嚴文君，劉俊勇

（四川大學(xué)電氣工程學(xué)院，成都 610065）

在國家“碳達峰”和“碳中和”雙碳目標下，高效、清潔、低碳成為我國乃至世界能源發(fā)展的主流方向，以太陽能、風(fēng)能為代表的新能源將主導(dǎo)未來可再生能源的發(fā)展[1]。微電網(wǎng)MG（microgrid）可以協(xié)調(diào)控制分布式電源，依托互聯(lián)電力系統(tǒng)實現(xiàn)大范圍能源優(yōu)化配置，是新能源就地消納和并網(wǎng)遠送的主要模式[2-3]。但是傳統(tǒng)單一微電網(wǎng)集成各類新能源發(fā)電系統(tǒng)的能力有限，將區(qū)域內(nèi)的多個微電網(wǎng)通過相關(guān)協(xié)議互聯(lián)形成多微電網(wǎng)系統(tǒng)，有助于區(qū)域間不同能源互補，實現(xiàn)高比例新能源消納，提高互聯(lián)網(wǎng)絡(luò)系統(tǒng)的經(jīng)濟效益[4]。

目前，國內(nèi)外相關(guān)領(lǐng)域?qū)W者對于多微電網(wǎng)互聯(lián)系統(tǒng)開展了諸多研究，大多集中在如何實現(xiàn)優(yōu)化調(diào)度[5-7]、能量控制[8-9]等方面。隨著電力市場逐步改革開放，微電網(wǎng)作為獨立利益主體被允許參與電力市場進行電力交易，在此背景下，研究多微電網(wǎng)參與下的電力市場交易運行機制顯得十分必要[10]。多微電網(wǎng)市場中各參與主體間利益不同，且存在錯綜復(fù)雜的多元化交易博弈行為，基于此，文獻[11]引入以價格為博弈手段的伯特蘭德博弈對不同主體進行博弈行為分析，但是將其運用于多微電網(wǎng)各主體競爭博弈行為時，需要假設(shè)分布式電能出力沒有上限約束，該約束條件與實際情況不符。古諾博弈以產(chǎn)量作為博弈手段，多被用于分析多發(fā)電商地位相等的市場競價行為[12]，文獻[13]收集各發(fā)電商競爭對手的報價策略和市場交易信息，通過古諾博弈對信息不斷進行迭代，幫助發(fā)電商制定最優(yōu)決策方案。主從博弈[14]是剖析決策者與響應(yīng)者之間存在先后決策順序的有效模型，文獻[15]根據(jù)負荷和電源雙重特性，分別建立購售電雙方支付函數(shù)，建立多虛擬電廠參與電力市場時的雙層模型，上層建立多虛擬電廠主從博弈競價模型，制定直接交易電量策略，下層考慮各虛擬電廠總成本最低得到最優(yōu)響應(yīng)功率。傳統(tǒng)電力市場博弈模型，各主體都有各自的優(yōu)化目標函數(shù)，需要滿足各自利益最優(yōu)來達到納什均衡，但互聯(lián)微電網(wǎng)復(fù)雜的系統(tǒng)結(jié)構(gòu)和數(shù)學(xué)模型以及全局信息獲取不足等因素，為納什均衡求解帶來了諸多困難，使模型收斂效率較低且不穩(wěn)定[16]。

基于數(shù)據(jù)驅(qū)動的深度強化學(xué)習(xí)方法其具有從高維度、非線性狀態(tài)空間中提取高階數(shù)據(jù)的挖掘能力，為求解復(fù)雜博弈模型提供了思路[17]。文獻[18]建立了運營商和多虛擬電廠的一主多從博弈模型，通過Kriging元模型模擬虛擬電廠能量內(nèi)部管理行為，根據(jù)動態(tài)定價合理安排內(nèi)部各分布式能源出力；文獻[19]中各發(fā)電商不需要獲取競爭對手的利潤函數(shù)等信息，在不完全信息博弈過程中，通過Qlearning方法對發(fā)電歷史數(shù)據(jù)和自身的經(jīng)驗來進行訓(xùn)練學(xué)習(xí)，從而確定最優(yōu)的行動策略；文獻[20]針對日前電力市場中發(fā)電商投標人的競價問題，采用多智能體深度確定性策略梯度方法逼近各發(fā)電商博弈行為的納什均衡，為各發(fā)電商制定最優(yōu)競價策略。

鑒于以上問題，本文提出了基于圖卷積神經(jīng)網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)GCN-LSTM（graph convolution neural network-long short-term memory network）時空預(yù)測算法的多微電網(wǎng)市場主從博弈均衡策略，并證明了包含多微電網(wǎng)市場各參與主體主從博弈模型存在納什均衡解。為了更好地實現(xiàn)兩階段主從博弈模型求解，通過圖卷積神經(jīng)網(wǎng)絡(luò)提取到的市場交易信息構(gòu)成時間序列數(shù)據(jù)輸入長短時循環(huán)網(wǎng)絡(luò)進行訓(xùn)練，確定市場各主體最優(yōu)報價策略并下發(fā)到微電網(wǎng)實時調(diào)控層，根據(jù)報價策略進行微電網(wǎng)內(nèi)報價及設(shè)備出力調(diào)整，并將調(diào)控結(jié)果反饋給決策層，通過兩階段相互迭代求解多微電網(wǎng)市場最優(yōu)報價策略，實現(xiàn)多微電網(wǎng)市場主從博弈均衡運行優(yōu)化。最后，通過算例分析表明，所提方法有優(yōu)越的能源整合和盈利能力，通過改變多微電網(wǎng)市場內(nèi)部多種新能源互補配置，更好地適應(yīng)市場環(huán)境的改變。

1 基于深度強化學(xué)習(xí)的多微電網(wǎng)市場博弈運行架構(gòu)

1.1 基于GCN-LSTM的多微電網(wǎng)市場時空預(yù)測方法

利用圖卷積神經(jīng)網(wǎng)絡(luò)將多微電網(wǎng)互聯(lián)電力市場空間聯(lián)絡(luò)拓撲圖抽象為圖模型G=（V，E），各個微電網(wǎng)被抽象為圖模型中的節(jié)點集合V，并對其編號①、②、…、⑧。以各微電網(wǎng)內(nèi)分布式電源出力、負荷需求量以及日前邊際電價等信息作為相應(yīng)圖節(jié)點的特征向量，將連接各個微電網(wǎng)的聯(lián)絡(luò)線抽象為圖模型中的邊集合E，通過邊集合實現(xiàn)市場信息、價格、能源調(diào)控配置等數(shù)據(jù)在各節(jié)點間的信息傳遞。如圖1所示，GCN-layer提取多微電網(wǎng)空間特征主要以某節(jié)點為中心，對相鄰節(jié)點信息進行提取，單層GCN只能取一階相鄰節(jié)點數(shù)據(jù)，比如以節(jié)點①為中心提取相鄰節(jié)點②、③、④、⑤的特征數(shù)據(jù)，由此通過堆疊卷積神經(jīng)網(wǎng)絡(luò)卷積層數(shù)獲取全局整體節(jié)點特征數(shù)據(jù)[21]。

通過建立GCN圖模型對多微電網(wǎng)互聯(lián)電力市場進行描述，體現(xiàn)出各微電網(wǎng)分布式電源出力、負荷需求量以及日前邊際電價等信息，受到地理環(huán)境、社會生活生產(chǎn)規(guī)律而體現(xiàn)出一定的周期性、規(guī)律性和關(guān)聯(lián)性關(guān)系，以此通過對多微電網(wǎng)市場歷史狀態(tài)進行分析計算實現(xiàn)對未來電力市場狀態(tài)預(yù)測。本文通過圖卷積神經(jīng)網(wǎng)絡(luò)GCN（graph convolu?tion neural network）和長短時記憶網(wǎng)絡(luò)LSTM（long short-term memory network）相結(jié)合構(gòu)建多微電網(wǎng)市場時空預(yù)測算法。LSTM主要被用于長序列數(shù)據(jù)訓(xùn)練，圖1中LSTMCell為長短時記憶網(wǎng)絡(luò)的1個神經(jīng)元，其包含4個神經(jīng)網(wǎng)絡(luò)層，并通過遺忘門、記憶門和輸出門實現(xiàn)神經(jīng)元中信息的刪減和增加。LSTM運算機理本文不再贅述，見文獻[22]。

圖1 GCN-LSTM時空預(yù)測算法結(jié)構(gòu)Fig.1 Structure of GCN-LSTM spatial-temporal prediction algorithm

1.2 多互聯(lián)微電網(wǎng)市場兩階段博弈運行機制

多微電網(wǎng)主要包括的各主體：多微電網(wǎng)市場運營商、微電網(wǎng)分布式發(fā)電設(shè)備、負荷聚合商和儲能設(shè)備，多微電網(wǎng)市場運營商負責(zé)多微電網(wǎng)各主體交易與運營管理；分布式電源作為源側(cè)，通過分布式風(fēng)電、微型燃氣輪機等分布式發(fā)電設(shè)備為微電網(wǎng)內(nèi)外提供穩(wěn)定可靠的電力；負荷聚合商包括固定負荷、可平移負荷及可削減負荷等，通過有償調(diào)節(jié)用能行為參與互動響應(yīng)，充分調(diào)動可控負荷的積極性。儲能設(shè)備通過充放電來補償分布式發(fā)電出力波動性和不可控性，增強微電網(wǎng)接納分布式能源發(fā)電能力和提高能源利用效率。

如圖2多微電網(wǎng)市場兩階段運行架構(gòu)所示，在多微電網(wǎng)電力市場中，各微電網(wǎng)作為統(tǒng)一主體參與配網(wǎng)側(cè)電力市場進行交易，微電網(wǎng)運營商聚合自身服務(wù)范圍內(nèi)的靈活性資源，綜合分析外部不完全市場交易信息以及自身源荷運行數(shù)據(jù)，確定最優(yōu)運行策略，促進多微電網(wǎng)市場能量供需平衡。多微電網(wǎng)互聯(lián)系統(tǒng)分布式調(diào)度機制主要包括兩個階段：市場報價決策階段和微電網(wǎng)實時調(diào)控階段。各微電網(wǎng)運營商在前一天上報未來24 h的發(fā)電量和報價情況，配電網(wǎng)交易中心對報價信息和系統(tǒng)運行參數(shù)進行綜合分析，以各微電網(wǎng)整體凈效益最大化為目標，確定各微電網(wǎng)中標電量和中標價格。各微電網(wǎng)運營商據(jù)此優(yōu)化下一階段報價策略，多微電網(wǎng)市場報價階段和出清階段存在順序銜接關(guān)系，經(jīng)過兩階段循環(huán)交互，實現(xiàn)多微電網(wǎng)市場運行優(yōu)化。

圖2 多微電網(wǎng)市場兩階段運行架構(gòu)Fig.2 Two-stage operation framework for multimicrogrid market

2 多微電網(wǎng)市場兩階段主從博弈模型

2.1 多微電網(wǎng)市場報價決策模型

本文微電網(wǎng)內(nèi)電源出力主要以風(fēng)電出力為基準場景，階段一為多微電網(wǎng)市場報價階段，各微電網(wǎng)根據(jù)自身機組運行特性和市場交易規(guī)則以自身凈效益最大化為優(yōu)化目標進行報價，其優(yōu)化目標函數(shù)表達式為

式中：為第k個微電網(wǎng)在t時段的凈效益函數(shù)；T為時間段，取T=24；為t時段第k個微電網(wǎng)的電能交易效益；L k,t為t時段第k個微電網(wǎng)用戶的效用函數(shù)；為t時段第k個微電網(wǎng)儲能系統(tǒng)的充放電成本，各表達式具體形式為

式中：、分別為t時段多微電網(wǎng)市場的內(nèi)部預(yù)測購電價和售電價；、分別為t時段第k個微電網(wǎng)的購電量和售電量。

式中：νe、αe為用戶消費電能所獲得的滿意度系數(shù)；H為t時段微電網(wǎng)內(nèi)負荷響應(yīng)時間的集合；λe為削峰填谷單價；為t時段第k個微電網(wǎng)的預(yù)測負荷需求量；Δt為響應(yīng)的時間長度；為在時刻t上報的可平移電負荷和可削減電負荷。

階段一的約束條件主要包括功率平衡約束、微電網(wǎng)與配電網(wǎng)之間功率交互功率約束、儲能設(shè)備充放電功率約束等，具體約束表達式如下：

式中：與分別為微電網(wǎng)在t時段的購、售電功率的最大值；D k,t為狀態(tài)系數(shù)；為購電狀態(tài)系數(shù)，購電時取1，未購電時取0；為售電系數(shù)，售電時取1，未售電時取0；分別為儲能裝置k在t時刻最大充放電功率；為充放電后、充放電前的儲能量；為儲能裝置充電狀態(tài)系數(shù)，充電時取1，未充電時取0；表示儲能裝置放電狀態(tài)系數(shù)，放電時取1，未放電時取0；ηe,d表示儲能裝置放電量系數(shù)；ηe,c表示儲能裝置放電量系數(shù)；分別為儲能系統(tǒng)的儲能量上下限。

2.2 多微電網(wǎng)市場實時調(diào)控主從博弈模型

在微電網(wǎng)實時調(diào)控階段，微電網(wǎng)運營商在考慮上層決策方案的前提下，結(jié)合自身內(nèi)部多余電量和負荷需求，以降低設(shè)備調(diào)控運行成本為目標，優(yōu)化微電網(wǎng)設(shè)備出力情況，目標函數(shù)為

式中：A為實時調(diào)控時間尺度；M為分布式電源設(shè)備數(shù)量；ΔCG,up為分布式發(fā)電設(shè)備實時調(diào)控上調(diào)成本；ΔCG,down為分布式發(fā)電設(shè)備實時調(diào)控下調(diào)成本；ΔCESS為儲能設(shè)備實時調(diào)控成本；ΔCM為實時交易成本；分別為分布式發(fā)電設(shè)備i在t時刻的上調(diào)功率、上調(diào)單位功率成本；分別為分布式發(fā)電設(shè)備i在t時刻的下調(diào)功率和下調(diào)單位功率成本分別為儲能設(shè)備t時刻充放電調(diào)控功率；分別為微電網(wǎng)向外電網(wǎng)購電和售電調(diào)整量；λM為調(diào)整電價。

為保證多微電網(wǎng)市場在兩階段主從博弈模型下安全運行，需要對各微電網(wǎng)進行安全校核。為此，結(jié)合微電網(wǎng)網(wǎng)絡(luò)約束條件，建立多微電網(wǎng)市場優(yōu)化運行約束。

考慮微電網(wǎng)內(nèi)部各節(jié)點之間的線路功率傳輸約束，其支路潮流[23]形式為

式中：PIN,t、QIN,t分別為t時刻節(jié)點i的注入有功、無功功率；θij,t為t時刻節(jié)點ij間的相角差；N(i)為所有與節(jié)點i相連的節(jié)點集合；V j,t為t時刻節(jié)點j的電壓幅值；Vi,t為t時刻節(jié)點i的電壓幅值；gij、b ij分別為支路ij的電導(dǎo)和電納；PDGi,t、PLi,t、QDGi,t與QLi,t為t時刻分布式電源和負荷的有功、無功功率。

網(wǎng)絡(luò)安全運行的功率傳輸需滿足的約束為

式中：P i,t為在t時刻支路i功率；為支路i最大傳輸功率。若通過支路i的潮流滿足式（9）的約束，則完成網(wǎng)絡(luò)安全驗證，并執(zhí)行經(jīng)濟最優(yōu)策略計劃；若不滿足，則需要進行阻塞管理措施?？紤]以上約束情況，通過計算支路i、的潮流變化靈敏度a P,i和aQ,i對功率進行進一步調(diào)整，調(diào)控功率表達式為

式中：Ng為微電網(wǎng)節(jié)點個數(shù)；ΔP i、ΔQi為節(jié)點i注入有功、無功調(diào)控功率。靈敏度的求解過程見文獻[24]。

3 模型求解

3.1 基于GCN-LSTM的報價策略流程

本文基于GCN-LSTM深度強化學(xué)習(xí)方法的多微電網(wǎng)階段一報價策略確定流程如圖3所示。

圖3 多微電網(wǎng)市場階段一報價策略流程Fig.3 Flow chart of quotation strategy at Stage 1 in multi-microgrid market

（1）生成狀態(tài)空間。將微電網(wǎng)發(fā)電設(shè)備出力和電價區(qū)間劃分為x段，每一段生成對應(yīng)的電量狀態(tài)空間P及電價價狀態(tài)空間S。

（2）生成策略π及選擇報價曲線。報價策略初值設(shè)置為各報價曲線的選擇概率相同，隨著交互迭代進行，以輪盤賭的方式在報價狀態(tài)空間中隨機選取一條報價曲線并執(zhí)行。

（3）確定中標電量p與電價s。根據(jù)所有微電網(wǎng)的報價信息，統(tǒng)籌分析各微電網(wǎng)效益，并將該中標結(jié)果反饋給各微電網(wǎng)進行實時調(diào)控。

（4）策略π更新評價。平均策略和當前策略下得到的期望值評判策略優(yōu)劣。

3.2 納什均衡證明

本文納什均衡存在證明過程如下。

階段二微電網(wǎng)市場調(diào)控運行優(yōu)化問題可以描述為一個領(lǐng)導(dǎo)者（交易中心）與多個跟隨者（微電網(wǎng)運營商）間的一主多從的Stackelberg博弈問題，微電網(wǎng)運營商通過響應(yīng)交易中心的價格信號確定其內(nèi)部最優(yōu)出力策略和負荷需求策略。

1）Stackelberg均衡存在條件一

由第2.1、2.2小節(jié)所建立的模型可知，微電網(wǎng)中各參與主體的博弈策略集合均需要滿足約束式，即滿足Stackelberg均衡存在條件一：每個參與者的策略集合都是非空且緊凸。

2）Stackelberg均衡存在條件二

在領(lǐng)導(dǎo)者（交易中心）的報價決策確定的條件下，對目標函數(shù)式（6）分別求關(guān)于的一階偏導(dǎo)數(shù)方程，令其方程等于0，可以得到理論上的最優(yōu)值。即當領(lǐng)導(dǎo)者的策略給定以后，所有跟隨者均存在唯一最優(yōu)解，滿足Stackelberg均衡存在條件二。

3）Stackelberg均衡存在條件三

階段一的各微電網(wǎng)市場效益函數(shù)（1）是在策略狀態(tài)空間內(nèi)的分段函數(shù)，且在每一個子定義域空間內(nèi)是凸函數(shù)。因此，效益函數(shù)存在局部最優(yōu)購售電價求得局部最優(yōu)值，通過比較收益值大小，即可得到全局最優(yōu)效益，滿足Stackelberg均衡存在且唯一的條件之三。

綜上可知，本文提出的多主體主從博弈模型，存在唯一的Stakelberg均衡。

3.3 多微電網(wǎng)市場兩階段模型求解

鑒于多微電網(wǎng)市場兩階段中的決策問題均屬于大規(guī)模非線性優(yōu)化問題，且優(yōu)化目標函數(shù)是二次函數(shù)，采用深度強化學(xué)習(xí)可以實現(xiàn)結(jié)果準確的前提下的算法簡化，因此，本文通過二次規(guī)劃結(jié)合深度學(xué)習(xí)訓(xùn)練方法求解，搜索Stackelberg最優(yōu)均衡策略，具體求解步驟如下。

階段一市場報價決策階段：

步驟1調(diào)取多微電網(wǎng)市場數(shù)據(jù)信息通過GCN-LSTM進行數(shù)據(jù)挖掘優(yōu)化新能源、負荷及儲能設(shè)備預(yù)測信息（多微電網(wǎng)內(nèi)部購售價、配電網(wǎng)市場購售價、新能源出力、負荷需求、儲能計劃等），輸入訓(xùn)練模型參數(shù)；

步驟2初始化滾動優(yōu)化訓(xùn)練模型，確定報價策略，并更新策略因子；

步驟3判斷是否滿足停止準則，若滿足，則得到第一階段市場報價策略最優(yōu)解；若不滿足，則再一次進行滾動訓(xùn)練，返回步驟2，直至收斂。

階段二微電網(wǎng)實時調(diào)控階段：

步驟1微電網(wǎng)運營商收集微電網(wǎng)上報的下一時段新能源出力預(yù)測值、階段1滾動優(yōu)化后確定下一時段微電網(wǎng)市場預(yù)測信息，輸入訓(xùn)練模型參數(shù)；

步驟2初始化微電網(wǎng)運營商相關(guān)參數(shù)；

步驟3微電網(wǎng)運營商接收交易中心的價格信號，根據(jù)其定價進行二次規(guī)劃；

步驟4微電網(wǎng)運營商接收反饋的功率信號，供用關(guān)系計算其收益，進行訓(xùn)練、動作、評價，實現(xiàn)滾動優(yōu)化更新；

步驟5求解相鄰兩次各博弈方當前策略，判斷是否達到最優(yōu)策略均衡；

步驟6若滿足最優(yōu)策略組合則輸出結(jié)果，若不滿足，則返回步驟3，直至該策略組合收斂到均衡點。

4 算例分析

4.1 算例設(shè)計及基礎(chǔ)數(shù)據(jù)

本文將IEEE 33節(jié)點系統(tǒng)分解為3個微電網(wǎng)區(qū)域，其中節(jié)點1、節(jié)點6、節(jié)點22為連接節(jié)點，其具體劃分范圍如圖4所示。兩區(qū)域微電網(wǎng)間聯(lián)絡(luò)線傳輸極限為10 MW。各微電網(wǎng)設(shè)備容量配置及節(jié)點位置如表1所示，儲能設(shè)備相關(guān)參數(shù)最大和最小荷電狀態(tài)SOCmin和SOCmax如表2所示。多微電網(wǎng)市場設(shè)定各微電網(wǎng)的初始報價等于配電網(wǎng)市場節(jié)點邊際電價，設(shè)為0.078 3USD/（kW·h），競價功率范圍設(shè)為0~3 MW，其他設(shè)備參數(shù)設(shè)置詳見文獻[25]。

圖4 多微電網(wǎng)市場IEEE 33節(jié)點系統(tǒng)拓撲Fig.4 Topology of IEEE 33-node system in multi-microgrid market

表1 分布式設(shè)備容量配置及節(jié)點位置Tab.1 Capacity configuration of distributed equipment and location of nodes

表2 儲能設(shè)備相關(guān)參數(shù)Tab.2 Related parameters of energy storage equipment

設(shè)置學(xué)習(xí)率為0.001，設(shè)置含兩層GCN網(wǎng)絡(luò)（22，72×192）、（22，76×96），其中22為節(jié)點數(shù)，76為批訓(xùn)練大小，22×96為LSTM網(wǎng)絡(luò)隱狀態(tài)維度，全連接層輸出維度設(shè)置為1，選擇adam作為優(yōu)化訓(xùn)練器。軟件采用Python編程語言，硬件采用CPU i7-10700，顯卡為RTX 2060，在Windows10環(huán)境實現(xiàn)模擬測試。

4.2 算例結(jié)果分析

通過GCN-LSTM算法對各個微電網(wǎng)新能源出力、負荷等信息進行預(yù)測，掌握市場供需情況，如圖5所示。選取10：00—11：00段進行競價分析，各微電網(wǎng)運營商在GCN-LSTM方法預(yù)測結(jié)果基礎(chǔ)上，更準確地掌握了市場動態(tài)，僅在5次競價后市場達到均衡，且各微電網(wǎng)運營商報價均高于市場的節(jié)點邊際電價，微電網(wǎng)運營商1報價最高為0.082 9$/（kW·h）；微電網(wǎng)運營商3報價次之為0.080$/（kW·h）；微電網(wǎng)運營商2報價最低，為0.078 5$/（kW·h），如圖6所示。以上價格為此時段的市場出清電價。

圖5 各微電網(wǎng)典型日24 h源荷預(yù)測情況Fig.5 Source and load prediction of each microgrid in 24 h on typical day

圖6 多微電網(wǎng)市場競價曲線Fig.6 Bidding curve in multi-microgrid market

基于階段一決策優(yōu)化結(jié)果，不平衡的微電網(wǎng)參與到多區(qū)域微電網(wǎng)市場主從博弈優(yōu)化運行中，如圖7所示，從各微電網(wǎng)整體趨勢上看，各個微電網(wǎng)的分布式電源出力與負荷情況各有不同，各微電網(wǎng)與外部電網(wǎng)進行電量交互情況也存在差異。圖7中與配電網(wǎng)市場交互電量正值為微電網(wǎng)向外賣電來獲取經(jīng)濟收益，交互負值為從外界電網(wǎng)購電來滿足自身負荷需求；儲能正值為給自身充電，負值為向外放電。從圖7中可以看出MG1大部分時間都在向外界輸送電量，例如，在0時段至7時間段內(nèi)，MG1多向外輸送電量，為MG2、MG3儲能設(shè)備充電，并滿足當?shù)刎摵尚枨?，其原因主要是MG1內(nèi)風(fēng)電和光伏裝機容量較大，風(fēng)電和光伏機組出力在較好滿足本區(qū)域微電網(wǎng)的負荷需求基礎(chǔ)上，將過剩的電量向外界輸送獲取經(jīng)濟收益；MG2、MG3則更多的需要從外界購電來滿足各自區(qū)域內(nèi)的負荷需求。在大部分的時間內(nèi)，各個微電網(wǎng)市場之間都是在互補支撐運行，體現(xiàn)本文所提方法在對多微電網(wǎng)市場協(xié)調(diào)博弈競爭方面的優(yōu)勢。

圖7 各微電網(wǎng)主從博弈實時調(diào)控優(yōu)化情況Fig.7 Real-time scheduling and optimization of masterslave game of each microgrid

在階段一確定了市場各主體最優(yōu)決策策略，各微電網(wǎng)通過本文所提主從博弈模型進行實時調(diào)控，其實時調(diào)控效果如圖8所示，除了在時段8本文所提實時調(diào)控出力與實際出力出現(xiàn)較大偏差，其余時段均實現(xiàn)了較高準確度實時調(diào)控，滿足了多微電網(wǎng)市場功率調(diào)控能夠跟隨微電網(wǎng)市場實際調(diào)控需求。

圖8 多微電網(wǎng)市場整體功率實時調(diào)控效果對比Fig.8 Comparison of real-time scheduling effect on overall power in multi-microgrid market

為了驗證本文所提方法帶來的收益增加，對兩種方案下的各微電網(wǎng)經(jīng)濟收益做出了對比，方案1為多微電網(wǎng)市場主從博弈機制；方案2為各微電網(wǎng)僅以合作模式參與市場，如表3所示。各微電網(wǎng)運行收益方面，方案1收益均高于方案2，方案1能更準確的把握市場運行狀態(tài)，更精確制定各微電網(wǎng)內(nèi)調(diào)控策略，降低各分布式設(shè)備調(diào)控成本。

表3 不同方案下的效益Tab.3 Benefits in different schemes

文中所提方法與其他預(yù)測算法的價格預(yù)測結(jié)果對比情況如表4所示，其中RMSE表示預(yù)測值與實際值均方根誤差、MAE表示預(yù)測值與實際平均絕對誤差、R2表示預(yù)測值與實際值的相似程度。由表4可以看出文中所提方法RMSE、MAE的計算值較其他兩種算法均有下降，R2有明顯提升，驗證了本文所提方法的有效性和準確性。

表4 文中所提預(yù)測算法與其他算法的價格預(yù)測結(jié)果Tab.4 Price prediction results of the proposed prediction algorithm and other algorithms

5 結(jié)語

本文提出了提出基于GCN-LSTM時空預(yù)測算法的多微電網(wǎng)市場主從博弈均衡運行優(yōu)化方法，該方法在一定程度上解決了傳統(tǒng)博弈論方法存在高維度、非線性的問題，也有助于各微電網(wǎng)制定最優(yōu)的報價決策策略。將多微電網(wǎng)市場中各主體間的相互作用構(gòu)建兩階段滾動優(yōu)化模型，通過兩階段模型相互迭代求解確定了多微電網(wǎng)市場最優(yōu)報價策略，實現(xiàn)多微電網(wǎng)市場博弈均衡運行優(yōu)化。最后通過算例分析表明，本文所提方法能有效的提高了新能源消納率，增加微電網(wǎng)市場各競價微電網(wǎng)經(jīng)濟效益。