北极星

搜索历史清空

  • 水处理
您的位置:电力电力新闻火电电力市场化交易评论正文

基于多智能体深度确定策略梯度算法的火力发电商竞价策略

2024-12-26 10:11来源:中国电力作者:中国电力关键词:电力市场火力发电电价收藏点赞

投稿

我要投稿

3.3  最优智能体组合方案竞价策略分析

3.3.1  各发电商竞价行为分析

所有机组联合参与策略性竞价下的方案中,按报价支付出清以及边际统一出清机制的S7出清结果均为最优,本文选择方案S7下按报价支付出清的结果进一步分析各机组的行为。图4展示在S7方案下所有机组参与策略性竞价的行为决策。在训练开始时,发电机组由于经验不足而不断探索竞价策略,导致波动性较大,在学习寻优的过程中竞价策略以及总收益逐渐趋于收敛。

图4  报价支付出清机制下机组报价及报量策略系数

Fig.4  Strategic coefficient of prices and quantities for units under pay as bid mechanism

小型机组G6具有边际成本较低的优势,因此选择高申报价格和高申报量的策略,而小型机组G2在所有发电机组中边际成本最高,通过提高申报价格来退出市场避免成交后造成负收益,其余小型机组均申报低电量低电价,将份额让渡给效率更高的发电机组。中型机组中,边际成本较低的2台机组选择高申报价格和高申报量的策略,边际成本较高的2台机组选择低申报价格和低申报量的策略。大型机组都选择高申报价格和高申报量的策略。在所有机组联合参与策略性竞价时,各机组尽管在不完全信息条件下追求各自利益的最大化,但可以通过多智能体深度确定性策略梯度算法中Critic网络在迭代过程中共享全局的信息,从而在一定的市场条件下做出最合理的竞价策略,充分发挥自身优势,促进发电侧的激励相容。

3.3.2  出清结果分析

图5是12台机组出清后个体的收益以及碳排放量,图6是各类型机组中碳排放收益率最大与最小机组的供电煤耗率曲线。图5中,G11与G12为大型机组,在市场中获得的收益量高并且收益下的碳排放量低;G6与G9分别为小型与中型机组,在市场中的排放收益率仅次于大型机组;G3与G10则是小型与中型机组中排放收益率最低的机组。由图6可以看出,G3与G10的供电煤耗曲线高于G6以及G9。在方案S7下各发电机组做出最合理的竞价策略,让煤耗及运行成本较高的机组更少地参与市场,煤耗较低的机组多参与市场,充分发挥各主体的优势。

图5  机组出清结果对比

Fig.5  Comparison of unit clearing results

图6  部分机组供电煤耗率曲线

Fig.6  Coal consumption rate curve for power supply of some units

图7展示了各类机组的收益情况。由图7可看出,模拟场景期限内,在均衡状态下小型以及中型机组的收益水平近乎相同,维持在600万元左右,而大型机组的收益维持在万元左右,总体收益约为万元。

图7  按报价支付出清机制下各类型机组的收益变化

Fig.7  Changes in revenue for various types of units under pay as bid mechanism

综上,在联合采用竞价策略的情况下,各类型机组可以根据自身的机组特性做出相应的策略,边际成本低的高性能机组可以根据竞价策略进一步获得市场份额,而边际成本高的机组将让渡发电空间。所有机组共同参与竞价策略的调整,使得总体收益大幅度提高且碳排放量降低,实现电力行业低碳减排和经济高效的目标协同。

3.4  新能源渗透率对不同出清机制结果的影响分析

图8是当前电力市场条件下,不同出清机制中智能体组合方案的总收益和碳排放数值。由图8可知,按报价支付出清机制的总收益波动范围小,较为稳定;边际统一出清机制的出清价格随不同方案的变化而波动,总收益波动范围大;随机匹配出清机制中小型机组中标概率大幅度提升,造成碳排放量增多。按报价支付出清机制的平均碳排放量最小,平均总收益仅次于随机匹配出清机制,且稳定性更强,更适合目前的电力市场。

图8  不同出清机制下市场效率对比

Fig.8  Comparison of market efficiency under different clearing mechanisms

考虑到未来新型电力系统中新能源占比将越来越高,本文设置新能源渗透率按照0.1的间隔由0.1提高到0.6,采取市场出清效率最高的方案S7作为基础情景进行分析。对各数据进行归一化处理,不同出清机制下出清结果随新能源渗透率的变化如图9所示。当新能源渗透率较低(低于0.2)时,各机制下出清结果和各机组的竞价策略没有发生改变。

图9  不同新能源渗透率下出清结果变化

Fig.9  Changes in clearing results under different new energy penetration rates

不同新能源渗透率下排放收益率如表4所示。当新能源渗透率为20%~40%时,按报价支付出清机制的碳排放收益率比较稳定,此时市场对火电的需求仍比较大。当新能源渗透率为40%~50%时,报价支付出清机制的碳排放收益率大幅下降,此时火电需求量的减少使市场的竞争更加激烈,部分中小型机组开始降低申报价格以获得发电权,大型机组同时面临市场需求减少以及中小型机组竞价压力。当新能源渗透率为50%~60%时,市场对火力发电的需求较低,此时火力发电商中市场份额几乎被中大型机组抢占,市场进入比较稳定的阶段。

表4  不同新能源渗透率下排放收益率

Table 4  Unit emission return rate under different new energy penetration rates

当新能源渗透率为20%~40%时,边际统一出清机制的排放收益率波动非常大,在市场整体需求减少的情况下,边际出清价格交点也发生变动,各发电商都面临出清价格大幅度下降的风险。当新能源渗透率为50%时,边际统一出清机制进入比较稳定的状态,此时市场份额主要由大型机组以及部分中型机组占据。

当新能源渗透率为20%~40%时,随机匹配出清机制的排放收益率有一定幅度的下降,但下降的幅度比较稳定,随机匹配出清机制下各发电商都能够与购电商进行匹配的机会。当新能源渗透率到达50%及以上时,其余2种出清机制下市场交易量小,主要交易对象为大型及部分中型机组,排放收益率都出现了大幅度下降,随机匹配出清机制能够在市场竞价激烈的火电竞价市场上通过提高交易量维持市场的稳定。

04结论

本文通过多智能体深度确定性策略梯度算法模拟发电商在月度集中市场中的动态行为演化规律,优化发电商竞价策略。主要结论如下。

1)本文构建的基于多智能体深度强化学习的发电商竞价策略模型可以有效提高月度集中竞价市场的整体效率,发电机组联合采用策略性竞价时整体碳排放收益率最高。

2)当新能源渗透率较低时,按报价支付出清机制适合于小型或大型机组单独参与策略性竞价,边际统一出清机制适合于中型机组单独参与或中小型机组联合参与策略性竞价,而随机匹配出清机制适合于大中型机组联合参与策略性竞价。

3)新能源渗透率对不同出清机制下的市场出清结果具有显著影响。当新能源渗透率提升至20%~40%时,按报价出清机制下的市场经济效益、碳减排效率和运行稳定性最佳;当新能源渗透率到达50%及以上时,随机匹配出清机制下碳排放收益率最高,且有利于降低市场波动风险。

本文的报价策略考虑在实际成本一定范围内进行调整,后续会考虑结合历史数据对月度市场进行分解,分析不同时段下机组的负荷率差异,结合不同类型机组的煤耗曲线进行报价。同时,本文在建模时没有考虑购电商的竞价策略对市场竞价的影响,如何在考虑购电侧的情况下优化发电商的竞价行为,也是未来需要深入研究的重点。

原标题:华北电力大学 张兴平等|基于多智能体深度确定策略梯度算法的火力发电商竞价策略
投稿与新闻线索:陈女士 微信/手机:13693626116 邮箱:chenchen#bjxmail.com(请将#改成@)

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。

电力市场查看更多>火力发电查看更多>电价查看更多>