唐成鵬，張粒子，鄧 暉，肖艷煒

（1. 華北電力大學電氣與電子工程學院,北京市 102206；2. 國網(wǎng)浙江省電力有限公司電力科學研究院,浙江省杭州市 310014；3. 國網(wǎng)浙江省電力有限公司電力市場仿真實驗室,浙江省杭州市 310014；4. 國網(wǎng)浙江省電力有限公司,浙江省杭州市 310000）

0 引言

電力市場均衡分析在市場運行模擬及機制設(shè)計［1］、市場主體交易決策及市場力分析［2］、電價預測及源網(wǎng)荷投資規(guī)劃［3］等眾多方面都起著至關(guān)重要的作用。雙層優(yōu)化模型是目前主流的電力市場均衡建模方法［4-7］,其求解方法主要有2 類:一類是模型轉(zhuǎn)化法,即通過KKT（Karush-Kuhn-Tucker）最優(yōu)化條件或強對偶定理［8］將雙層模型轉(zhuǎn)化為單層的帶均衡約束的數(shù)學規(guī)劃模型（mathematical programming with equilibrium constraint,MPEC）［9］或帶均衡約束的均衡優(yōu)化模型（equilibrium problem with equilibrium constraint,EPEC）［6］進 行 求 解；另 一 類 是 迭 代 求 解法,通常采用基于智能體模型（agent-based model）的優(yōu)化算法,如強化學習［10-12］和深度強化學習［13-15］等。由于模型轉(zhuǎn)化需滿足下層模型為凸優(yōu)化問題的前提條件,因此,不適用于電力市場中的機組組合出清模型［16］,常用于解決單時段的市場均衡問題。多時段的市場均衡問題可采用迭代求解法,其中深度強化學習方法避免了強化學習對動作空間進行離散化而可能導致的“維數(shù)災”問題,并有助于對大規(guī)模系統(tǒng)模型的求解［17］。

然而,當前的電力市場多時段均衡分析方法主要聚焦于風險中立型市場主體參與電能量或輔助服務(wù)市場的情形,暫未考慮實際市場主體的風險偏好差異,以及其在差價合同和現(xiàn)貨交易中進行風險管理的影響,從而限制了均衡分析方法的實用性。解決上述考慮風險管理的電力市場多時段均衡問題將面臨3 個方面的挑戰(zhàn):一是差價合同包括市場化差價合同和政府授權(quán)差價合同［18］,這2 類差價合同的建模方式以及對市場運行的影響各不相同,并且在關(guān)注多時段的均衡問題時,差價合同曲線的確定方式也將成為一個關(guān)鍵難點；二是隨著風險特征的引入,模型將會由確定性向隨機性轉(zhuǎn)變,大大增加了模型構(gòu)建的復雜性［19］；三是對求解方法提出了較高要求,如何確保市場主體能在不確定環(huán)境中具備魯棒的決策能力、求解得到穩(wěn)定的市場均衡結(jié)果是解決該問題的關(guān)鍵。

鑒于此,本文分別設(shè)計了市場化差價合同和政府授權(quán)差價合同的確定方式,并采用條件風險價值（conditional value at risk,CVaR）［20］評估市場風險,構(gòu)建計及差價合同和風險偏好的電力市場均衡模型；在深度強化學習基礎(chǔ)上,提出了風險管理的多智能體深度強化學習算法,實現(xiàn)了對風險敏感型隨機優(yōu)化模型的高效求解。

1 市場均衡模型

1.1 模型框架

計及差價合同和風險偏好的電力市場多時段均衡模型包括差價合同的確定、發(fā)電商報價決策模型和現(xiàn)貨市場出清模型3 個部分,如圖1 所示。

圖1 電力市場均衡模型框架圖Fig.1 Framework diagram of equilibrium model for electricity market

第1 部分分別考慮了市場化和政府授權(quán)2 類差價合同。對于前者,此階段模擬市場主體簽訂差價合同,假設(shè)各發(fā)電商根據(jù)預期的發(fā)電出力和現(xiàn)貨價格簽訂合同,將預期出力曲線按某一合同比例Z（0%≤Z≤100%）折算得到各自的差價合同曲線,合同價格由預期現(xiàn)貨價格及發(fā)電商風險管理傾向共同決定；對于后者,基于“三公”原則確定各機組的合同總量,并根據(jù)無差價合同時現(xiàn)貨市場均衡出力曲線形狀及某一合同覆蓋率F（0%≤F≤100%）在事前確定差價合同曲線。第2 部分考慮了各發(fā)電商的風險偏好特征,在規(guī)則允許范圍內(nèi),各發(fā)電商以效用最大化為目標進行現(xiàn)貨市場的報價決策。第3 部分以日為周期進行現(xiàn)貨市場出清,采用前瞻性安全約束機組組合模型決定機組啟停計劃,機組發(fā)電功率的經(jīng)濟分配和節(jié)點邊際電價由安全約束經(jīng)濟調(diào)度模型確定。

在該模型框架中,市場化差價合同部分的預期出力曲線及現(xiàn)貨價格由現(xiàn)貨市場出清結(jié)果確定；政府授權(quán)差價合同的價格及曲線均在現(xiàn)貨市場前確定；各發(fā)電商基于差價合同、自身成本及風險偏好等信息優(yōu)化其報價策略；現(xiàn)貨市場綜合所有報價信息進行多個新能源預測出力或負荷需求場景的出清計算,并將出清結(jié)果反饋給各發(fā)電商,確定其在現(xiàn)貨市場和合同市場的結(jié)算收益,以此作為發(fā)電商優(yōu)化決策的依據(jù)。以此循環(huán),直至達到納什均衡。

其他假設(shè)描述如下:

1）合同結(jié)算點默認為機組所在節(jié)點,實際中可通過購售雙方協(xié)商或借助金融輸電權(quán)實現(xiàn)。

2）文獻［21］論證了實現(xiàn)確定的現(xiàn)貨市場均衡狀態(tài)的前提是報價曲線的斜率和截距只能有一個是獨立決策變量；文獻［22］在理論上證明了差價合同主要影響報價曲線截距。鑒于此,本文以截距倍率ki（0≤ki≤Kmax）作為機組i在現(xiàn)貨市場中報價的決策變量,報價曲線由ki與邊際成本曲線截距的乘積,以及邊際成本曲線斜率共同形成,其中Kmax為報價決策變量的上限值。ki=1 表示機組i按照實際的邊際成本報價；ki＞1 或ki＜1 表示機組i按照高于或低于實際的邊際成本報價。

1.2 市場化差價合同的確定

不失一般性,本文以期望出力曲線與合同比例的乘積結(jié)果作為機組簽訂的最終差價合同曲線,即:

對于合同價格,根據(jù)“現(xiàn)貨-期貨平價定理”［23］,當市場流動性充裕、購售主體均為理性且風險中立時,合同價格將趨近于現(xiàn)貨市場價格期望值?？紤]到實際電力差價合同市場的流動性相對不足,并且市場主體風險偏好會對其簽訂的合同價格造成影響,本文以與合同覆蓋范圍內(nèi)現(xiàn)貨市場價格期望值的偏差表示合同價格,即

1.3 政府授權(quán)差價合同的確定

鑒于此,本文在不考慮差價合同（F=0）的電力現(xiàn)貨市場均衡結(jié)果基礎(chǔ)上,首先按照裝機容量比例分配確定各機組的最大合同電量（F=1）,并考慮各機組的合同覆蓋率F要求進行折算,確定其合同電量；繼而,根據(jù)均衡結(jié)果中對應機組的出力曲線形狀進行電量分解,確定政府授權(quán)合同曲線,表示如下:

1.4 發(fā)電商報價決策模型

發(fā)電商可擁有多臺機組,對于任一發(fā)電商j,其通過優(yōu)化現(xiàn)貨市場的報價策略,力求實現(xiàn)總利潤最大化和風險最小化的目標。以CVaR 衡量發(fā)電商的低利潤風險,建立各發(fā)電商報價決策的隨機優(yōu)化模型。

1）目標函數(shù)

式（5）是發(fā)電商j效用最大化目標函數(shù),包含利潤期望和風險效用兩部分。利潤期望由所屬各機組的差價合同收益、現(xiàn)貨市場收益和發(fā)電總成本組成,其中現(xiàn)貨市場中各機組發(fā)電量按所在節(jié)點電價進行結(jié)算；風險效用部分由風險偏好和在α置信度水平下的CVaR 值組成。

對于市場化差價合同,結(jié)合式（1）和式（2）,式（6）可寫為:

合同市場總期望收益可化簡為:

目標函數(shù)式（5）可整理為:

通過式（12）可以看到,在市場流動性充裕（χi=1）的理想情況下,當發(fā)電商j屬于風險中立（φj=0,ei=0,i∈φj）時,其差價合同的期望收益為0,總利潤不受差價合同影響；當發(fā)電商j屬于風險厭惡（φj＞0,ei＜0,i∈φj）時,差價合同的期望收益為負,并且隨著其風險厭惡程度和合同比例增大,總期望利潤也會變小。總之,差價合同在減少發(fā)電商期望收益（付出風險貼水）的同時,也提高了可能的最小收益（減少了可能的最大損失）,對發(fā)電商而言,起到了風險對沖的作用。

對于政府授權(quán)差價合同,式（6）可整理為:

目標函數(shù)式（5）為:

2）約束條件

1.5 現(xiàn)貨市場出清模型

現(xiàn)貨市場以新能源預測出力作為邊界條件。為保證出清結(jié)果的最優(yōu)性和合理性,避免出現(xiàn)末時段大量機組停機的不合理結(jié)果,采用前瞻性安全約束機組組合和經(jīng)濟調(diào)度的組合模型構(gòu)成下層現(xiàn)貨市場出清模型。

前瞻性安全約束機組組合模型的目標函數(shù)為:

式 中:ηi,t,Ω為 啟 機 狀 態(tài) 轉(zhuǎn) 換 變 量,當 且 僅 當ui,t,Ω=1且ui,t-1,Ω=0 時,ηi,t,Ω=1,否則,ηi,t,Ω=0；T2為考慮前瞻性的總時段集合。

約束條件包括系統(tǒng)功率平衡約束、系統(tǒng)備用約束、負荷需求約束、發(fā)電機組運行特性約束、網(wǎng)絡(luò)潮流約束等（見附錄A）。

在整個模型框架中,發(fā)電商報價決策模型的變量ki（i∈φj）決定了現(xiàn)貨市場的報價信息,市場優(yōu)化出清得到的ui,t,Ω、gi,t,Ω、λi,t,Ω等結(jié)果反饋給各發(fā)電商,以確定其差價合同和現(xiàn)貨市場的總收益。通過不斷交互迭代,最終實現(xiàn)均衡。

2 基于風險管理多智能體深度強化學習的模型求解

整個模型框架可基于風險管理的多智能體深度強化學習方法進行迭代求解。本文在多智能體深度確定性策略梯度（multi-agent deep deterministic policy gradient,MADDPG）［26］算 法 基 礎(chǔ) 上,通 過 改進提出了風險管理的多智能體深度確定性策略梯度（risk-managing MADDPG,RM-MADDPG）算法。其中,現(xiàn)貨市場出清模型屬于混合整數(shù)二次規(guī)劃問題,可借助商用求解器Gurobi 進行優(yōu)化計算。

2.1 深度強化學習要素設(shè)置

RM-MADDPG 基于馬爾可夫決策過程建立,以各發(fā)電商作為有自主學習能力的智能體（agent）,而將與之交互的合同市場和現(xiàn)貨市場作為環(huán)境。其要素包括:

1）狀態(tài)s:以各機組的差價合同比例（或覆蓋率）、上一輪交互各機組加權(quán)平均電價的期望值λ1,d-1,λ2,d-1,…,λI,d-1, 作 為 狀 態(tài)sd={Z1,Z2,…,ZI,λ1,d-1,λ2,d-1,…,λI,d-1}（或sd={F1,F2,…,FI,λ1,d-1,λ2,d-1,…,λI,d-1}）∈S,其中,I為參與市場競爭的機組總數(shù)；S為狀態(tài)集合；下標d為強化學習的交互次數(shù)。

2）動作a:智能體j的動作是所屬機組報價決策變量kj的集合,kj∈A=［0,Kmax］,所有機組的聯(lián)合動作集合表示為O={a1,a2,…,aI}；A為動作空間的集合。

3）策略μθ:以狀態(tài)和動作間的映射關(guān)系表示μθ:S→A,θ為參數(shù),根據(jù)狀態(tài)s獲得確定的動作,即a～μθ（s）。

5）智能體的狀態(tài)轉(zhuǎn)移由市場出清過程決定；狀態(tài)-動作值函 數(shù)Q(s,a)=Ea～μθ{rtot,j|(s,a)},定 義為在狀態(tài)s下選擇動作a并隨后采用策略μθ所得到的累積回報的期望值；E{·}為期望函數(shù)。

在MADDPG 基礎(chǔ)上,本文所提RM-MADDPG算法主要從3 個方面進行改進:一是與隨機優(yōu)化模型相契合,修改了原算法中經(jīng)驗儲存及采樣的信息集,以適應從單一場景到多場景的拓展；二是增加了風險參數(shù)估計模塊,將風險值和智能體偏好反映到策略網(wǎng)絡(luò)和值網(wǎng)絡(luò)的更新學習之中,以實現(xiàn)發(fā)電商報價決策的優(yōu)化目標；三是結(jié)合風險約束強化學習（risk-constrained RL）的理論研究成果［27］,明確了策略網(wǎng)絡(luò)和值網(wǎng)絡(luò)學習速率的配合關(guān)系,以保證算法的收斂性。

2.2 RM-MADDPG 框架

RM-MADDPG 框架如圖2 所示。各智能體主要由策略網(wǎng)絡(luò)（Actor）、Q 網(wǎng)絡(luò)（Critic）和風險參數(shù)估計3 個部分構(gòu)成。策略網(wǎng)絡(luò)包括參數(shù)為θ的主策略網(wǎng)絡(luò)（actor online network,AON）和參數(shù)為θ′的目標策略網(wǎng)絡(luò)（actor target network,ATN）；Q 網(wǎng)絡(luò)包括 參 數(shù) 為ω的 主Q 網(wǎng) 絡(luò)（critic online network,CON）和 參 數(shù) 為ω′的 目 標Q 網(wǎng) 絡(luò)（critic target network,CTN）。其中,策略網(wǎng)絡(luò)的功能是根據(jù)狀態(tài)s和確定性策略μθ選擇動作a,與環(huán)境進行交互；Q網(wǎng)絡(luò)的作用是對策略網(wǎng)絡(luò)的行為進行評價,并指導其后續(xù)動作；風險參數(shù)估計部分是通過對風險參數(shù)δj,Ω和νj的估計,評估相應動作可能面臨的風險,使智能體的決策計及風險因素的影響。主網(wǎng)絡(luò)（AON、CON）采用梯度方式進行訓練和更新,目標網(wǎng)絡(luò)（ATN、CTN）定期從主網(wǎng)絡(luò)復制參數(shù),并采用軟更新方式進行訓練。策略網(wǎng)絡(luò)各層的神經(jīng)元分別以修正線性單元（rectified linear unit,ReLU）和雙曲正切函數(shù)（tanh）作為激活函數(shù)；Q 網(wǎng)絡(luò)各層的神經(jīng)元分別以ReLU 和線性函數(shù)（linear）作為激活函數(shù)。整個框架采用集中訓練和分散執(zhí)行方式進行,詳細過程見附錄B。

圖2 RM-MADDPG 框架圖Fig.2 Framework diagram of RM-MADDPG

式中:ε為衰減率,通常為極小的正數(shù)；MB為儲存器Bj儲存的總次數(shù)；Mtrain為訓練總次數(shù)。

2）風險參數(shù)估計

通常情況下,CVaR 難以直接計算。為滿足式（15）中的風險約束,可基于樣本數(shù)據(jù)對CVaR 進行估計:

式中:νj,1-α取rj,d,Ω序列的1-α分位數(shù)；rj,n,Ω為場景Ω下智能體j的第n個樣本的回報。

3）主Q 網(wǎng)絡(luò)訓練

主Q 網(wǎng)絡(luò)的訓練目標是最小化樣本Q值和目標Q值之間的均方差,其誤差函數(shù)L(ωj)為:

根據(jù)自動微分技術(shù)［28］可計算其梯度,ωj按下式更新:

式中:ζ2為主Q 網(wǎng)絡(luò)的學習速率。

4）主策略網(wǎng)絡(luò)訓練

確定性策略J(μθj)梯度公式為:

根據(jù)蒙特卡洛方法,將采樣數(shù)據(jù)集代入式（23）,可以作為對該期望的一個無偏估計值,將該式改寫為采樣策略梯度:

式中:ζ1為主策略網(wǎng)絡(luò)的學習速率。

5）更新目標網(wǎng)絡(luò)參數(shù)

式中:τ 為目標網(wǎng)絡(luò)的學習速率。

為保證算法的收斂性,主網(wǎng)絡(luò)學習速率ζ1和ζ2應滿足以下約束:

式中:o(·)表示高階無窮小。

整個算法基于PyTorch 和Gurobi 框架進行編程和計算。

3 算例分析

3.1 算例基礎(chǔ)及參數(shù)設(shè)置

本文采用文獻［29］的算例數(shù)據(jù),共包含30 個節(jié)點、41 條線路、6 臺火電機組和20 個負荷,并在節(jié)點29 處增加1 個新能源場站?；痣姍C組的其他運行參數(shù)及節(jié)點負荷分布因子分別見附錄C 表C1 和表C2。通過3 個負荷需求場景和3 個新能源典型出力場景組合形成9 個凈負荷場景（見附錄C 圖C1）,各負荷場景下負荷需求曲線的斜率按照該場景與中負荷場景的負荷比例縮放形成。算例考慮相同合同覆蓋率（合同比例）情況,此時狀態(tài)空間可縮減為7 維。

神經(jīng)網(wǎng)絡(luò)由輸入層、2 個隱藏層和輸出層構(gòu)成,策略網(wǎng)絡(luò)各層的神經(jīng)元個數(shù)分別設(shè)置為7、128、64和發(fā)電商所擁有的機組數(shù),分別以ReLU 和tanh 函數(shù)作為2 個隱藏層和輸出層的激活函數(shù)；Q 網(wǎng)絡(luò)各層的神經(jīng)元個數(shù)分別設(shè)置為狀態(tài)s和動作集O的總維數(shù)13、128、64、1,分別以ReLU 和linear 函數(shù)作為2 個隱藏層和輸出層的激活函數(shù)。由于tanh 函數(shù)輸出值a′的取值范圍為［-1,1］,因此,需按a=（a′+1）Kmax/2 縮放到合適的報價動作區(qū)間［0,Kmax］。主網(wǎng)絡(luò)采用Adam 優(yōu)化器［30］進行訓練。其他參數(shù)為ζ1=0.001（d-MB）-0.36,ζ2=0.001（d-MB）-0.34,Δt=1 h,Kmax=3,α=0.95,ε=0.001,τ=0.01,γ=0,MB=1 000,Mmax=6 500,Mtrain=6 200,Wbat=80。

下面重點分析合同市場流動性充裕（χi=1）、每個發(fā)電商擁有1 臺機組的理想情況。在此基礎(chǔ)上,附錄D 給出發(fā)電商擁有多臺機組、合同市場流動性不足等案例,進一步探討其對結(jié)果的影響。

3.2 考慮風險偏好的電力現(xiàn)貨市場均衡結(jié)果分析

在不計及差價合同時,設(shè)置表1 中4 種不同風險偏好特征的案例,其中Ⅰ和Ⅱ分別是風險愛好型和風險中立型案例,Ⅲ和Ⅳ為風險厭惡型案例。

表1 不同風險偏好特征案例信息Table 1 Case information of different risk-preference features

通過各案例下的電力現(xiàn)貨市場均衡結(jié)果（見圖3）可以看到,風險愛好型發(fā)電商傾向于抬高報價,在承擔一定風險的同時追求可能的更高收益；而隨著風險厭惡程度增加,發(fā)電商報價逐步降低,但并不低于實際邊際成本。特別地,G5 機組由于具備位置優(yōu)勢,大多數(shù)情況下其節(jié)點價格由其他機組決定,且高于發(fā)電側(cè)平均電價,該機組常采用價格接受者的策略,通過最大化中標電量的方式提高利潤。而在案例Ⅲ中G5 機組風險厭惡程度較高的情況下,為避免極端情況下可能的虧損情況,其報價策略轉(zhuǎn)變?yōu)椴捎媒咏趯嶋H邊際成本的報價。

圖3 各案例k 值對比結(jié)果Fig.3 Comparison results of k values in each case

附錄C 圖C2 展示了各案例下機組的利潤水平和風險情況,案例Ⅰ各場景的市場出清結(jié)果見附錄C 圖C3。可以看到,部分機組有能力通過調(diào)整自身報價策略并影響其他機組報價決策,進而在一定程度上改變市場均衡結(jié)果。以案例Ⅱ和Ⅲ為例,隨著G5、G6 機組風險厭惡程度的增加,其通過調(diào)整報價策略明顯抬高了CVaR 值,實現(xiàn)了風險規(guī)避。

3.3 計及市場化差價合同和風險偏好的市場均衡結(jié)果分析

本節(jié)重點分析表1 中Ⅰ至Ⅲ這3 個案例,其中e取對應φ值的-5%。圖4 展示了不同比例市場化差價合同下各案例的均衡情況。可以看到,差價合同比例及發(fā)電商的風險偏好特征會作用于自身報價決策,進而影響其他發(fā)電商的報價策略,最終達到新的市場均衡狀態(tài)。

圖4 不同合同比例下k 值對比結(jié)果Fig.4 Comparison results of k values with different contract ratios

1）不考慮風險偏好時（案例Ⅱ）,發(fā)電商報價決策不受市場化差價合同影響。因為當發(fā)電商為風險中立時,合同價格接近于現(xiàn)貨價格期望值,不同比例差價合同并不會對發(fā)電商的期望利潤造成影響。

2）相同比例合同情況下,隨著發(fā)電商風險厭惡程度逐步提高,其報價呈降低趨勢。

3）隨著合同比例增大,風險愛好型發(fā)電商傾向于抬高報價,均衡結(jié)果中機組期望利潤也隨之增加；風險厭惡型發(fā)電商會略微降低報價,均衡結(jié)果中機組期望利潤也隨之降低。

4）當合同比例Z=1 時,市場均衡狀態(tài)并非完全競爭水平。這是因為合同價格與現(xiàn)貨市場價格聯(lián)動,若發(fā)電商接近于邊際成本報價（k=1）,則將使差價合同及現(xiàn)貨市場的結(jié)算收益減少,與效用最大化的目標背道而馳。

3.4 計及政府授權(quán)差價合同和風險偏好的市場均衡結(jié)果分析

基于均衡結(jié)果確定的政府授權(quán)差價合同曲線如附錄C 圖C4 所示,合同價格設(shè)定為38 元/（MW·h）。在此邊界下,不同合同覆蓋率的均衡情況如圖5所示。

圖5 不同合同覆蓋率下k 值對比結(jié)果Fig.5 Comparison results of k values with different contract coverage ratios

可以看到,2 類差價合同對發(fā)電商報價的影響有一定相似性,而政府授權(quán)差價合同對市場均衡的影響更為明顯,主要體現(xiàn)在以下3 個方面:

1）無論是風險偏好變化的機組G5 和G6,還是風險偏好不變的G1 至G4,其報價均隨合同覆蓋率的增加而降低。相較于考慮市場化差價合同的結(jié)果,政府授權(quán)差價合同下機組報價隨合同覆蓋率變化的幅度更大。

2）政府授權(quán)差價合同會對風險中立型發(fā)電商（案例Ⅱ）的報價策略產(chǎn)生影響,隨著合同覆蓋率的增加,發(fā)電商報價明顯降低。這與政府授權(quán)差價合同對風險厭惡型發(fā)電商的影響類似。

3）在F=1 時的合同覆蓋率下,接近于邊際成本報價（k=1,偏差取決于各機組差價合同總電量與實際總發(fā)電量的差異）是發(fā)電商實現(xiàn)效用最大化的最優(yōu)策略。即表明,當合同覆蓋率F=1 時,現(xiàn)貨市場接近于完全競爭。

附錄C 圖C5 展示了不同合同價格情況下案例Ⅲ的市場報價變化趨勢,明確了政府授權(quán)差價合同價格的設(shè)定并不會對市場均衡結(jié)果產(chǎn)生影響。

4 結(jié)語

本文針對實際電力市場中差價合同及市場主體風險偏好問題,完整提出了考慮風險管理的電力市場多時段均衡分析方法。優(yōu)化結(jié)果表明,本文所提模型和方法可以有效計及市場主體在差價合同和現(xiàn)貨市場中進行風險管理的影響,模擬多時段的電力市場均衡情況,為電力市場的機制設(shè)計和運行分析提供實用化的數(shù)值分析工具。相關(guān)結(jié)論和建議如下:

1）市場主體風險偏好和電力差價合同會對市場運營產(chǎn)生較大影響,市場設(shè)計需統(tǒng)籌考慮。

2）電力差價合同可以為市場主體提供有效的風險管理手段。市場化合同主要通過縮小各場景的利潤偏差,控制市場風險可能給市場主體造成的損失來發(fā)揮風險管理作用,其產(chǎn)品設(shè)計應注重提高合同市場的流動性,如設(shè)置標準化產(chǎn)品和樞紐節(jié)點、優(yōu)化交易機制、擴大主體范圍等。

3）政府授權(quán)差價合同對市場均衡的影響顯著,對市場主體行為的約束力較強,有利于中國現(xiàn)貨市場穩(wěn)妥起步。建議采用本文方法在事前確定合同曲線,盡量減少因事后合同電量分解不合理造成的公平性或市場低效問題。

4）設(shè)置合適的差價合同覆蓋率（或合同比例）要求,無論對市場主體管理交易風險,還是對監(jiān)管機構(gòu)管控市場力、促進電力市場高效運營都有積極意義。

本文研究以新能源出力作為市場邊界,暫未考慮新能源主動參與市場的影響。為適應未來以新能源為主體的新型電力系統(tǒng),市場均衡分析方法還需完善對新能源參與市場的考慮,在此基礎(chǔ)上探討適用于新型電力系統(tǒng)的市場機制設(shè)計方法,這將是后續(xù)的研究重點。