一种电力市场环境下的电源规划多智能体模型.pdf

第４４卷第２４期２０１６年１２月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ、，０１．４４Ｎｏ．２４Ｄｅｃ．１６，２０１６Ｄ０Ｉ：１０．７６６７／ＰＳＰＣ１５２０４５一种电力市场环境下的电源规划多智能体模型黄仙，郭睿（华北电力大学控制与计算机工程学院，北京１０２２０６）摘要：电源规划一直是电力系统中重要问题之一。在电力市场环境下，这一问题更加复杂、迫切。针对这一问题，基于多智能体技术，提出了电力市场环境下发电集团电源投资规划模型。首先，构建了一个电力市场发电侧的双层优化架构，以实现市场竞价问题与电源规划问题相结合。其次，设计了发电集团、发电市场以及发电厂等智能—体，并引入遗传算法、Ｑｌｅａｒｎｉｎｇ算法完善各智能体寻优能力。通过算例验证了所建立的模型是可行的、有效的，可为电站建设决策部门提供有价值的参考。关键词：可再生能源；电源规划；电力市场；多智能体；遗传算法Ａｍｕｌｔｉ・ａｇｅｎｔｍｏｄｅｌｏｆｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇｉｎｅｌｅｃｔｒｉｃｉｔｙｍａｒｋｅｔＨＵＡＮＧＸｉａｎ，ＧＵＯＲｕｉ（ＳｃｈｏｏｌｏｆＣｏｎｔｒｏｌａｎｄＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ，ＢｅＯｉｎｇ１０２２０６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇｉｓａｎｉｍｐｏｒｔａｎｔｐｒｏｂｌｅｍｉｎｅｌｅｃｔｒｉｃｓｙｓｔｅｍ，ｅｓｐｅｃｉａｌｌｙｃｏｍｐｌｅｘａｎｄｕｒｇｅｎｔｉｎｔｈｅｂａｃｋｇｒｏｕｎｄｏｆｅｌｅｃｔｒｉｃｍａｒｋｅｔ．Ｔｏｔｈｉｓｉｓｓｕｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｇｅｎｅｒａｔｉｏｎｉｎｖｅｓｔｍｅｎｔｐｌａｎｎｉｎｇｍｏｄｅｌｆｏｒｐｏｗｅｒｃｏｍｐａｎｉｅｓ，ｗｈｉｃｈｉｓｂａｓｅｄｏｎｍｕｆ—ｔｉ－ａｇｅｎｔｔｅｃｈｎｏｌｏｇｙ．Ｆｉｒｓｔｌｙ，ａｄｏｕｂｌｅｌａｙｅｒｏｐｔｉｍｉｚａｔｉｏｎｃｏｎｓｔｒｕｃｔｉｏｎｆｏｒｔｈｅｇｅｎｅｒａｔｉｏｎ－ｓｉｄｅｉｎｅｌｅｃｔｒｉｃｍａｒｋｅｔｉｓｄｅｖｅｌｏｐｅｄｉｎｏｒｄｅｒｔｏｃｏｍｂｉｎｅｔｈｅｐｒｉｃｅｃｏｍｐｅｔｉｔｉｏｎｗｉｔｈｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇ．Ｓｅｃｏｎｄｌｙ，ｍｕｌｔｉｐｌｅａｇｅｎｔｓｓｕｃｈａｓｇｅｎｅｒａｔｉｏｎｇｒｏｕｐｓ，ｇｅｎｅｒａｔｉｏｎｍａｒｋｅｔａｎｄｇｅｎｅｒａｔｉｏｎｐｌａｎｔｓａｒｅｄｅｓｉｇｎｅｄｗｉｔｈ—ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄＱｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍａｐｐｌｉｅｄｔｏｉｍｐｒｏｖｅｔｈｅｉｒｏｐｔｉｍｉｚａｔｉｏｎａｂｉｌｉｔｙ．Ｔｈｅｒｅｓｕｌｔｐｒｅｓｅｎｔｓｔｈａｔｔｈｅｍｏｄｅｌｉｓｆｅａｓｉｂｌｅａｎｄｅｆｆｅｃｔｉｖｅａｎｄｃｏｕｌｄｐｒｏｖｉｄｅｓｕｐｐｏｒｔｆｏｒｄｅｃｉｓｉｏｎｍａｋｉｎｇｔｏｐｌａｎｔｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｓｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．６１２７３１４４ａｎｄＮｏ．６１５３３０１３）．Ｋｅｙｗｏｒｄｓ：ｒｅｎｅｗａｂｌｅｅｎｅｒｇｙ；ｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇ；ｅｌｅｃｔｒｉｃｉｔｙｍａｒｋｅｔ；ｍｕｔｌｉ－ａｇｅｎｔｔｅｃｈｎｏｌｏｇｙ；ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ０引言在传统电力工业中，电源规划的主要目的是根据某一时期的负荷需求预测，在满足一定的可靠性水平条件下，寻求一个最经济适用的电源开发方案Ｌ１Ｊ。它主要确定何时何地建何种类型多大容量发电厂或发电机组。随着电力市场机制改革的深入，电力市场逐步放开，电力系统电源规划显得更加重要。电力市场机制的改革改变了原有以总成本最小为目标的集中电源规划的范例Ｌ２Ｊ。电源规划不再是政府部门的单一问题，也是电力公司需要研究的问题。国内外学者对电源规划进行多方面的研究。传统的电源规划主要是将整个电力系统或发电侧系统看作一个整体，以整个系统的成本最小化或者收基金项目：国家自然科学基金项目（６１２７３１４４，６１５３３０１３）最大化作为优化目标Ｌ３Ｊ，综合考虑其他因素，如供电可靠性，环境成本等。与传统体制电源规划相比，电力市场环境下的发电投资决策目标由原来的考虑整个系统成本最小变为投资者自身投资收益最大化［９－１０１。国内外研究者将博弈论［１１－１２］，多智能体技术［１３－１６］应用于电力市场环境下的发电投资规划问题，形成了一些新的电源规划模型。文献『１１１以非合作博弈论和实物期权理论为基础，构造了发电投资规划的延迟期权博弈模型。文献［１３］，ｌＪ用多智能体技术提出一个分散的电力公司投资规划模型，利用概率统计和方案树分析了竞争对手的不确定性。文献［１４．１５１将多智能体技术应用于经济一电力动态模拟系统的构建中，通过智能体之间的协作、交互模拟经济个体行为，研究政策对经济和电力需求的影响。文献【１６］考虑供需双方的动态交互影响，提出一个双边多智能体模型，运用博弈论、粒子群混合算法进行求解，并与传统单一博弈论方法进行比较。电力系统保护与控制以上文献对电源规划问题进行了较多方面的研究，但大多数对于电价的确定较为简单，缺乏自由市场竞争和市场机制的体现，且对可再生能源这种较新能源技术的未来成本变化因素考虑的不够全面。基于以上分析，本文将利用多智能体技术建立发电集团、发电厂和发电市场智能体（Ａｇｅｎｔ），将可再生能源发电技术引入备选电源技术中，考虑电力市场中市场竞争机制和成本变化等因素，建立以发电集团规划期内投资收益最大为目标的电源规化。划模型。最后，通过算例分析，验证所提出的模型和方法的可行性和有效性。１电源投资规划的多智能体模型１．１总体模型框架解决电源投资规划问题，本文考虑双层框架结构，如图１所示。一层是发电集团Ａｇｅｎｔ电源规划；另一层是发电市场Ａｇｅｎｔ仿真电力市场及调控。其中，发电集团Ａｇｅｎｔ有各自下属的发电厂Ａｇｅｎｔ。各类别Ａｇｅｎｔ有其各自规则库和知识库，其职能也各不相同。发电集团Ａｇｅｎｔ负责根据自身条件和外部环境因素制定利益最大化的电源投资规划，控制下属发电厂Ａｇｅｎｔ建立的时间，类别和数量。发电厂Ａｇｅｎｔ依据竞价策略参与电力市场竞争，获得收益并将返还给发电集团。发电市场Ａｇｅｎｔ有三个作用：（１）对发电集团Ａｇｅｎｔ的电源规划进行调控；（２）对各类型投资成本做出相应调整；（３）对电力市场进行仿真，利用市场机制协调发电厂Ａｇｅｎｔ的竞价上网行为。这个双层三类Ａｇｅｎｔ的模型，充分体现了市场竞争以及各Ａｇｅｎｔ之间的相互影响。ｍａｘＢ＝Ｃ—ｓ。ｌＣｇｅ一ｃ（１）（２）ｉ＝１ｊ＝ｌＮＮ∑∑Ｃｇ＝（（一ｐ）Ｅｏ＋＋）（３）ｉ＝１ｊ＝ｌＮＭ＝∑∑（４）ｉ＝１ｍ＝ｌ≤ｓ．ｔ．ＸｉｍｍａｘＭ∑ＩｉｍＳｉｍＯ（，￣Ｚｍｍ＝ｌ（５）（６）…ｉ１，，Ｎｙ…；ｍ１，，Ｍ（７）式中：为发电集团规划期内系统净收益；为发电集团下属发电厂的售电收益；为规划期内Ⅳ的运行成本；Ｇ为规划期内电源的投资成本；ｖ为规划年限；ｉ为规划年份（年）；为第ｉ年发电集团下属在运行发电厂数量；为第ｉ年，发电厂的上网电价（元／ＭＷｈ）；Ｅ为第ｉ年，发电厂的发电量（ＭＷｈ）；Ｆ为发电厂，在第ｉ年的燃料费用（元／ＭＷｈ）；为发电厂．，在第ｉ年的财务费用（元）；Ｄｉ，为发电厂，在第ｉ年的政府补贴（元／ＭＷｈ）；为发电厂，在第ｉ年的固定维护运行费用（元）；为ｍ类型发电厂ｉ年的投资费用（元）；为ｍ类型发电厂ｉ年的投建数量；ａ为投资的自有资金系数；，ｚｍａｘ为第ｉ年ｍ类型的发电厂最大投建数；为发电集团第ｉ年的投资额度上限。目标函数式（１）是关于发电集团Ａｇｅｎｔ的整个规划周期内期望收益最大的函数，它主要包含三个部分：售电收益函数式（２），即发电厂的上网电价和上网电量均是参与市场竞争后由市场给出的；运行成本函数式（３），包含了发电集团下属各发电厂在整个规划期内的维护费用，燃料费用，财务费用以及政府补贴；投资成本函数式（４），即发电集团在规划期内投资到各类型发电厂的自有资金费用。装机数目约束函数式（５）主要表示每个规划年各发电技术的装机容量的限制。投资约束函数式（６）主要表示发电集团规划期内新增发电厂的自有投资金额不应多于其相应规划年限内的自有资金。发电集团Ａｇｅｎｔ的寻优算法为遗传算法。１．３发电市场Ａｇｅｎｔ发电市场Ａｇｅｎｔ为发电厂Ａｇｅｎｔ提供了一个与电力市场相仿的交互环境。它统计电能的供需情∑∑＝黄仙，等一种电力市场环境下的电源规划多智能体模型．３．况，计算电价，并将电价反馈给发电厂Ａｇｅｎｔ，电价的形成机制采用ＭＣＰ（市场清除价）机制：发电市场Ａｇｅｎｔ在接收到各发电厂Ａｇｅｎｔ的竞价标书后，以购电费用最小为目标，依据发电厂Ａｇｅｎｔ报价从低到高依次分配电量，最后一个满足市场需求的发电厂Ａｇｅｎｔ的电价即为市场电价，流程如图２所示。整个竞价过程规划在年初进行，通过多轮竞价得出全年的市场电价以及各个发电厂的上网电量。（开始）各发电』一Ａｇｅｎｔ￣Ｕ定标书标书传递给发电市场Ａｇｅｎｔｋ＝－ｌＩ：＋１＜ＮｌＹ’￣＇ｔｔＩＭＰＣ（ｐｉ）图２电力市场运行流程图Ｆｉｇ．２Ｆｌｏｗｃｈａｒｔｏｆｅｌｅｃｔｒｉｃｉｔｙｍａｒｋｅｔｏｐｅｒａｔｉｏｎ图２中：Ｂｆ（为发电厂ｋ的ｆ年的投标发电量；Ｌｏａｄｉ为ｉ年的负荷电量需求；为整个系统中运行发电厂数目的总和。为保证电力系统供电可靠性，发电市场Ａｇｅｎｔ有权对发电集团Ａｇｅｎｔ的电源投资规划进行调控。本文采用备用容量作为发电市场Ａｇｅｎｔ调控的指标Ｌ１７１，公式为ＮＡｔＭ∑∑∑（Ｘ￣ｍＰ・）一Ｒ＝—（一１）×１００％（８）式中：尺为备用容量系数；Ｐ为各发电技术的装机容量（ＭＷ）；为ｍ类型发电厂的稳定提供电量系数；Ｒｔ为ｆ年内累计退休发电厂的容量（Ｍｗ）；为ｆ年最大负荷相对初始年增加量（Ｍｗ）。发电技术中，火电、水电、核电的电力供应较为稳定，且电能质量较高，而风电和光伏发电的电力供应波动较大，电能质量较差。为了保证系统处于最大负荷阶段时，电力供应的可靠性，因此在计算累计装机容量时，火电和核电的为１，水电的为０．３，风电和光伏发电的为０。当系统中的备用容量系数低于一定值时，发电市场Ａｇｅｎｔ进行调控，随机选择一个发电集团，减少其在可再生电源的投资建设，增加其在火电方面的投资建设。本文规定备用容量系数不得低于１０％。发电市场Ａｇｅｎｔ还有一个功能是根据市场环境调整发电技术的投资成本，收集市场的成本变化情况，为发电集团决策提供支持。发电市场Ａｇｅｎｔ由内生技术学习曲线模型得出各发电技术的投资成本。知识和技术应用会随着时间慢慢地累计致使投资成本的减少，这就是技术学习ｌ１引。这一技术扩散的进程称为边做边学（Ｌｅａｒｎｉｎｇ－Ｂｙ．Ｄｏｉｎｇ，ＬＢＤ），其策略为ｌｐｍＬＢ／ｍ＝１７（１＋ｒ）・１／（）（９）｜ｒｆ式中：为ｍ类型发电厂的初始投资成本（元／Ｍｗ）；为ｍ类型发电厂ｆ年的累计装机容量㈣；为ｍ类型发电厂的初始装进容量；ＬＢＤ为ｍ类型发电厂的学习系数，为ｍ类型发电厂的投资成本随时问变动系数。不同的发电技术的学习系数不相同，其中火力发电，水力发电，核能发电技术由于其发展较早且技术较为成熟，故学习系数ＬＢＤ为０．０４；风力发电，光伏发电技术由于其为新兴发电技术，故学习系数ＬＢＤ为０．２１。１．４发电厂Ａｇｅｎｔ发电厂Ａｇｅｎｔ的功能是参与电力市场竞争，在电力市场中获取自身最大收益。在整个电力市场中，全部类型的发电厂，只要处于运行阶段，都可以竞价上网。各发电厂Ａｇｅｎｔ可以依据自身发电成本通过学习算法自主地调整每个周期内的竞价策略以获取最大收益。结合电力市场信息不完全、不确定的特性，各发电厂Ａｇｅｎｔ用Ｑ．１ｅａｒｎｉｎｇ算法来优化竞价策略。Ｑ．１ｅａｍｉｎｇ算法思想是不去顾及环境模型，直“接优化可迭代计算的Ｑ函数，通过评价状态一行”为对Ｑ（ｓ，ａ）进行优化［】，其学习步骤如下：１）观察当前的状态Ｓ２）选择并且执行一个动作ａｏ；３）观察下一个状态Ｓ；４）收到一个立即收益；５）更新ｐ值。Ｑ（，ａ）＝（１一）Ｏｑ，＋ａ（ｒｑ＋ｒｍａｘ（Ｑ￣（Ｓｑｔ＋ｌ，『）））（１０）Ｑ＝一（１１）式中：ａ为学习率（０＜＜１）；ｙ为未来收益的折扣系电力系统保护与控制数（０＜），＜１）；，为立即收益，Ｑ为发电厂的售电收益减去发电的运行成本。发电厂Ａｇｅｎｔ仅仅依据Ｑ值大小选取策略，很容易陷入局部最优，一般采用￡．ｇｒｅｅｄｙ策略进行优化，即发电厂Ａｇｅｎｔ以较大概率选择Ｑ值最大的策略作为自己的最优策略，同时以一个较小概率ｓ，随机选择除Ｑ值最大的策略以外的策略。发电厂Ａｇｅｎｔ知识库中共有以下６种策略。策略ｌ：（七）＝（１＋０．０５）Ｂｐ（Ｉｊ｝）—策略２：印（）＝（１０．０５）Ｂｐ（策略３：Ｂｐ（）＝Ｂｐ（）策略４：ｇ（后）＝（１＋０．０５）Ｂｑ（尼）—策略５：Ｂｇ（）＝（１０．０５）Ｂｑ（）策略６：Ｂ印（尼）＝Ｂｑ（后）结合发电市场Ａｇｅｎｔ采用的ＭＣＰ竞价机制的特性，对发电厂Ａｇｅｎｔ的竞价策略做适当简化处理。处于电价边缘或没有发电上网的发电厂Ａｇｅｎｔ只对电价做出改变，即仅采用策略ｌ一３，且竞价最低只能为成本价格；已经发电上网的发电厂Ａｇｅｎｔ只对—发电量做出改变，即仅采用策略４６，且发电量最多只能为整个发电厂的发电量。２模型算法２．１总体算法本文所采用的双层框架体系如图１所示，求解算法的流程如图３所示，具体步骤如下所述。（１）定义问题相关的数据和参数。主要是指备选电源技术的类别、单位投资成本、运行及维护成本、政府补贴、装机容量以及现有发电技术的固定成本、运行成本。同时还需明确社会需求电量和峰值负荷。（２）初始化Ａｇｅｎｔ计数器Ａｃｏｕｎｔ＝Ｏ，同时初始化各项参数。所有的发电集团Ａｇｅｎｔ依次进行电源规划寻优，利用当前环境中的信息，即其他发电集团Ａｇｅｎｔ的电源规划情况，解决各自的目标函数问题。（３）各发电集团Ａｇｅｎｔ制定好各自的电源投资规划，将其传递给发电市场Ａｇｅｎｔ，更新原有规划方案。发电市场Ａｇｅｎｔ接受全部的电源规划方案后，进行调控及市场环境仿真，具体发电市场Ａｇｅｎｔ及发电厂Ａｇｅｎｔ的行为已在第１节中进行详细介绍。发电市场Ａｇｅｎｔ将调控后的电源规划返回给发电集团Ａｇｅｎｔ并储存。发电集团Ａｇｅｎｔ得到规划期内下属发电厂Ａｇｅｎｔ的收益，从而计算出自身投资收益。（４）判断是否到满足终止条件，这里采用满足迭代次数终止法。若满足，输出各发电集团Ａｇｅｎｔ的电源投资规划。若不满足，发电市场Ａｇｅｎｔ更新当前电源规划信息至自身的知识库中，同时返回第（２）步。２．２发电集团Ａｇｅｎｔ遗传算法寻优上述的总体算法中，每次迭代所有发电集团Ａｇｅｎｔ都要进行电源规划寻优，而这个优化问题有两个重要的特征决定了其适用的解决算法。一方面，发电集团Ａｇｅｎｔ的备选电源有数量限制，同时每个发电技术都提供典型的标准化参数，故发电集团Ａｇｅｎｔ的优化结果是一些离散的组合整数。另一方面，在问题解决过程中，某些参数值是不确定的，如市场电价，投资成本。因此，本文采用遗传算法来解决发电集团Ａｇｅｎｔ电源方案寻优问题，同时发电集团Ａｇｅｎｔ在寻优过程中会和发电市场Ａｇｅｎｔ以及发电厂Ａｇｅｎｔ进行交互，以完成去寻优过程。开始初始化各项参数初始相关参数Ａｃｏｕｎ０／＼—、、、耋璧兰三／／Ｎｌ发电市场Ａｇｅｎｔ仿真结束图３总体算法流程图Ｆｉｇ．３Ｆｌｏｗｃｈａｒｔｏｆｇｅｎｅｒａｌａｌｇｏｒｉｔｈｍ遗传算法优化流程如图４所示。（１）遗传算法种群初始化。随机生成电源投资规划方案，即不同类型的发电厂每年的投建数目。同时对生成的电源投资规划方案进行约束式（５１（６）判断，若判断未通过，则对方案进行校正，确保每个算子都是可行解。（２）发电集团Ａｇｅｎｔ依据算子方案依次与发电市场Ａｇｅｎｔ进行交互，发电市场Ａｇｅｎｔ依据新得到的该发电集团Ａｇｅｎｔ的规划方案和知识库中的其他发电集团Ａｇｅｎｔ的规划方案，进行调控和市场仿真。发电集团Ａｇｅｎｔ得到发电厂Ａｇｅｎｔ的返回值，从而计算该算子规划期内的投资收益。由各算子规划期内的投资收益得到遗传算法适应度，公式为黄仙，等一种电力市场环境下的电源规划多智能体模型一５一开始发电集［］ＡｇｅｎｔＩ＇￣部遗传算法寻优兰ＪｒＮ遗传算法基因选择、交叉、变异得ＭＰＣ（ｐｉ１结束图４发电集团Ａｇｅｎｔ内部寻优流程图Ｆｉｇ．４ＦｌｏｗｃｈａｒｔｏｆｏｐｔｉｍｉｚｉｎｇｐｒｏｃｅｓｓｉｎｇｅｎｅｒａｔｉｏｎｇｒｏｕｐＡｇｅｎｔＧＡｆｉｔｎｅｓｓ（ｎ）＝Ｂ（，２）一ｍｉｎ（Ｂ（ｎ））（１２）式中：ＧＡｆｉｔｎｅｓｓ（ｎ）为ｎ号算子的适应度；Ｂ（ｎ）为ｎ号算子得到的总收益；ｍｉｎ（Ｂ（ｎ））为当前遗传代数内所有遗传算子得到的总收益最小值。通过式（１２１得到的适应度，避免了适应度为负的情况，也直接剔除了每代中总收益最小的算子。（３）判断是否达到终止条件。判断依据为遗传代数，若满足终止条件，则输出最优电源投资规划方案即为发电集团Ａｇｅｎｔ最优方案，并将该发电集团Ａｇｅｎｔ最优电源规划方案传递给发电市场Ａｇｅｎｔ。若不满足终止条件，则继续执行下一步。（４）遗传算法执行选择、交叉、变异。采用轮盘赌方法选择算子，并执行精英保留原则。对交叉算子做出一定改进，采用线性交叉法代替简单交叉法。然后在执行变异运算，得到一组新的算子，返回第（２）步再次进行运算。３算例分析３．１基础数据基于本文提出的电源规划多智能体模型，对某地区的两个发电集团的电源规划进行寻优，其中电源规划期为１５年。发电厂参数如表１所示。两个发电集团Ａｇｅｎｔ的现有发电厂状况如表２所示，其中该地区当前无核电站。在规划期内，发电集团Ａ具有火电、水电、核电和光伏发电的投建权限，而发电集团Ｂ具有火电、水电、核电和风电的投建权限。本文假设在未来的一段时间政府支持可再生电源的建设，故对可再生电源实行一定补贴。规划期内的初始年年用电量为１３５亿ｋＷ・ｈ，最大区域尖峰负荷为３０００ＭＷ，且都从第一年开始每年以５％的增长率增长。本文以５年为一个投资周期划分发电集团投资额，发电集团Ａ１～５年的投资额为４１．２亿，６～１０年的投资额为１０８亿，１１～１５年的投资额为１８０亿；发电集团Ｂｌ～５年的投资额为２７．７亿，６～１０年的投资额为７２亿，１１～１５年的投资额为１２０亿。假设发电集团不考虑可建发电厂的总上限，只考虑每年建设上限，则发电集团的各类型发电技术的每年建厂上限为火电厂ｌ～５年２座／年，６～１０年５座／年，１１～１５年１０座／年；水电站１～５年２座／年，６～ｌ０年５座／年，１ｌ～１５年８座／年；核电站１～５年１座／年，６～１０年１座／年，１ｌ～１５年２座／年；风电场１－５年３座／年，６－１０年６座／年，１１－１５年１２座／年；光伏发电站ｌ～５年３座／年，６～ｌ０年６座／年，１１－１５年ｌ２座／年。表１现存电厂及候选电厂初始参数Ｔａｂｌｅ１Ｐａｒａｍｅｔｅｒｓｏｆｅｘｉｓｔｉｎｇｐｌａｎｔｓａｎｄｃａｎｄｉｄａｔｅｐｌａｎｔｓ电力系统保护与控制３．２结果分析基于上述数据，本文运行电源规划模型进行寻优，得到发电集团Ａ、Ｂ的电源规划情况。两个发电集团的电源投资规划交互过程如图５所示。发电集团Ａ、Ｂ在此模型中可以很快地达到一个相对平衡点。发电集团Ａ、Ｂ的电源规划分别如图６、图７所示。１ＯＯｃ０一００－２００—３０００１０２０３０４０５０６０７０８０９０１００仿真次数图５电源规划市场仿真结果Ｆｉｇ．５ＲｅｓｕｌｔｏｆＧＥＰｓｉｍｕｌａｔｉｏｎ１２３４５６７８９１０ｌｌ１２１３１４ｌ５规划年份／年图６发电集团Ａ的电源规划方案Ｆｉｇ．６ＧｅｎｅｒａｔｉｏｎｐｌａｎｎｉｎｇｏｆｇｅｎｅｒａｔｉｏｎｇｒｏｕｐＡ‘藿弱国圉ｌ上述结果的产生原因：（１）由于发电市场Ａｇｅｎｔ对发电集团的规划有一定干预，整个市场时刻处于一种供大于需的激烈竞争状态。在竞价过程中，各电厂为获得最大收益压低自身的报价，如图８所示。最终，整个市场的前期市场电价为火电的成本价，后期市场电价由于风电厂和光伏电站的大量投建，获得较大的市场份额而被拉低，如图９所示。（２）在此模型中各发电集团具有预见性，其可以预见到各类发电技术成本随时间和装机容量的变化而变化情况，如图１０所示。考虑到风电和光伏发电在规划期内的政府补贴，其成本的变化情况，如图１１所示。从图１１中可以看出，光伏发电技术在政府补贴的情况下，其发电成本远远低于其他发电技术的发电成本，甚至出现了负数，即政府补贴的额度大于自身的发电成本，此时光伏发电技术相较其他发电技术在竞价上网方面有很大的竞争力。因此，发电集团Ａ在投资额度和装机容量允许的情况下，对光伏发电站进行了大规模投建。发电集团Ｂ拥有风电的投建权限，在保证电力系统安全稳定运行的基础电厂投建后，选择了竞争力较大的风电进行投建，风电的补贴力度比光伏小，且未来的成本下降速度比光伏发电要慢，故发电集团Ｂ对于风电场的投建有一定控制，并非全额投建。发电集团Ａ、Ｂ在满足供电可靠性要求后，都选择了可再生能源发电技术作为自己投建的第一选择，表明了在政府补贴的情况下，可再生能源发电技术在未来电源规划中具有一定竞争力。主要】竞价轮数图８ＭＣＰ的演化Ｆｉｇ．８ＥｖｏｌｕｔｉｏｎｏｆＭＣＰ０ｌ２３４５６７８９１０ｌｌ１２１３１４１５规划年份／年图９市场电价的变化情况Ｆｉｇ．９Ｅｖｏｌｕｔｉｏｎｏｆｅｌｅｃｔｒｉｃｐｒｉｃｅｉｎｍａｒｋｅｔ枷瑚啪㈣伽枷ｏ黄仙，等一种电力市场环境下的电源规划多智能体模型．７一重耋菩．．．．。．．．－＋一＼ｌ＋火ｌ＼．．１一自｛＼ｌ十ｌ、、Ｉ＝！：堂量、＼．１２３４５６７８９１０ｌｌｌ２ｌ３ｌ４１５规划年份／年图１１考虑政府补贴发电成本变化情况Ｆｉｇ．１１Ｅｖｏｌｍｉｏｎｏｆｇｅｎｅｒａｔｉｏｎｃｏｓｔｃｏｎｓｉｄｅｒｉｎｇｓｕｂｓｉｄｙｌ２３４５６７８９１０１ｌｌ２ｌ３ｌ４１５规划年份／年图１２发电集团Ａ的电源规划方案Ｆｉｇ．１２ＧｅｎｅｒａｔｉｏｎｐｌａｎｎｉｎｇｏｆｇｅｎｅｒａｔｉｏｎｇｒｏｕｐＡ－匿国垦垦垦ｉ１２３４５６７８９１０ｌ１１２ｌ３ｌ４１５规划年份／年图１３发电集团Ｂ的电源规划方案Ｆｉｇ．１３ＧｅｎｅｒａｔｉｏｎｐｌａｎｎｉｎｇｏｆｇｅｎｅｒａｔｉｏｎｇｒｏｕｐＢ３．３情景对比假设整个电源规划年限内，可再生能源不再享受政府补贴，两集团规划结果如图１２、图１３所示。由图１２、图１３可以看出，在没有政府补贴的情况下，可再生能源发电技术的竞争力较差，发电集团对其投建不积极，从而使得可再生能源发电技术的成本下降缓慢，陷入恶性循环。规划年份后期，投资额度加大，核电的成本较低，且其供电稳定，故两个公司同时投建了核电站。４结论本文提出了一种新的电力市场环境下电源规划的多智能体模型。该模型中包含市场智能体、发电集团智能体、电厂智能体３类智能体。该模型的建立考虑了电力市场中电价的变动和发电技术的成本变化，支持发电集团在制定自身的电源规划时充分考虑了其他发电集团的电源规划，并具有一定的远见性。通过地区数据模拟，发电集团智能体能寻找到系统的平衡点。含有两个公司的算例的结果分析验证本文所提模型及方法的有效性和可行性，并通过情景对比分析，表明了政府补贴在电力市场竞争中对于可再生能源发电技术的作用。本文所提模型对负荷做了简化处理，未能充分体现负荷在日常生活中的波动性，还有待于将其与可再生能源发电的不稳定性结合起来进行进一步研究。参考文献Ｅｌｉ王锡凡．电力系统优化规划［Ｍ】．北京：水利电力出版社．１９９０．［２］ＫＡＧＩＡＮＮＡＳＡＧＰｏｗｅｒｇｅｎｅｒａｔｉｏｎｐｌａｎｎｉｎｇ：ａｓｕｒｖｅｙｆｒｏｍｍｏｎｏｐｏ￣ｔｏｃｏｍｐｅｔｉｔｉｏｎ［Ｊ］．ＩｎｔｅｍａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｉｃａｌＰｏｗｅｒ＆ＥｎｅｒｇｙＳｙｓｔｅｍｓ，２００４，２６（６）：４１３＿４２１．［３］丁明，石雪梅．基于遗传算法的电力市场环境下电源规划的研究［Ｊ］．中国电机工程学报，２００６，２６（２１）：４３．４９．ＤＩＮＧＭｉｎｇ，ＳＨＩＸｕｅｍｅｉ．Ｓｔｕｄｙｏｆｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓｉｎｔｈｅｅｎｖｉｒｏｎｍｅｎｔｏｆｅｌｅｃｔｒｉｃｉｔｙｍａｒｋｅｔ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００６，２６（２１）：４３－４９．［４］季震，陈启鑫，张宁，等．含碳捕集电厂的低碳电源规划模型［Ｊ】．电网技术，２０１３，３７（１０）：２６８９．２６９６．—ＪＩＺｈｅｎ，ＣＨＥＮＱｉｘｉｎ，ＺＨＡＮＧＮｉｎｇ，ｅｔａ１．Ｌｏｗｃａｒｂｏｎｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇｍｏｄｅｌｉｎｃｏｒｐｏｒａｔｉｎｇｃａｒｂｏｎｃａｐｔｕｒｅｐｏｗｅｒｐｌａｎｔ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１３，３７（１０）：２６８９－２６９６．Ｅ５］郭贤，郭贺，程浩忠，等．考虑用户停电损失的微网网架规划［Ｊ】．电工技术学报，２０１４，２９（８）：３０１．３０８．ＧＵＯＸｉａｎ，ＧＵＯＨｅ，ＣＨＥＮＧＨａｏｚｈｏｎｇ，ｅｔａ１．Ｏｐｔｉｍａｌ啪瑚姗枷姗瑚姗枷枷ｏ㈣瑚㈣㈣啪瑚㈣枷姗瑚㈣ｏ．８．电力系统保护与控制ａｒｃｈｉｔｅｃｔｕｒｅｐｌａｎｎｉｎｇｏｆｍｉｃｒｏｇｒｉｄｃｏｎｓｉｄｅｒｉｎｇｕｓｅｒｏｕｔａｇｅｃｏｓｔｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１４，２９（８）：３０１・３０８．［６］张晓辉，闰鹏达，钟嘉庆，等．可再生能源激励制度下的低碳经济电源规划［Ｊ１．电网技术，２０１５，３９（３）：６５５．６６２．ＺＨＡＮＧＸｉａｏｈｕｉ，ＹＡＮＰｅｎｇｄａ，ＺＨＯＮＧＪｉａｑｉｎｇ，ｅｔａ１．Ｒｅｓｅａｒｃｈｏｎｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇｉｎｌｏｗ－ｃａｒｂｏｎｅｃｏｎｏｍｙｅｎｖｉｒｏｎｍｅｎｔｕｎｄｅｒｉｎｃｅｎｔｉｖｅｍｅｃｈａｎｉｓｍｏｆｒｅｎｅｗａｂｌｅｅｎｅｒｇｙｓｏｕｒｃｅｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１５，３９（３）：６５５－６６２．［７］陈海东．基于细菌菌落优化算法分布式电源优化配置［Ｊ］．电力系统保护与控制，２０１５，４３（２１）：１０６．１１１．ＣＨＥＮＨａｉｄｏｎｇ．Ｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｏｆｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｗｉｔｈｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎｂａｓｅｄｏｎｂａｃｔｅｒｉａｌｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１５，４３（２１）：１０６１１１．［８］段建民，王志新，王承民，等．考虑碳减排效益的可再生电源规划［Ｊ］．电网技术，２０１５，３９（１）：１１－１５．ＤＵＡＮＪｉａｎｍｉｎ，ＷＡＮＧＺｈｉｘｉｎ，ＷＡＮＧＣｈｅｎｇｍｉｎ，ｅｔａ１．Ｒｅｎｅｗａｂｌｅｐｏｗｅｒｐｌａｎｎｉｎｇｃｏｎｓｉｄｅｒｉｎｇｃａｒｂｏｎｅｍｉｓｓｉｏｎｒｅｄｕｃｔｉｏｎｂｅｎｅｆｉｔｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１５，３９（１）：１１－１５．［９］贾德香，程浩忠．电力市场下的电源规划研究综述ｆＪ］．电力系统及其自动化学报，２００７，１９（５）：５８．６５．ＪＩＡＤｅｘｉａｎｇ，ＣＨＥＮＧＨａｏｚｈｏｎｇ．Ｒｅｖｉｅｗｏｆｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇｉｎｍａｒｋｅｔｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＵ－ＥＰＳＡ，２００７，ｌ９（５）：５８－６５．［１Ｏ］施泉生，郭良合，张孝君．综合考虑多主体经济效益的分布式电源优化配置研究［Ｊ】．电力系统保护与控制，２０１６，４４（１）：８５－９１．ＳＨＩＱｕａｎｓｈｅｎｇ，ＧＵＯＬｉａｎｇｈｅ，ＺＨＡＮＧＸｉａｏｊｕｎ．Ｒｅｓｅａｒｃｈｏｎｏｐｔｉｍａｌｃｏｎｆｉｇｕｒａｔｉｏｎｏｆｄｉｓｔｒｉｂｕｔｅｄｇｅｎｅｒａｔｉｏｎｃｏｎｓｉｄｅｒｉｎｇｅｃｏｎｏｍｉｃｂｅｎｅｆｉｔｓｏｆｔｈｅｍｕｌｔｉ－ａｇｅｎｔ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１６，４４（１）：８５．９１．［１１］贾德香，程浩忠，韩净．发电投资的期权博弈决策方—法【ＪＪ．电力系统自动化，２００７，３１（８）：１７２１．ＪＩＡＤｅｘｉａｎｇ，ＣＨＥＮＧＨａｏｚｈｏｎｇ，ＨＡＮＪｉｎｇ．Ａｎａｐｐｒｏａｃｈ—ｔｏｇｅｎｅｒａｔｉｏｎｉｎｖｅｓｔｍｅｎｔｄｅｃｉｓｉｏｎｍａｋｉｎｇｂａｓｅｄｏｎｒｅａｌｏｐｔｉｏｎｇａｍｅｉｎｐｏｗｅｒｍａｒｋｅｔｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］。Ａｕｔｏｍａｔｉｏｎ—ｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２００７，３１（８）：１７２１．［１２］卢强，陈来军，梅生伟．博弈论在电力系统中典型应用及若干展望［Ｊ】．中国电机工程学报，２０１４，３４（２９）：５００９．５０１７．ＬＵＱｉａｎｇ，ＣＨＥＮＬａｉｊｕｎ，ＭＥＩＳｈｅｎｇｗｅｉ．Ｔｙｐｉｃａｌａｐｐｌｉｃａｔｉｏｎｓａｎｄｐｒｏｓｐｅｃｔｓｏｆｇａｍｅｔｈｅｏｒｙｉｎｐｏｗｅｒｓｙｓｔｅｍ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１４，３４（２９）：５００９．５０１７．［１３］ＢＯＴＴＥＲＵＤＡ，ＭＡＨＡＬＩＫＭＶＥＳＥＬＫＡＴＤ，ｅｔａ１．—Ｍｕｌｔｉａｇｅｎｔｓｉｍｕｌａｔｉｏｎｏｆｇｅｎｅｒａｔｉｏｎｅｘｐａｎｓｉｏｎｉｎｅｌｅｃｔｒｉｃｉｔｙｍａｒｋｅｔｓ［Ｃ】／／ＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＳｏｃｉｅｔｙＧｅｎｅｒａｌＭｅｅｔｉｎｇ，ＩＥＥＥ，２００７：１－８．［１４］田建伟，胡兆光，吴俊勇，等．基于多智能体建模的经济．电力动态模拟系统［Ｊ］．中国电机工程学报，２０１０，—３Ｏ（７）：８５９１．ＴＩＡＮＪｉａｎｗｅｉ，ＨＵＺｈａｏｇｕａｎｇ，ＷＵＪｕｎｙｏｎｇ，ｅｔａ１．Ｄｙｎａｍｉｃｅｃｏｎｏｍｙａｎｄｐｏｗｅｒｓｉｍｕｌａｔｉｏｎｓｙｓｔｅｍｂａｓｅｄ—ｏｎｍｕｌｔｉａｇｅｎｔｍｏｄｅｌｌｉｎｇ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１０，３０（７）：８５－９１．［１５］段炜，胡兆光，吴思竹，等．基于智能体响应均衡模型的经济政策．电力需求动态模拟［Ｊ］．中国电机工程学报，—２０１４，３４（７）：１２０６１２１２．ＤＵＡＮＷｅｉ，ＨＵＺｈａｏｇｕａｎｇ，ＷＵＳｉｚｈｕ，ｅｔａ１．Ｄｙｎａｍｉｃｓｉｍｕｌａｔｉｏｎｏｆｅｃｏｎｏｍｉｃｐｏｌｉｃｙａｎｄｅｌｅｃｔｒｉｃｉｔｙｄｅｍａｎｄｂｙａｇｅｎｔｓｒｅｓｐｏｎｓｅｅｑｕｉｌｉｂｒｉｕｍｍｏｄｅｌ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１４，３４（７）：１２０６－１２１２．１ｌ６３ＮＥＳＨＡＴＮ．ＡＭＩＮ－ＮＡＳＥＲＩＭＲ．Ｃｌｅａｎｅｒｐｏｗｅｒ—ｇｅｎｅｒａｔｉｏｎｔｈｒｏｕｇｈｍａｒｋｅｔｄｒｉｖｅｎｇｅｎｅｒ￣ｉｏｎｅｘｐａｎｓｉｏｎｐｌａｎｎｉｎｇ：ａｎａｇｅｎｔ－ｂａｓｅｄｈｙｂｒｉｄｆｒａｍｅｗｏｒｋｏｆｇａｍｅｔｈｅｏｒｙａｎｄｐａｒｔｉｃｌｅｓｗａｌＴｎｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｌｅａｎｅｒＰｒｏｄｕｃｔｉｏｎ，２０１４，１０５：２０６－２１７．［１７］曹智平，周力行，张艳萍，等．基于供电可靠性的微电网规划『Ｊ］．电力系统保护与控制，２０１５，４３（１４）：１０．１５．ＣＡＯＺｈｉｐｉｎｇ，ＺＨＯＵＬｉｘｉｎｇ，ＺＨＡＮＧＹａｎｐｉｎｇ，ｅｔａ１．—Ｍｉｃｒｏｇｒｉｄｐｌａｎｎｉｎｇｂａｓｅｄｏｎｓｕｐｐｌｙｒｅｌｉａｂｉｌｉｔｙ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１５，４３（１４）：１０－１５．［１８］徐丽萍，林俐．基于学习曲线的中国风力发电成本发展趋势分析【Ｊ］．电力科学与工程，２００８，２４（３）：１－４．ＸＵＬｉｐｉｎｇ，ＬＩＬｉ．Ｓｔｕｄｙｏｎｔｈｅｃｏｓｔｔｒｅｎｄｓｏｆｗｉｎｄｐｏｗｅｒｉｎｃｈｉｎａｂａｓｅｄｏｎｔｈｅｌｅａｒｎｉｎｇｃｕｒｖｅ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２００８，２４（３）：１－４．［１９］牛衍亮，黄如宝，常惠斌．基于学习曲线的能源技术成本变化［Ｊ］．管理工程学报，２０１３，２７（３）：７４－８０．ＮＩＵＹａｎｌｉａｎｇ，ＨＵＡＮＧＲｕｂａｏ，ＣＨＡＮＧＨｕｉｂｉｎ．Ｔｈｅｃｈａｎｇｅｏｆｅｎｅｒｇｙｔｅｃｈｎｏｌｏｇｙｃｏｓｔｂａｓｅｄｏｎｌｅａｒｎｉｎｇｃｕｒｖｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＩｎｄｕｓｔｒｉａｌＭａｎａｇｅｍｅｎｔ，２０１３，２７（３）：７４－８０．—［２Ｏ］王帅．发电商基于ＱＬｅａｒｎｉｎｇ算法的目前市场竞价策略［Ｊ］．能源技术经济，２０１０，２２（３）：３４．３９．’ＷＡＮＧＳｈｕａｉ．Ｇｅｎｅｒａｔｏｒｓｂｉｄｄｉｎｇｓｔｒａｔｅｇｉｅｓｉｎｔｈｅｄａｙ．ａｈｅａｄｍａｒｋｅｔｂａｓｅｄｏｎＱ．Ｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ［Ｊ］．—ＥｎｅｒｇｙＴｅｃｈｎｏｌｏｇｙａｎｄＥｃｏｎｏｍｉｃｓ，２０１０，２２（３）：３４３９．收稿日期：２０１５－１１－２４；—修回日期：２０１６－０１２５作者简介：黄仙（１９６６－），男，教授，硕士生导师，主要研究方向为复杂系统建模与决策，系统综合评价与决策支持等；郭睿（１９９２－），男，通信作者，硕士研究生，研究方向为复杂系统的建模与分析，可再生能源分析。Ｅｍａｉｌ：７５９０３８８２１＠ｑｑ．ｃｏｒｎ（编辑姜新丽）