基于智能体建模的新型电力系统下火电企业市场交易策略

2）节点12。

节点12接入了5台风机和1台火电，其周围5个节点接入大量新能源机组，因此节点12唯一的一台火电44仅在新能源渗透率较低而负荷高峰时段运行保供。在场景0.1中，在晚高峰供需紧张时提高报价至1.21倍，其余场景中即使以边际成本报价也未能中标，优化结果如图6所示。

图 6 节点12场景0.1优化结果

Fig.6 Optimization results of scenario 0.1 of bus 12

3）节点15。

节点15接入了3台火电以及1台光伏，因光伏仅白天发电的出力特性，3台火电有大量出力空间。根据仿真结果，节点15在不同场景中全时段电量净流出，火电0、1、2在该节点及其周边区域有较大竞争力。节点15出清电价的对比以及节点15接入的火电机组在情景0强化学习前后的出力结果对比如图7所示。其中，场景0.3和0.4结果类似，故场景0.3对应图未列出。

图 7 节点15情景0优化结果

Fig.7 Optimization results of scenario 0 of bus 15

场景0.1中，强化学习后火电0提价幅度低于其他机组，经验证，其后两段报价为3台机组最低且全时段均未作为边际机组，由此保证发电量前提下的最高报价即为最佳报价。火电1、2均提高报价至最大倍数，因其在00:00—09:00作为边际机组，抬高节点电价同时减少发电量可提高利润。晚高峰19:00—21:00时节点出清电价与本节点机组报价无关，因负荷需求大，发电资源紧张，3台机组已达满发状态，需要调度其他节点火电机组发电。

场景0.2中，火电1和2分别作为上午和晚高峰的边际机组，强化学习后报价提高幅度较小，只将报价提高到下一调度电量区间的报价。原因是此时周边区域存在未被调度机组，本节点火电机组边际电量区间的报价只能提高至其他节点火电机组未被调度电量区间的报价水平。

场景0.4中，节点15全时段电量净流出，强化学习后3台机组均提高报价，在中午新能源大发时段仍维持最小技术出力，说明3台火电机组在周边节点区域的机组中有较大竞争力。

分析这3台机组在所有场景中均能高报价的原因，除了物理拓扑结构和成本优势起到重要作用外，火电机组之间形成了隐性共谋。在新能源渗透率越高、火电机组发电份额越低即发电份额竞争越激烈的情况下，经过对1500次彼此隐瞒信息的重复竞争的经验学习，最终形成了类市场均衡解，各火电机组达成提高报价的共识。

4）节点28。

节点28仅接入1台火电。根据仿真结果，节点28在不同场景中均为电量净流入，火电3虽然没有成本优势，但由于输电线路限制以及周围节点新能源资源较少等位置优势，有较大竞争力。节点28出清电价的对比以及节点28接入的火电机组在场景0强化学习前后的出力结果对比如图8所示。其中，场景0.3和0.4结果类似，故场景0.3图未列出。

图 8 节点28场景0优化结果

Fig.8 Optimization results of scenario 0 of bus 28

在场景0.1中，00:00—09:00因为输电线路容量限制低价电无法输送，所以强化学习后火电3作为边际机组报价达到最大倍数，其发电量维持在第2段电量区间；中午电价低于发电成本时段不发电；晚高峰时段发电资源紧张，火电3满发并且节点出清电价远高于其报价，说明此时火电3不是边际机组，制约其报价的时段为00:00—09:00。

场景0.2、0.3和0.4中，输电线路的限制导致火电3可以保持高报价。场景0.4中报价比0.2更高，这是因为新能源渗透率的增大使得系统不确定性的增大，在输电线路容量有限制的情况下，火电3作为节点28唯一的火电机组需要保证满足负荷。

4.2.2 场景1分析

与场景0相比，新能源出力预测精度提升后系统不确定性下降，火电机组投标风险下降，可获得相对稳定利润，在每次迭代中能够有效学习，各机组强化学习收敛速度加快，利润值波动范围缩小。

场景1机组最佳报价如表6所示，与场景0中新能源渗透率相同的场景相比，大容量火电机组策略没有大幅变动，而火电0的报价策略更加保守。为验证其结果，将各节点容量大于3000 MW的火电机组按照原参数拆分为500 MW及1000 MW小容量机组独立参与市场，小机组的启停成本按照容量比例的1.1倍分摊，生产技术参数、三段报价保持不变。增设预测误差为25%、20%的新场景。

注：表内数值为边际成本报价的倍数。

随着实验中预测误差逐步增大，强化学习中小容量机组（以下简称小机组）的奖励曲线收敛变慢。分析小机组训练中1500次出清结果，当系统不确定性越大时，小机组选择保守策略并不能保证利润，反而选择激进报价策略时获得加权平均利润越大的概率越大。

小机组的这种投标模式导致生产效率的进一步损失。在小机组造成的效率损失中，相比场景0中所述的因追求利润最大化时使用市场权力而造成的效率损失，占比更大的是由各机组的投标策略结果无法与预期利润最大化行为相一致而造成的效率损失。因此合并小机组可以改善生产效率低下的市场表现。

4.2.3 场景2分析

在各节点按照新能源装机比例配置储能后，进一步分析各火电机组报价策略。表7、8分别展示各机组最佳报价和利润。相比场景0和1各场景，场景2的各数据均大幅度降低，各火电机组报价趋于保守，节点12、15、28的晚高峰节点电价降幅均在50%左右。

注：表内数值为边际成本报价的倍数。

节点6和15的储能设备实现至少两充两放，与此对应火电机组发电空间进一步缩减。节点6各火电机组强化学习后报价仅在新能源渗透率较低的场景2.1中稍有上升，而此时由于各机组之间竞争大，报价上升幅度局限于各机组报价的差价区间。其余场景均降至成本价。场景2.3和2.4中强化学习前全时段节点电价低于火电最低成本价，此时全时段边际电量由储能提供；强化学习后晚高峰时期节点电价提升至火电26的报价，此时火电26成为边际机组。

节点15由于配置储能使得发电资源紧张问题在一定程度上得到缓解，3台火电机组的竞争力也因此被部分削弱。然而由各场景报价和利润可知，这3台机组在系统中仍具备强市场力。

除火电机组整体利润下降之外，所有现象的分析与场景0保持一致。

5 结论

本文基于ABMS框架，建立多类型电力现货市场交易仿真模型，将火电机组建模为智能体，为火电机组提供了探究其利润最大化投标策略的方法流程。以HRP-38节点为例研究不同新能源渗透率下火电机组投标策略，得出如下结论。

1）对于单个火电机组，影响其投标策略的因素包括自身技术参数及成本、发电侧其他竞争对手的出力和成本（边际报价）、输电线路传输容量、负荷侧的电力需求等。考虑上述因素对市场出清电价影响，制定具体机组的投标策略。

一般来说，当自身成本相比同节点其他火电机组较低、新能源机组出力未能覆盖负荷需求、输电线路容量存在阻塞等情况下，在中标的前提下，非边际机组在保证发电量的条件下提高报价，而边际机组倾向于提高报价且有部分机组会采取减少发电量作为最后一段报价博弈策略。

随着新能源渗透率的增大，系统中火电机组总体盈利空间逐步缩减，部分火电机组参与电能量市场不能获利，仅少数火电机组凭借成本和节点位置优势在竞争中能够提高报价并中标。

在相同的新能源渗透率场景下，新能源出力的预测误差越大，火电机组外部环境感知的不确定性越大，因此投标策略学习过程变慢。

在系统内配置储能虽然进一步缩减了火电机组的发电份额和盈利空间，但是因储能平抑了新能源不确定性，火电机组投标策略学习进度较快。

2）火电机组存在“隐性共谋”现象。在机组彼此信息不互通的假设条件下，当新能源渗透率较低时，因系统对火电的需求大，大部分火电机组选择提升报价的策略，而且利润上升幅度大。此时参与该市场的火电机组多且行为存在差异性，“隐性共谋”现象存在但不甚明显。随着新能源渗透率的增大，一部分火电机组不再参与上述市场，剩余的少部分火电机组凭借其优势共同选择提高报价，此时“隐性共谋”现象凸显。

3）对于电力市场表现，各火电机组追求利润最大化时提高报价使得系统没有达成最低生产成本，造成了电力市场生产效率损失，具体表现为低成本机组报价高于出清价格时不会中标，高成本机组报价低于出清价格时也不会减少生产。相对而言容量较小的火电机组的激进报价模式增大了各机组竞价的不确定性，使得各机组的投标策略结果无法与预期的利润最大化行为相一致，可能导致生产效率进一步损失。

本文只考虑了现货电能量市场，未考虑多级电力市场。下一步将进行新能源高渗透率下各电源类型参与多级电力市场的报价策略研究。