基于不完全信息静态博弈论的购电商竞价策略研究

分析了发、配电同时开放条件下电力市场竞价的基本过程。根据不完全信息静态博弈的基本理论，提出了购电商在信息不完全条件下参与竞价的最优报价策略。引入变量ε解决了购电商对市场清算电价的评价与市场对其评价不一致的问题。对购电商存在单一支付函数和多个支付函数的不同情况，分别推导了购电商竞价的纯战略和混合战略。还就一个简化模型分别给出了购电商采用纯战略报价和混合战略报价的具体算法。通过算例验证了采用该方法进行购电报价的实用性和有效性。     

基于深度双Q网络的权值时变路网路径规划

针对传统路径规划方法无法根据城市路网权值时变特性规划最优路径的问题，提出了基于深度双Q网络的权值时变路网路径规划方法。首先，构建权值时变的城市路网模型，其中，路段各时间段权值由随机函数产生。然后，设计了状态特征、交互动作和奖励函数对权值时变路网路径规划问题进行建模，利用DDQN算法训练智能体来学习路网权值时变特性，最后根据建模后的状态特征实现权值时变路网的有效路径规划。实验结果表明，DDQN算法训练的智能体在权值时变路网中具有较好全局寻优能力。相比于滚动路径规划算法，所提方法在不同情况下规划的路径均最优，为权值时变路网的路径规划提供了一种新思路。     

不完全信息下基于多代理深度确定策略梯度算法的发电商竞价策略EI北大核心CSCD

在电力现货市场中,发电商竞价行为受多种因素综合影响,且由于信息受限无法做出最优决策,难以实现自身收益最大化。将发电商竞价决策行为建模为马尔科夫博弈过程,提出了基于多代理模型的发电商日前市场竞价模型,应用多代理深度确定性策略梯度(multi-agent deep deterministic policy gradient, MADDPG)算法,分别在IEEE-3节点算例和IEEE-30节点算例模拟发电侧竞价行为。算例分析表明,所提模型通信开销低、训练结果良好,可以在不完全信息条件下提高发电商收益,并实现发电侧报价的激励相容。     

基于综合效用函数和动态策略空间的发电商竞价模拟方法

已有的基于智能代理的发电商竞价模拟研究多集中于单一决策目标,缺少多重决策目标的分析建模,此外在代理学习过程中,策略空间一般是固定的,缺乏灵活性。为此,提出一种基于综合效用函数和动态策略空间的发电商竞价模拟方法,同时结合强化学习中的RE-learning算法,实现对其竞价行为的模拟。仿真结果表明,所提方法能探索到更优的均衡点,同时可模拟发电商对总体收益和机组相对利用率间的综合考虑行为。     

发电商的模仿学习竞价策略

在重复博弈的电力市场中,发电商的竞价策略和个体学习行为是个复杂的动态问题。分析发电商竞价策略这一热点问题的最新研究思路和仿真方法。为模拟发电商的自主学习和市场的动态演化过程,引入博弈学习理论,建立基于模仿学习的发电商竞价策略模型,分析不同信息条件下的学习动态过程,及重复竞标时发电商模仿学习对博弈演变及市场均衡的影响。仿真结果表明模仿学习具有较好的收敛性。另外,完全信息条件下,发电商全局学习能引导市场趋于瓦尔拉斯均衡和古诺-纳什均衡二者之间的一个均衡状态;非完全信息条件下,发电商全局学习的结果是市场总体行为收敛到古诺-纳什均衡,而发电商的个体行为则与古诺－纳什均衡状态存在偏差。     

基于企业经营决策的发电商最优竞价策略

在电力市场环境下，发电商的策略性投标行为关系到电价风险、市场稳定、市场力滥用行为及发电商自身利润等诸多问题。文中在对发电机组成本／需求的微观经济分析基础上，建立了机组面对需求曲线的公式及求解方法，提出了机组市场价格控制区的新概念。基于经济学中企业经营决策的最大利润原理，阐述了“边际发电成本等于边际发电收入”的机组最优竞价准则，提出了拥有不同市场力的发电商最优竞价策略及算法。     

不完全信息下的供电公司最优竞价策略

供电公司在确定自身竞价策略时要考虑用户对分时电价的响应。由于供电公司公布竞价策略在先,用户可根据供电公司策略作出自己的最优选择,该问题可以用stackelberg博弈问题描述。在构造单一卖方市场主要规则的基础上对stackelberg博弈模型采用了概率论和估计竞争对手竞价参数的求解方法,从而将多个供电公司间的多人不完全信息博弈问题转化为双人博弈问题来求解。算例仿真验证了该方法的有效性。     

基于效用函数的发电商竞价策略研究

随着电力市场改革的进行,发电侧开放的程度不断加深,在此背景下,如何提高发电商竞价效率,提出最优报价以获得最大收益,在交易过程取得竞争优势,成为发电企业急需解决的问题。通过引入效用函数,以发电商收益效用最大化为目标,构建了发电商最优竞价贝叶斯博弈模型,根据纳什均衡解提出了最优竞价策略,最后结合实际电力市场交易数据进行了算例分析,并对影响报价的主要因素进行了深入讨论,验证了模型的适用性和有效性,可以为发电商参与电力市场交易提供有益指导。     

基于古诺模型的发电商竞价策略分析

着重探讨了在电力市场环境下 ,按照“网厂分开、竞价上网”的原则 ,发电商如何制定竞价策略的问题。采用经济学上的古诺模型 ,在考虑发电商向电力公司支付过网电量过网费的情况下 ,用博弈的方法分析了发电商的最优发电量和最大利润等等 ,并讨论了过网费对发电商制定最优策略的影响。     

基于日有功负荷双目标模糊优化交易的发电商竞价策略

介绍了一种新的、同时考虑了全网发电费用最小和电网收益最大的多时段发电竞价决策策略;采用双目标模糊优化交易模型对发电商市场占有量预测,然后对市场中中竞争商成本进行分析,确定盈利水平,提供发电报价,算例仿真表明该策略与确定性的单目标交易模型下报价相比更能协调发电商和购电商的利益,更符合电力市场可持续发展战略。     

基才博弈论的发电商报价策略研究

在对各种发电商竞价策略进行比较分析的基础上,结合我国电力市场的现状,选择了博弈论作为发电商报价决策的理论基础,并针对博弈论应用于电力市场的几种模型进行了分析,建立了以只改变报价曲线斜率为策略的报价策略模型;通过在模型中引入虚拟竞争对手的概念,将电力市场上多个发电商的竞争转化为两人博弈问题,将计算出的报价策略模型的最优解引入成本收益函数,从而得出最优报价决策。     

有限信息环境下基于学习自动机的发电商竞价策略

电力市场是典型的不完全竞争市场,发电商可以通过策略性报价以提高自身收益.现有的发电商报价策略研究通常假设发电商能利用充分的市场信息,但这种假设在市场启动初期往往不成立.为解决发电商在有限信息环境下的报价策略问题,文中提出了一种改进的强化学习自动机算法,该方法对外部信息量要求较低,且计算复杂度小,易于实现.此外,将发电商...     

基于市场总体信息的发电公司优化竞价策略

提出了一种基于市场总体信息的发电公司优化竞价策略。证明了机组优化竞价曲线的斜率是市场所有边际机组合成报价曲线斜率与机组边际成本曲线斜率之和，指出完全竞争市场下机组按边际成本曲线报价是该结论的一个特例，并成功地解释了在高峰负荷下发电公司滥用市场势力导致电价飙升的现象。另外，推导获得了机组在考虑多时段启停约束和启动成本条件下的最低投运电价。算例分析证明了结论的正确性和实用性。     

基于利益相关者理论的发电权交易模式及其竞价策略

在当前的发电权交易中,过度依靠对发电权出（受）让方的电站运行状态疏于了解的第三方交易机构作为信息沟通的媒介,导致了信息不对称进而影响发电权交易的顺利进行。为此,基于利益相关者理论,设计了一种能够体现不同发电权交易商利益需求的发电权交易模式,界定了交易各方的职权及交易实施顺序,利用动态博弈解决了信息不对称问题。基于扩大交易范围和统一成交价格的视角,提出了一种追求双方利益最大化并能维持长期博弈均衡的竞价策略。实证结果表明,该发电权交易模式及其竞价策略可以有效促进发电权交易商之间长期有效合作,提高了总社会效用,节约运行成本和减小能源消耗。     

不同允许报价段数对发电公司报价策略的影响

针对国内外实际运营的电力市场中普遍采用的分段报价规约研究了不同允许报价容量段数对发电公司构造最优报价策略的影响。在研究初期以作为价格接受者的发电公司为研究对象,首先采用概率方法模拟电力市场中的电价并在此基础上采用等概率法建立了模拟发电公司最优报价策略的多段报价模型;然后研究了发电公司风险偏好程度和市场信息不对称对其构造最优报价策略的影响。最后通过算例对所提出的模型和方法进行了说明。     

基于深度强化学习的主动配电网高恢复力决策方法

随着全球极端天气事件频发,电力系统在极端自然灾害下恢复力的研究日益受到关注。本文提出基于深度强化学习的高恢复力决策方法,将极端灾害下配电网运行状态和线路故障状态作为观测状态集合,自学习智能体Agent在当前环境观测状态下寻求可行的决策策略进行动作,定义自学习Agent的回报函数以进行动作评价;采用观测状态数据,开展基于竞争深度Q网络(dueling deep Q network,DDQN)的深度强化学习(deep reinforcement learning,DRL)训练,智能体Agent通过试错学习方式选择动作,试错经验在估值函数Q矩阵中存储,实现状态到主动配电网实时故障恢复策略的非线性映射;最后结合改进的IEEE 33节点算例,基于蒙特卡罗法仿真随机故障场景,对所提出方法生成的故障恢复随机优化决策进行分析。结果表明:通过主动配电网的分布式电源、联络开关和可中断负荷的协调优化控制,可以有效提升极端灾害下供电能力。     

基于深度强化学习的电动汽车实时调度策略

电动汽车(EV)作为一种分布式储能装置,对抑制功率波动有着巨大的潜力。考虑EV接入的随机性及可再生能源出力和负荷的不确定性,利用不基于模型的深度强化学习方法,建立了以最小功率波动及最小充放电费用为目标的实时调度模型。为满足用户的用电需求,采用充放电能量边界模型表征电动汽车的充放电行为。在对所提模型进行日前训练及参数保存后,针对日内每一时刻系统运行的实时状态量,生成该时刻充放电调度策略。最后以某微电网为例,验证了所提基于深度强化学习的调度方法在满足用户充电需求的前提下,可以有效减小微电网内的功率波动,降低EV充放电费用;日内不需要迭代计算,可以满足实时调度的要求。     

一种基于预测电价的水电站报价方法研究

在电力市场中,水电站需要统筹安排调度期内各时段的用水量,并最终将这些信息转换为电站的竞价策略,从而使电站获得最大的发电效益.文中给出了一种基于预测电价的水电站出力报价方法,将水电站的竞价问题描述为期望售电收入最大问题,建立了水电站的竞价模型,模型能够协调各时段的用水量以及用水量与报价的关系,满足电站的可用水量约束,并以出力-报价形式实现电站的优化运行.最后通过一个具体的算例对模型进行了检验,其结果说明了该方法的合理性.     

基于深度期望Q网络算法的微电网能量管理策略

随着光伏发电在微电网中的渗透率不断提高,其发电出力的不确定性和时变性为微电网的经济运行带来了挑战.在构建经济调度模型时,就需要适当模拟不确定变量并相应地发展高效求解算法.在此背景下,文中提出能够有效计及不确定性因素的深度强化学习算法,以实时求解微电网的优化运行问题.首先,采用马尔可夫决策过程对微电网优化运行问题进行建模...