù)的學(xué)習(xí)系數(shù)不相同，其中火力發(fā)電，水力發(fā)電，核能發(fā)電技術(shù)由于其發(fā)展較早且技術(shù)較為成熟，故學(xué)習(xí)系數(shù)LBD為0.04；風(fēng)力發(fā)電，光伏發(fā)電技術(shù)由于其為新興發(fā)電技術(shù)，故學(xué)習(xí)系數(shù)LBD為0.21。

1.4 發(fā)電廠Agent

發(fā)電廠Agent的功能是參與電力市場競爭，在電力市場中獲取自身最大收益。

在整個電力市場中，全部類型的發(fā)電廠，只要處于運行階段，都可以競價上網(wǎng)。各發(fā)電廠Agent可以依據(jù)自身發(fā)電成本通過學(xué)習(xí)算法自主地調(diào)整每個周期內(nèi)的競價策略以獲取最大收益。結(jié)合電力市場信息不完全、不確定的特性，各發(fā)電廠Agent用Q-learning算法來優(yōu)化競價策略。

Q-learning算法思想是不去顧及環(huán)境模型，直接優(yōu)化可迭代計算的Q函數(shù)，通過評價“狀態(tài)-行為”對(,)進行優(yōu)化[20]，其學(xué)習(xí)步驟如下：

5) 更新值。

(11)

式中：為學(xué)習(xí)率(0<<1)；為未來收益的折扣系數(shù)(0<<1)；為立即收益，為發(fā)電廠的售電收益減去發(fā)電的運行成本。

發(fā)電廠Agent僅僅依據(jù)值大小選取策略，很容易陷入局部最優(yōu)，一般采用ε-greedy策略進行優(yōu)化，即發(fā)電廠Agent以較大概率選擇值最大的策略作為自己的最優(yōu)策略，同時以一個較小概率，隨機選擇除值最大的策略以外的策略。

發(fā)電廠Agent知識庫中共有以下6種策略。

結(jié)合發(fā)電市場Agent采用的MCP競價機制的特性，對發(fā)電廠Agent的競價策略做適當簡化處理。處于電價邊緣或沒有發(fā)電上網(wǎng)的發(fā)電廠Agent只對電價做出改變，即僅采用策略1-3，且競價最低只能為成本價格；已經(jīng)發(fā)電上網(wǎng)的發(fā)電廠Agent只對發(fā)電量做出改變，即僅采用策略4-6，且發(fā)電量最多只能為整個發(fā)電廠的發(fā)電量。

2 模型算法

2.1 總體算法

本文所采用的雙層框架體系如圖1所示，求解算法的流程如圖3所示，具體步驟如下所述。

(1) 定義問題相關(guān)的數(shù)據(jù)和參數(shù)。主要是指備選電源技術(shù)的類別、單位投資成本、運行及維護成本、政府補貼、裝機容量以及現(xiàn)有發(fā)電技術(shù)的固定成本、運行成本。同時還需明確社會需求電量和峰值負荷。

(2) 初始化Agent計數(shù)器=0，同時初始化各項參數(shù)。所有的發(fā)電集團Agent依次進行電源規(guī)劃尋優(yōu)，利用當前環(huán)境中的信息，即其他發(fā)電集團Agent的電源規(guī)劃情況，解決各自的目標函數(shù)問題。

(3) 各發(fā)電集團Agent制定好各自的電源投資規(guī)劃，將其傳遞給發(fā)電市場Agent，更新原有規(guī)劃方案。發(fā)電市場Agent接受全部的電源規(guī)劃方案后，進行調(diào)控及市場環(huán)境仿真，具體發(fā)電市場Agent及發(fā)電廠Agent的行為已在第1節(jié)中進行詳細介紹。發(fā)電市場Agent將調(diào)控后的電源規(guī)劃返回給發(fā)電集團Agent并儲存。發(fā)電集團Agent得到規(guī)劃期內(nèi)下屬發(fā)電廠Agent的收益，從而計算出自身投資收益。

(4) 判斷是否到滿足終止條件，這里采用滿足迭代次數(shù)終止法。若滿足，輸出各發(fā)電集團Agent的電源投資規(guī)劃。若不滿足，發(fā)電市場Agent更新當前電源規(guī)劃信息至自身的知識庫中，同時返回第(2)步。

2.2 發(fā)電集團Agent遺傳算法尋優(yōu)

上述的總體算法中，每次迭代所有發(fā)電集團Agent都要進行電源規(guī)劃尋優(yōu)，而這個優(yōu)化問題有兩個重要的特征決定了其適用的解決算法。一方面，發(fā)電集團Agent的備選電源有數(shù)量限制，同時每個發(fā)電技術(shù)都提供典型的標準化參數(shù)，故發(fā)電集團Agent的優(yōu)化結(jié)果是一些離散的組合整數(shù)。另一方面，在問題解決過程中，某些參數(shù)值是不確定的，如市場電價，投資成本。因此，本文采用遺傳算法來解決發(fā)電集團Agent電源方案尋優(yōu)問題，同時發(fā)電集團Agent在尋優(yōu)過程中會和發(fā)電市場Agent以及發(fā)電廠Agent進行交互，以完成去尋優(yōu)過程。

圖3 總體算法流程圖

遺傳算法優(yōu)化流程如圖4所示。

(1) 遺傳算法種群初始化。隨機生成電源投資規(guī)劃方案，即不同類型的發(fā)電廠每年的投建數(shù)目。同時對生成的電源投資規(guī)劃方案進行約束式(5)(6)判斷，若判斷未通過，則對方案進行校正，確保每個算子都是可行解。

(2) 發(fā)電集團Agent依據(jù)算子方案依次與發(fā)電市場Agent進行交互，發(fā)電市場Agent依據(jù)新得到的該發(fā)電集團Agent的規(guī)劃方案和知識庫中的其他發(fā)電集團Agent的規(guī)劃方案，進行調(diào)控和市場仿真。發(fā)電集團Agent得到發(fā)電廠Agent的返回值，從而計算該算子規(guī)劃期內(nèi)的投資收益。由各算子規(guī)劃期內(nèi)的投資收益得到遺傳算法適應(yīng)度，公式為

圖4 發(fā)電集團Agent內(nèi)部尋優(yōu)流程圖

通過式(12)得到的適應(yīng)度，避免了適應(yīng)度為負的情況，也直接剔除了每代中總收益最小的算子。

(3) 判斷是否達到終止條件。判斷依據(jù)為遺傳代數(shù)，若滿足終止條件，則輸出最優(yōu)電源投資規(guī)劃方案即為發(fā)電集團Agent最優(yōu)方案，并將該發(fā)電集團Agent最優(yōu)電源規(guī)劃方案傳遞給發(fā)電市場Agent。若不滿足終止條件，則繼續(xù)執(zhí)行下一步。

(4) 遺傳算法執(zhí)行選擇、交叉、變異。采用輪盤賭方法選擇算子，并執(zhí)行精英保留原則。對交叉算子做出一定改進，采用線性交叉法代替簡單交叉法。

然后在執(zhí)行變異運算，得到一組新的算子，返回第(2)步再次進行運算。

3 算例分析

3.1 基礎(chǔ)數(shù)據(jù)

基于本文提出的電源規(guī)劃多智能體模型，對某地區(qū)的兩個發(fā)電集團的電源規(guī)劃進行尋優(yōu)，其中電源規(guī)劃期為15年。發(fā)電廠參數(shù)如表1所示。兩個發(fā)電集團Agent的現(xiàn)有發(fā)電廠狀況如表2所示，其中該地區(qū)當前無核電站。在規(guī)劃期內(nèi)，發(fā)電集團A具有火電、水電、核電和光伏發(fā)電的投建權(quán)限，而發(fā)電集團B具有火電、水電、核電和風(fēng)電的投建權(quán)限。本文假設(shè)在未來的一段時間政府支持可再生電源的建設(shè)，故對可再生電源實行一定補貼。規(guī)劃期內(nèi)的初始年年用電量為135億kW·h，最大區(qū)域尖峰負荷為3 000 MW，且都從第一年開始每年以5%的增長率增長。本文以5年為一個投資周期劃分發(fā)電集團投資額，發(fā)電集團A 1~5年的投資額為41.2億，6~10年的投資額為108億，11~15年的投資額為180億；發(fā)電集團B 1~5年的投資額為27.7億，6~10年的投資額為72億，11~15年的投資額為120億。假設(shè)發(fā)電集團不考慮可建發(fā)電廠的總上限，只考慮每年建設(shè)上限，則發(fā)電集團的各類型發(fā)電技術(shù)的每年建廠上限為火電廠1~5年2座/年，6~10年5座/年，11~15年10座/年；水電站1~5年2座/年，6~10年5座/年，11~15年8座/年；核電站1~5年1座/年，6~10年1座/年，11~15年2座/年；風(fēng)電場1~5年3座/年，6~10年6座/年，11~15年12座/年；光伏發(fā)電站1~5年3座/年，6~10年6座/年，11~15年12座/年。

表1 現(xiàn)存電廠及候選電廠初始參數(shù)

表2 發(fā)電集團A、B原現(xiàn)存電廠參數(shù)

3.2 結(jié)果分析

基于上述數(shù)據(jù)，本文運行電源規(guī)劃模型進行尋優(yōu)，得到發(fā)電集團A、B的電源規(guī)劃情況。兩個發(fā)電集團的電源投資規(guī)劃交互過程如圖5所示。發(fā)電集團A、B在此模型中可以很快地達到一個相對平衡點。發(fā)電集團A、B的電源規(guī)劃分別如圖6、圖7所示。

圖5 電源規(guī)劃市場仿真結(jié)果

圖6 發(fā)電集團A的電源規(guī)劃方案

圖7 發(fā)電集團B的電源規(guī)劃方案

上述結(jié)果的產(chǎn)生原因：(1) 由于發(fā)電市場Agent對發(fā)電集團的規(guī)劃有一定干預(yù)，整個市場時刻處于一種供大于需的激烈競爭狀態(tài)。在競價過程中，各電廠為獲得最大收益壓低自身的報價，如圖8所示。最終，整個市場的前期市場電價為火電的成本價，后期市場電價由于風(fēng)電廠和光伏電站的大量投建，獲得較大的市場份額而被拉低，如圖9所示。(2) 在此模型中各發(fā)電集團具有預(yù)見性，其可以預(yù)見到各類發(fā)電技術(shù)成本隨時間和裝機容量的變化而變化情況，如圖10所示?？紤]到風(fēng)電和光伏發(fā)電在規(guī)劃期內(nèi)的政府補貼，其成本的變化情況，如圖11所示。從圖11中可以看出，光伏發(fā)電技術(shù)在政府補貼的情況下，其發(fā)電成本遠遠低于其他發(fā)電技術(shù)的發(fā)電成本，甚至出現(xiàn)了負數(shù)，即政府補貼的額度大于自身的發(fā)電成本，此時光伏發(fā)電技術(shù)相較其他發(fā)電技術(shù)在競價上網(wǎng)方面有很大的競爭力。因此，發(fā)電集團A在投資額度和裝機容量允許的情況下，對光伏發(fā)電站進行了大規(guī)模投建。發(fā)電集團B擁有風(fēng)電的投建權(quán)限，在保證電力系統(tǒng)安全穩(wěn)定運行的基礎(chǔ)電廠投建后，選擇了競爭力較大的風(fēng)電進行投建，風(fēng)電的補貼力度比光伏小，且未來的成本下降速度比光伏發(fā)電要慢，故發(fā)電集團B對于風(fēng)電場的投建有一定控制，并非全額投建。

發(fā)電集團A、B在滿足供電可靠性要求后，都選擇了可再生能源發(fā)電技術(shù)作為自己投建的第一選擇，表明了在政府補貼的情況下，可再生能源發(fā)電技術(shù)在未來電源規(guī)劃中具有一定競爭力。

圖8 MCP的演化

圖9 市場電價的變化情況

圖10 發(fā)電成本變化情況

圖11 考慮政府補貼發(fā)電成本變化情況

圖12 發(fā)電集團A的電源規(guī)劃方案

圖13 發(fā)電集團B的電源規(guī)劃方案

3.3 情景對比

假設(shè)整個電源規(guī)劃年限內(nèi)，可再生能源不再享受政府補貼，兩集團規(guī)劃結(jié)果如圖12、圖13所示。

由圖12、圖13可以看出，在沒有政府補貼的情況下，可再生能源發(fā)電技術(shù)的競爭力較差，發(fā)電集團對其投建不積極，從而使得可再生能源發(fā)電技術(shù)的成本下降緩慢，陷入惡性循環(huán)。規(guī)劃年份后期，投資額度加大，核電的成本較低，且其供電穩(wěn)定，故兩個公司同時投建了核電站。

4 結(jié)論

本文提出了一種新的電力市場環(huán)境下電源規(guī)劃的多智能體模型。該模型中包含市場智能體、發(fā)電集團智能體、電廠智能體3類智能體。該模型的建立考慮了電力市場中電價的變動和發(fā)電技術(shù)的成本變化，支持發(fā)電集團在制定自身的電源規(guī)劃時充分考慮了其他發(fā)電集團的電源規(guī)劃，并具有一定的遠見性。通過地區(qū)數(shù)據(jù)模擬，發(fā)電集團智能體能尋找到系統(tǒng)的平衡點。含有兩個公司的算例的結(jié)果分析驗證本文所提模型及方法的有效性和可行性，并通過情景對比分析，表明了政府補貼在電力市場競爭中對于可再生能源發(fā)電技術(shù)的作用。本文所提模型對負荷做了簡化處理，未能充分體現(xiàn)負荷在日常生活中的波動性，還有待于將其與可再生能源發(fā)電的不穩(wěn)定性結(jié)合起來進行進一步研究。

[1] 王錫凡. 電力系統(tǒng)優(yōu)化規(guī)劃[M]. 北京: 水利電力出版社, 1990.

[2] KAGIANNAS A G. Power generation planning: a survey from monopoly to competition[J]. International Journal of Electrical Power & Energy Systems, 2004, 26(6): 413-421.

[3] 丁明, 石雪梅. 基于遺傳算法的電力市場環(huán)境下電源規(guī)劃的研究[J]. 中國電機工程學(xué)報, 2006, 26(21): 43-49.

DING Ming, SHI Xuemei. Study of generation expansion planning based on genetic algorithms in the environment of electricity market[J]. Proceedings of the CSEE, 2006, 26(21): 43-49.

[4] 季震, 陳啟鑫, 張寧, 等. 含碳捕集電廠的低碳電源規(guī)劃模型[J]. 電網(wǎng)技術(shù), 2013, 37(10): 2689-2696.

JI Zhen, CHEN Qixin, ZHANG Ning, et al. Low-carbon generation expansion planning model incorporating carbon capture power plant[J]. Power System Technology, 2013, 37(10): 2689-2696.

[5] 郭賢, 郭賀, 程浩忠, 等. 考慮用戶停電損失的微網(wǎng)網(wǎng)架規(guī)劃[J]. 電工技術(shù)學(xué)報, 2014, 29(8): 301-308.

GUO Xian, GUO He, CHENG Haozhong, et al. Optimal architecture planning of microgrid considering user outage costs[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 301-308.

[6] 張曉輝, 閆鵬達, 鐘嘉慶, 等. 可再生能源激勵制度下的低碳經(jīng)濟電源規(guī)劃[J]. 電網(wǎng)技術(shù), 2015, 39(3): 655-662.

ZHANG Xiaohui, YAN Pengda, ZHONG Jiaqing, et al. Research on generation expansion planning in low-carbon economy environment under incentive mechanism of renewable energy sources[J]. Power System Technology, 2015, 39(3): 655-662.

[7] 陳海東. 基于細菌菌落優(yōu)化算法分布式電源優(yōu)化配置[J]. 電力系統(tǒng)保護與控制, 2015, 43(21): 106-111.

CHEN Haidong. Optimal power flow of distribution network with distributed generation based on bacterial colony optimization[J]. Power System Protection and Control, 2015, 43(21): 106-111.

[8] 段建民, 王志新, 王承民, 等. 考慮碳減排效益的可再生電源規(guī)劃[J]. 電網(wǎng)技術(shù), 2015, 39(1): 11-15.

DUAN Jianmin, WANG Zhixin, WANG Chengmin, et al. Renewable power planning considering carbon emission reduction benefits[J]. Power System Technology, 2015, 39(1): 11-15.

[9] 賈德香, 程浩忠. 電力市場下的電源規(guī)劃研究綜述[J]. 電力系統(tǒng)及其自動化學(xué)報, 2007, 19(5): 58-65.

JIA Dexiang, CHENG Haozhong. Review of generation expansion planning in market environment[J]. Proceedings of the CSU-EPSA, 2007, 19(5): 58-65.

[10] 施泉生, 郭良合, 張孝君. 綜合考慮多主體經(jīng)濟效益的分布式電源優(yōu)化配置研究[J]. 電力系統(tǒng)保護與控制, 2016, 44(1): 85-91.

SHI Quansheng, GUO Lianghe, ZHANG Xiaojun. Research on optimal configuration of distributed generation considering economic benefits of the multi-agent[J]. Power System Protection and Control, 2016, 44(1): 85-91.

[11] 賈德香, 程浩忠, 韓凈. 發(fā)電投資的期權(quán)博弈決策方法[J]. 電力系統(tǒng)自動化, 2007, 31(8): 17-21.

JIA Dexiang, CHENG Haozhong, HAN Jing. An approach to generation investment decision-making based on real option game in power market environment[J]. Automation of Electric Power Systems, 2007, 31(8): 17-21.

[12] 盧強, 陳來軍, 梅生偉. 博弈論在電力系統(tǒng)中典型應(yīng)用及若干展望[J]. 中國電機工程學(xué)報, 2014, 34(29): 5009-5017.

LU Qiang, CHEN Laijun, MEI Shengwei. Typical applications and prospects of game theory in power system[J]. Proceedings of the CSEE, 2014, 34(29): 5009-5017.

[13] BOTTERUD A, MAHALIK M R, VESELKA T D, et al. Multi-agent simulation of generation expansion in electricity markets[C] // Power Engineering Society General Meeting, IEEE, 2007: 1-8.

[14] 田建偉, 胡兆光, 吳俊勇, 等. 基于多智能體建模的經(jīng)濟-電力動態(tài)模擬系統(tǒng)[J]. 中國電機工程學(xué)報, 2010, 30(7): 85-91.

TIAN Jianwei, HU Zhaoguang, WU Junyong, et al. Dynamic economy and power simulation system based on multi-agent modelling[J]. Proceedings of the CSEE, 2010, 30(7): 85-91.

[15] 段煒, 胡兆光, 吳思竹, 等. 基于智能體響應(yīng)均衡模型的經(jīng)濟政策-電力需求動態(tài)模擬[J]. 中國電機工程學(xué)報, 2014, 34(7): 1206-1212.

DUAN Wei, HU Zhaoguang, WU Sizhu, et al. Dynamic simulation of economic policy and electricity demand by agents response equilibrium model[J]. Proceedings of the CSEE, 2014, 34(7): 1206-1212.

[16] NESHAT N, AMIN-NASERI M R. Cleaner power generation through market-driven generation expansion planning: an agent-based hybrid framework of game theory and particle swarm optimization[J]. Journal of Cleaner Production, 2014, 105: 206-217.

[17] 曹智平, 周力行, 張艷萍, 等. 基于供電可靠性的微電網(wǎng)規(guī)劃[J]. 電力系統(tǒng)保護與控制, 2015, 43(14): 10-15.

CAO Zhiping, ZHOU Lixing, ZHANG Yanping, et al. Micro-grid planning based on supply reliability[J]. Power System Protection and Control, 2015, 43(14): 10-15.

[18] 徐麗萍, 林俐. 基于學(xué)習(xí)曲線的中國風(fēng)力發(fā)電成本發(fā)展趨勢分析[J]. 電力科學(xué)與工程, 2008, 24(3): 1-4.

XU Liping, LI Li. Study on the cost trends of wind power in china based on the learning curve[J]. Electric Power Science and Engineering, 2008, 24(3): 1-4.

[19] 牛衍亮, 黃如寶, 常惠斌. 基于學(xué)習(xí)曲線的能源技術(shù)成本變化[J]. 管理工程學(xué)報, 2013 ,27(3): 74-80.

NIU Yanliang, HUANG Rubao, CHANG Huibin. The change of energy technology cost based on learning curve[J]. Journal of Industrial Engineering/Engineering Management, 2013, 27(3): 74-80.

[20] 王帥. 發(fā)電商基于Q—Learning算法的日前市場競價策略[J]. 能源技術(shù)經(jīng)濟, 2010, 22(3): 34-39.

WANG Shuai. Generators' bidding strategies in the day-ahead market based on Q-Learning algorithm[J]. Energy Technology and Economics, 2010, 22(3): 34-39.

(編輯 姜新麗)

A multi-agent model of generation expansion planning in electricity market

HUANG Xian, GUO Rui

(School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China)

The generation expansion planning is an important problem in electric system, especially complex and urgent in the background of electric market. To this issue, this paper proposes a generation investment planning model for power companies, which is based on mutli-agent technology. Firstly, a double-layer optimization construction for the generation-side in electric market is developed in order to combine the price competition with generation expansion planning. Secondly, multiple agents such as generation groups, generation market and generation plants are designed with genetic algorithm and Q-learning algorithm applied to improve their optimization ability. The result presents that the model is feasible and effective and could provide support for decision making to plant expansion planning. This work is supported by National Natural Science Foundation of China (No. 61273144 and No. 61533013).

renewable energy; generation expansion planning; electricity market; mutli-agent technology; genetic algorithm

10.7667/PSPC152045

國家自然科學(xué)基金項目(61273144，61533013)

2015-11-24；

2016-01-25

黃 仙(1966-)，男，教授，碩士生導(dǎo)師，主要研究方向為復(fù)雜系統(tǒng)建模與決策，系統(tǒng)綜合評價與決策支持等；郭 睿(1992-)，男，通信作者，碩士研究生，研究方向為復(fù)雜系統(tǒng)的建模與分析，可再生能源分析。Email：759038821@qq.com