基于主从博弈的虚拟电厂实时定价需求响应机制研究

doi:10.16381/j.cnki.issn1003-207x.2023.1944

摘要/Abstract

摘要：

虚拟电厂通过运营商聚合分布式能源、可调负荷和储能系统，可以有效调控负荷用电行为，提高需求侧管理效率。本文考虑虚拟电厂运营商与产消者、外部主网的双向电力交易，以储能充放电量的日前优化结果为输入，基于主从博弈模型研究虚拟电厂实时定价的需求响应机制。本研究以主网、虚拟电厂运营商、终端负荷的协同调度为目标，采用分布式遗传算法求解各博弈主体的均衡策略。结果表明，实时定价的需求响应机制能有效调控用户用电行为，助力虚拟电厂实现削峰填谷、平抑负荷波动的目标；均衡状态下，不同类型用户经济性存在显著差异：配备了燃气轮机发电的光伏产消者，参与需求响应的效益降低；单独配备燃气轮机发电的产消者，能通过参与需求响应减少效益损失；无发电能力的用户、光伏产消者及虚拟电厂运营商，均能通过参与需求响应实现效益提升。综合以上分析，文章从挖掘资源潜力、接入辅助服务市场、网厂互联等角度提出了未来加强虚拟电厂建设的建议。

关键词: 需求响应, 虚拟电厂, 主从博弈, 实时定价

Abstract:

Distributed energy plays an important role in mitigating climate change. Its large-scale application impacts the stability of the power system due to the intermittent property. Virtual power plants （VPPs）， which aggregate distributed energy resources， adjustable loads， and energy storage systems， can effectively regulate load consumption and promote renewable energy consumption. We studied the demand response （DR） mechanism of real-time pricing within the VPP based on the Stackelberg game model， considering two-way electricity transactions between the VPP operator and prosumers， as well as between the VPP operator and the external main grid （MG）. The study focuses on the collaborative scheduling of the MG， the VPP operator， and terminal loads. A distributed genetic algorithm is used to solve the equilibrium strategy for each stakeholder. The numerical simulation results show that：（1） The real-time pricing-based DR mechanism effectively incentivizes the VPP operator to trade with internal loads， smoothing load fluctuations and achieving significant peak-shaving and valley-filling effects. （2） From the users’perspective， both non-generating users and PV prosumers can benefit from participating in DR， while prosumers with only gas turbines have limited overall benefits. （3） The introduction of a real-time pricing DR mechanism effectively improves the benefits of VPPs and facilitates power resource scheduling. Based on these findings， the paper offers three suggestions for strengthening the future development of VPPs： First， VPPs should fully tap the controllable potential of loads， energy storage and other resources， guiding the loads to participate in peak shaving and valley filling through price signals； Second， to incentivize PV prosumers equipped with gas turbines to participate in DR， their opportunities to participate in the ancillary service market should be broadened， maximizing the income from peak balancing potential； Finally， an MG-VPP interconnection system based on artificial intelligence and big data should be developed. This system would integrate the MG’s real-time price and load forecasting information with the VPP’s functions of energy production， energy storage， and demand response.

Key words: demand response, virtual power plant, stackelberg game, real-time pricing

中图分类号:

TM73

解百臣, 章露, 郝鹏. 基于主从博弈的虚拟电厂实时定价需求响应机制研究[J]. 中国管理科学, 2024, 32(12): 312-322.

Baichen Xie, Lu Zhang, Peng Hao. Real-time Pricing Demand Response Mechanism of Virtual Power Plant Based on Stackelberg Game[J]. Chinese Journal of Management Science, 2024, 32(12): 312-322.

图/表 9

图1

图2

表1

图3

表 2

用户相关参数信息"

用户	效用参数		发电成本参数				用电上下限（千瓦时）
用户	$a$	$b$	$α$	$β$	$γ$	$λ$	$e ̲ t$	$e ¯ t$
用户1	0.005	1.5	-	-	-	-	50	200
用户2	0.0015	1.3	-	-	-	0.03	100	700
用户3	0.002	1	0.0005	0.0175	105	-	50	400
用户4	0.001	1.1	0.0005	0.0175	105	0.03	200	700

表 2

图4

图5

表3

表4

参考文献 33

1	Tan C X， Tan Z F， Wang G R， et al. Business model of virtual power plant considering uncertainty and different levels of market maturity［J］. Journal of Cleaner Production， 2022， 362： 131433.
2	Nolan S， O’Malley M. Challenges and barriers to demand response deployment and evaluation［J］. Applied Energy， 2015， 152： 1-10.
3	Nawaz A， Zhou M， Wu J， et al. A comprehensive review on energy management， demand response， and coordination schemes utilization in multi-microgrids network［J］. Applied Energy， 2022， 323： 119596.
4	Agrawal V V， Yücel Ş. Design of electricity demand-response programs［J］. Management Science， 2022， 68（10）： 7441-7456.
5	Luo Z， Hong S H， Ding Y M. A data mining-driven incentive-based demand response scheme for a virtual power plant［J］. Applied Energy， 2019， 239： 549-559.
6	代业明，高岩，高红伟，等. 基于需求响应的智能电网实时电价谈判模型［J］. 中国管理科学， 2017， 25（3）： 130-136.
	Dai Y M， Gao Y， Gao H W， et al. Real-time pricing contract bargaining based on demand response in smart grid［J］. Chinese Journal of Management Science， 2017， 25（3）： 130-136.
7	Adelman D， Uçkun C. Dynamic electricity pricing to smart homes［J］. Operations Research， 2019， 67（6）： 1520-1542.
8	Sun M， Ji J， Ampimah B C. How to implement real-time pricing in China？ A solution based on power credit mechanism［J］. Applied Energy， 2018， 231： 1007-1018.
9	吴志强，王菁祺，高岩. 实时电价的社会福利解析［J］. 中国管理科学，2024， 32（3）： 218-227.
	Wu Z Q， Wang J Q， Gao Y. Social welfare analysis of real-time pricing［J］. Chinese Journal of Management Science， 2024， 32（3）： 218-227.
10	朱红波，高岩，后勇，等. 马尔可夫过程下多类用户智能电网实时电价［J］. 系统工程理论与实践， 2018， 38（3）： 807-816.
	Zhu H B， Gao Y， Hou Y， et al. Real-time pricing considering different type of users based on Markov decision processes in smart grid［J］. Systems Engineering-Theory & Practice， 2018， 38（3）： 807-816.
11	Xu Z， Guo Y， Sun H B. Competitive pricing game of virtual power plants： Models， strategies， and equilibria［J］. IEEE Transactions on Smart Grid， 2022， 13（6）： 4583-4595.
12	Wang Y， Ai X， Tan Z F， et al. Interactive dispatch modes and bidding strategy of multiple virtual power plants based on demand response and game theory［J］. IEEE Transactions on Smart Grid， 2016， 7（1）： 510-519.
13	孙辉，范轩轩，胡姝博，等. 虚拟电厂参与日前电力市场的内外协调竞标策略［J］. 电网技术， 2022， 46（4）： 1248-1262.
	Sun H， Fan X X， Hu S B， et al. Internal and external coordination bidding strategy of virtual power plant participating in day-ahead power market［J］. Power System Technology， 2022， 46（4）： 1248-1262.
14	Di Somma M， Graditi G， Siano P. Optimal bidding strategy for a der aggregator in the day-ahead market in the presence of demand flexibility［J］. IEEE Transactions on Industrial Electronics， 2019， 66（2）： 1509-1519.
15	孔令丞，谢吉青，朱振宁，等. 虚拟电厂情景下电力市场交易平台定价策略研究［J］. 中国管理科学， 2022， DOI：10.16381/j.cnki.issn1003-207x.2022.1188 .
	Kong L C， Xie J Q， Zhu Z N， et al. Research on pricing strategy of electricity market trading platform under virtual power plant scenario［J］. Chinese Journal of Management Science， 2022， DOI：10.16381/j.cnki.issn1003-207x.2022.1188 .
16	王瑞东，吴杰康，蔡志宏，等. 含广义储能虚拟电厂电-气-热三阶段协同优化调度［J］. 电网技术， 2022， 46（5）： 1857-1868.
	Wang R D， Wu J K， Cai Z H， et al. Three-stage collaborative optimal scheduling of electricity-gas-heat in virtual power plant with generalized energy storage［J］. Power System Technology， 2022， 46（5）： 1857-1868.
17	Liu N， Cheng M Y， Yu X H， et al. Energy-sharing provider for PV prosumer clusters： A hybrid approach using stochastic programming and stackelberg game［J］. IEEE Transactions on Industrial Electronics， 2018， 65（8）： 6740-6750.
18	匡熠，王秀丽，王建学，等. 基于stackelberg博弈的虚拟电厂能源共享机制［J］. 电网技术， 2020， 44（12）： 4556-4564.
	Kuang Y， Wang X L， Wang J X， et al. Virtual power plant energy sharing mechanism based on Stackelberg game［J］. Power System Technology， 2020， 44（12）： 4556-4564.
19	Yu M M， Hong S H. A real-time demand-response algorithm for smart grids： A stackelberg game approach［J］. IEEE Transactions on Smart Grid， 2015，7（2）： 879-888.
20	代业明，孙锡连，李陆，等. 基于多层博弈的智能电网住宅电力实时需求响应机制［J］. 运筹与管理， 2021， 30（10）： 11-17.
	Dai Y M， Sun X L， Li L， et al. Residential electricity real-time demand response mechanism based on multi-level game in smart grid［J］. Operations Research and Management Science， 2021， 30（10）： 11-17.
21	Erol Ö， Filik Ü B. A Stackelberg game approach for energy sharing management of a microgrid providing flexibility to entities［J］. Applied Energy， 2022， 316： 118944.
22	殷辉，陆信辉，周开乐. 分布式与集中式储能并存的微电网负荷优化调度［J］. 中国管理科学， 2023， 31（2）： 118-128.
	Yin H， Lu X H， Zhou K L. Optimal load dispatch for microgrid with distributed and centralized energy storage systems［J］. Chinese Journal of Management Science， 2023， 31（2）： 118-128.
23	陈修鹏，李庚银，夏勇. 基于主从博弈的新型城镇配电系统产消者竞价策略［J］. 电力系统自动化， 2019， 43（14）： 97-104.
	Chen X P， Li G Y， Xia Y. Stackelberg game based bidding strategy for prosumers in new urban distribution system［J］. Automation of Electric Power Systems， 2019， 43（14）： 97-104.
24	王程，刘念，成敏杨，等. 基于Stackelberg博弈的光伏用户群优化定价模型［J］. 电力系统自动化， 2017， 41（12）： 146-153.
	Wang C， Liu N， Cheng M Y， et al. Stackelberg game based optimal pricing model for photovoltaic prosumer cluster［J］. Automation of Electric Power Systems， 2017， 41（12）： 146-153.
25	Nash J. Non-cooperative games［M］. Cambridge： Cambridge University Press， 1989.
26	Nash J. Equilibrium points in n-person games［J］. Proceedings of the National Academy of Sciences， 1950， 36（1）： 48-49.
27	王海洋，李珂，张承慧，等. 基于主从博弈的社区综合能源系统分布式协同优化运行策略［J］. 中国电机工程学报， 2020， 40（17）： 5435-5445.
	Wang H Y， Li K， Zhang C H， et al. Distributed coordinative optimal operation of community integrated energy system based on Stackelberg game［J］. Proceedings of the CSEE， 2020， 40（17）： 5435-5445.
28	He J， Li Y， Li H Q， et al. Application of game theory in integrated energy system systems： A review［J］. IEEE Access， 2020， 8： 93380-93397.
29	吴利兰，荆朝霞，吴青华，等. 基于Stackelberg博弈模型的综合能源系统均衡交互策略［J］. 电力系统自动化， 2018， 42（4）： 142-150+207.
	Wu L L， Jing Z X， Wu Q H， et al. Equilibrium strategies for integrated energy systems based on stackelberg game model［J］. Automation of Electric Power Systems， 2018， 42（4）： 142-150+207.
30	Goncalves C， Barreto R， Faria P， et al. Dataset of an energy community’s generation and consumption with appliance allocation［J］. Data in Brief， 2022， 45： 108590.
31	Faia R， Goncalves C， Gomes L， et al. Dataset of an energy community with prosumer consumption， photovoltaic generation， battery storage， and electric vehicles［J］. Data in Brief， 2023， 48： 109218.
32	Esan A B， Ehiaguina V， Awosope C， et al. Data-based investigation on the performance of an independent gas turbine for electricity generation using real power measurements and other closely related parameters［J］. Data in Brief， 2019， 26： 104444.
33	Zhou Y F， Scheller-Wolf A， Secomandi N， et al. Electricity trading and negative prices： Storage vs. disposal［J］. Management Science， 2016， 62（3）： 880-898.

价格（元/千瓦时）	谷时段	平时段	峰时段
时段	1-8	13-17，22-24	9-12，18-21
购电价	0.26	0.4976	0.736
售电价	0.325	0.622	0.92

用户	响应前总用电量（千瓦时）	响应后总用电量（千瓦时）
用户1	3107.78	3056.72
用户2	9414.77	8550.80
用户3	4613.23	4599.17
用户4	10513.19	10497.83

用户	原效益	现效益	效益增长
用户1	672.84	1947.01	1274.17
用户2	2459.08	5548.09	3089.01
用户3	-22437.05	-1823.33	20613.72
用户4	8514.63	-213.28	-8727.91

[1]	代业明,孙锡连,齐尧,段金鹏. 考虑双重不确定性和用户负效用的多目标双层售电商决策[J]. 中国管理科学, 2024, 32(7): 163-171.
[2]	赫雪婷, 镇璐. 需求响应式公交中考虑即时订单的线路重调度优化[J]. 中国管理科学, 2023, 31(3): 113-123.
[3]	殷辉, 陆信辉, 周开乐,. 分布式与集中式储能并存的微电网负荷优化调度[J]. 中国管理科学, 2023, 31(2): 118-128.
[4]	代业明, 齐尧, 高红伟, 李陆. 基于PMSC管理及奖惩机制的智能电网实时定价研究[J]. 中国管理科学, 2022, 30(7): 88-98.
[5]	陈军, 曹群辉, 但斌. 考虑代销商保鲜努力的农产品委托代销策略研究[J]. 中国管理科学, 2022, 30(1): 230-240.
[6]	朱红波, 刘长平, 冯雪, 刘松涛, 王宗尧. 具有电力存储设备的实时需求响应与能量调度[J]. 中国管理科学, 2021, 29(9): 102-110.
[7]	高岩. 智能电网实时电价社会福利最大化模型的研究[J]. 中国管理科学, 2020, 28(10): 201-209.
[8]	王绪金, 马骋. 多层供应链外包模式的选择及其协调[J]. 中国管理科学, 2019, 27(8): 151-161.
[9]	李军祥, 张文财, 高岩. 基于用户电器分类的智能电网实时定价研究[J]. 中国管理科学, 2019, 27(4): 210-216.
[10]	叶泽, 吴永飞, 张新华, 刘思强, 何姣. 需求响应下解决交叉补贴的阶梯电价方案研究——基于社会福利最大化视角[J]. 中国管理科学, 2019, 27(4): 149-159.
[11]	夏晖, 王思逸, 蔡强. 多目标条件下企业碳配额分配和政府公平——基于(p,α)比例公平的视角[J]. 中国管理科学, 2019, 27(4): 48-55.
[12]	许皓, 孙燕红, 卞亦文. 基于主从博弈的两部门并行系统的效率评价[J]. 中国管理科学, 2014, 22(5): 115-120.
[13]	张丽英, 谭忠富, 王绵斌, 乞建勋, 张蓉. 考虑不确定响应的分时电价分级优化模型[J]. 中国管理科学, 2009, 17(1): 50-57.