含多区域综合能源系统的主动配电网双层博弈优化调度策略

李咸善，马凯琳，程 杉

含多区域综合能源系统的主动配电网双层博弈优化调度策略

李咸善，马凯琳，程 杉

(梯级水电站运行与控制湖北省重点实验室(三峡大学)，湖北 宜昌 443002)

区域综合能源系统(Regional Integrated Energy System, RIES)通常经电气接口与主动配电网(Active Distribution Network, ADN)相连，参与ADN需求响应调度。为了提高RIES与ADN的交互效益，提出了含多RIES的ADN双层博弈优化调度策略。在RIES内部，以RIES效益最大为目标，建立满足电-气-热负荷需求、响应ADN需求调度的RIES异质能优化协调调度策略。在此基础上，建立ADN与多RIES联盟的双层博弈调度模型。上层为ADN与RIES联盟的非合作博弈，ADN通过制定分时购售电价引导RIES联盟制定购售电策略。下层为RIES联盟成员合作博弈，达到联盟出力在成员之间的最优分配，并基于Shapley值对联盟成员分摊合作利益。采用粒子群算法求解博弈模型的纳什均衡点，得到最优电价策略及各RIES的最优购售电策略。算例结果表明，所提策略能够提高ADN削峰填谷能力，保障RIES的经济性及ADN的可靠运行。

区域综合能源系统；主动配电网；双层博弈；优化调度

0 引言

随着化石能源供给匮乏的形势日益严峻，能源互联及能源高效利用成为当前研究的热点问题[1]。区域综合能源系统(Regional Integrated Energy System, RIES)将异质能源协调管理，实现电、气、热系统的耦合[2-4]，对异质能源的生产、传输、消费环节进行统筹优化，极大地减少了资源的浪费[5-6]，并在满足自身异质能负荷需求的同时参与主动配电网(Active Distribution Network, ADN)的电力需求调度，提升系统的整体效益。

当多个RIES通过电气接口接入ADN时，RIES对于ADN是电力产消者，具有电功率双向调节效应，是ADN的电力需求调度响应资源[7-8]；对RIES本身来说，它包含电-气-热等相互耦合的异质能系统，RIES的电力需求侧响应须通过其内部的多异质能资源协调调度来实现。

多RIES具有不同的产消能力，多RIES联合运行，有利于RIES互联互济，提高RIES资源利用效率。多RIES具有共同的新能源消纳及高效运行目标，组成RIES联盟参与ADN电力需求调度，有利于发挥多RIES资源互补效应，提高RIES需求侧响应能力，促进RIES联盟和ADN调度效益的提升。

RIES及其联盟的电力需求侧响应，将改变RIES内部及RIES之间的“电-气-热”能量调度机制及其成本分摊机制，进而影响到“RIES-RIES联盟-ADN”等多层次系统的能量调度协调机制。与普通电力产消者相比，RIES电力产消者的需求侧响应资源不仅是电力产消资源，还包括气、热产消资源[9-10]，因此需要建立满足RIES内部电-气-热负荷需求，以RIES经济效益最大，响应ADN需求调度的RIES异质能优化协调调度策略。

当多RIES联盟参与ADN调度时，由于两者属于不同的利益主体，有着各自的运行目标，基于博弈理论，两者之间可实施非合作博弈调度。ADN实施分时电价激励政策，以削峰填谷和运行效益最大为目标；多RIES联盟响应电价政策，以联盟效益最大为目标。求解博弈模型获得ADN的电价优化策略及各主体的能量优化调度策略。在RIES联盟内部，可基于Shapley值分配合作效益[11]。

目前，对于区域综合能源系统的研究已取得丰富的成果，文献[12]针对配网级RIES，考虑了光伏及负荷的不确定性，实现多能互补及环境效益；文献[13]运用最优负荷削减量分层解耦计算方法，得到RIES各种故障状态下的最优负荷削减量；文献[14]基于一种新型综合能源系统，以清洁的方式产生氢气，并对太阳能-水-氢-动力循环进行热力学分析和评估；文献[15]建立了工业园区多参与主体合作博弈模型，根据各参与主体独立及合作运营模式的特点提出了基于Shapley值的利益分配方法；文献[16]建立了基于多主多从Stackelberg博弈的能源交易模型，分析了IES中多个分布式能源站和用户之间的多能交互方式。以上文献对于RIES的研究具有一定的指导意义，但多为单个RIES的优化，未涉及多个RIES的协调优化问题。

针对多区域综合能源系统的研究，目前对RIES参与ADN削峰填谷调度的研究还尚欠缺。文献[17]针对各子区域内冷热电负荷的峰谷交错现象，通过协调各冷热电联供系统的热出力满足该区域的热负荷需求；文献[18]将若干相对独立的小型冷热电联供系统集成一个多区域分布式冷热电联供系统，提出了异质能源与电力系统协同的通用集成方案；文献[19]建立了计及碳交易成本的多RIES分散调度模型，分析了碳交易成本对系统运行的影响；文献[20]基于冷热电联供系统和热网构建了多RIES的规划方法，大幅提高了燃气轮机利用率，以及减少了热能传输损耗。

基于上述研究背景，本文提出了含多RIES的主动配电网双层博弈优化调度策略，解决以电力需求响应为目标的RIES内部多异质能源的协调调度问题，和以ADN削峰填谷调度为目标的“RIES-RIES联盟-ADN”等多层次系统的能量调度协调机制问题，以促进含RIES的ADN高效运行。主要创新及解决的关键问题包括：

1) 建立了RIES异质能协调优化调度策略，解决以响应ADN电力需求调度为目标而引发的RIES内部耦合异质能的协调优化调度问题。

2) 建立了RIES联盟的等效功率模型。组建多RIES联盟，利用各RIES能量产消差异，实现多RIES的功率互济平衡；分析了RIES联盟的等效电力需求侧响应功率将受到RIES响应能力及联盟互补特性的影响。

3) 建立了RIES联盟与ADN的双层博弈优化调度模型，实现系统效益的整体提升。根据“RIES- RIES联盟-ADN”的层次目标特性，建立了ADN与RIES联盟的主从博弈优化调度模型，和RIES联盟成员之间的合作博弈模型，实现含RIES的主动配电网的优化调度。

4) 通过典型算例验证了方案的有效性。

1 含RIES的主动配电网基本框架

本文各区域综合能源系统通过电气接口连接于ADN，以电功率的形式与ADN产生交互，从而形成了含有多个综合能源系统的ADN。各RIES根据ADN制定的购售电价决定与ADN的购售电交易，同时各RIES可向天然气商购买天然气供给能源，热负荷可由内部产热机组自给自足。多个RIES之间可通过配网母线进行电能交互，形成RIES联盟，旨在通过RIES及多RIES联盟内部电-气-热异质能系统的产消协调优化，响应ADN的电力需求调度，促进RIES及ADN的高效运行。

如图1所示，ADN含自有负荷、自有新能源机组、自有可控机组和RIES及RIES联盟，并接入上一级高压大电网系统。RIES内部包含电/气/热柔性负荷、新能源发电机组、“电-气-热”耦合设备及电/气/热储能装置。

图1含多区域综合能源系统的主动配电网基本框架

2 主动配电网与区域综合能源系统博弈调度策略

RIES参与ADN电力需求侧响应，将改变RIES内部综合能源系统的“电-气-热”能量调度机制及其成本分摊机制，进而影响到“RIES-RIES联盟-ADN”等多层次系统的能量调度协调机制。由于ADN和RIES属于不同的利益主体，基于博弈理论，建立ADN与RIES联盟的主从博弈调度框架，并提出含RIES联盟的ADN调度策略、RIES联盟互济策略以及响应ADN功率调度的RIES调度策略，实现含多RIES系统的主动配电网削峰填谷优化调度。

2.1含RIES联盟的ADN双层博弈调度框架

在ADN运行过程中，ADN根据其预测的次日净负荷(负荷与新能源之差)峰谷时段制定分时电价引导RIES响应ADN削峰填谷电力需求调度，RIES在满足自身负荷需求的同时与ADN调度协调交互，从而获得最大收益。多RIES组成RIES联盟，新能源过剩(新能源出力大于内部负荷)的RIES将新能源平抑负荷后的余量传递给负荷过剩(新能源出力小于内部负荷)的RIES，实现能量的互济。RIES联盟一方面利用各RIES能量的产消差异，实现RIES之间的互联互济，增加了RIES的经济效益，另一方面以RIES联盟的形式参与ADN的电力需求调度，可提升RIES的需求响应能力，减少了配网侧可控机组的发电压力以及ADN与上一级大电网的交互压力，更好地优化ADN的运行。

ADN和RIES联盟分属不同的利益主体，具有各自的运营目标，在联合调度时，基于博弈理论，宜采用ADN与RIES联盟之间的主从博弈调度；而RIES联盟各成员具有相同的运营目标，可采用RIES联盟成员之间的合作博弈调度。从而构成了“RIES-RIES联盟-ADN”之间的双层博弈调度框架，如图2所示。

图2 含RIES联盟的主动配电网双层博弈框架

Fig. 2Two-layer game dispatching framework of ADN with RIES union

双层博弈流程如下：

1) ADN作为领导者，根据净负荷曲线的峰谷时段制定初始的购售电价。

2) 根据ADN制定的电价，多RIES之间通过功率互济的方式进行合作联盟，以联盟整体的形式响应电价策略，制定相应的联盟购售电量(功率)策略，并将策略上报给ADN。

3) ADN根据RIES联盟上报的购售电量策略更新电价，引导RIES联盟对购售电量策略进行动态调整，保证ADN内部功率的平衡以及自身经济效益最优。

4) RIES联盟再次根据更新的电价调整电量策略，ADN同样根据更新的联盟策略不断对电价进行动态修正，直至RIES联盟电量策略和ADN电价策略稳定不变，达到博弈的Nash均衡解。

5) RIES联盟成员之间根据自身的贡献程度进行合作博弈剩余利润的分配，确保能源利用率的提高以及联盟功率在RIES各机组之间的优化分配。

2.2含RIES的主动配电网调度策略

建立含多RIES的主动配电网削峰填谷功率调度策略、RIES联盟功率互济及其等效功率模型和响应主动配电网需求调度的RIES调度策略。

1) 主动配电网调度策略

为减小负荷峰谷差和促进新能源消纳，ADN实现自身负荷供电平衡调度策略如下。

第一步：优先消纳自有新能源供电。

ADN优先消纳其自有新能源之后，剩下的负荷定义为净负荷，如式(1)所示。

式中：DADN-L()、ADN-load()和ADN-new()分别为ADN的净负荷、自有负荷和新能源出力。

第二步：基于分时电价的净负荷削峰填谷调度

ADN为了减小净负荷峰谷差，并避免多RIES与ADN的无序交互带来的新的峰谷差，实施基于分时电价的削峰填谷调度。ADN根据净负荷曲线制定分时电价引导RIES联盟调整用能策略RIESΣ()，实现RIES与ADN的有序交互，达到ADN削峰填谷的目的。

第三步：剩下的净负荷不平衡功率由ADN自有发电机组出力ADN-DG()和向大电网购电量UG()平衡，如式(2)所示。

2) RIES联盟功率互济及其等效功率模型

单个RIES等效发电出力RIESi()如式(3)所示。

式中：P()、LDi()为RIES的发电出力和负荷；DP()为考虑多个RIES新能源产消能力的互补性，可实现多RIES之间的功率互济，有利于新能源的就地消纳，即新能源过剩的RIES将余量传递给新能源不足的RIES。

RIES联盟等效功率是各RIES的等效功率之和，如式(4)所示，为RIES的数量。

可见，RIES联盟的等效电力需求侧响应功率RIESΣ()受到RIES响应能力RIESi()及联盟互补特性的影响。RIESi()的大小又将受到ADN分时电价和RIES内部异质能耦合系统功率调度的影响。

3) 响应ADN需求调度的RIES调度策略

RIES内部发电部分由新能源出力newi()、燃气轮机发电出力GTi()和蓄电池充放电ESi()组成，如式(5)所示。

结合式(3)和式(5)，RIES优先消纳其自有新能源newi()，剩余不足或过剩的电量与其他RIES进行功率交互，而GTi()、ESi()、LDi()等将受到RIES对ADN电力需求调度的分时电价激励政策的需求响应调度策略的影响，根据设备成本以经济性为目标制定出力计划，满足自身负荷需求的同时响应配网的激励政策。RIES内部热力系统及天然气系统则通过内部耦合的方式配合电力系统完成发电部分的出力。

3 RIES联盟与配电网双层博弈调度模型

3.1 RIES各元件出力模型

1) 燃气轮机

2) 燃气锅炉

燃气锅炉通过燃烧天然气产生热量，由于燃气锅炉具有供热效率高、污染物排放少的特点，是目前热力系统中最常用的供热设备。

式中：GB,i()、GB,i()分别为时段RIES燃气锅炉的热功率和天然气耗量；GB,i为RIES燃气锅炉的制热效率。

3) 余热锅炉

式中：WHB,i()为时段RIES余热锅炉的供热功率；WHB,i表示RIES余热锅炉的供热效率，本文取0.9。

4) 储能装置模型

5) 电转气装置

P2G的原理是通过电解水产生氢气，由于氢气难以直接利用以及大规模运输和储存，与氢气相比，甲烷的物理特性使其更易储存和运输，因此由生成的氢气与二氧化碳反应产生甲烷[21]。这种化学方式合成的甲烷可以直接通过天然气管道给气负荷供气，也可以用于燃气轮机、燃气锅炉发电或者储存在储气罐中。

当系统中存在风电富余的情况时，电转气技术可以将风电转化成天然气进行储存，能有效减少弃风率，提高了风电消纳的水平，并且增强了电气耦合特性。P2G能量转化的关系式如式(10)所示。

式中：P2G,i()、P2G,i()分别表示时段RIES中P2G产生的天然气量和消耗的电能；P2G,i表示RIES中P2G的能量转换效率，取65%[22]；表示甲烷高热值，取15.5 kWh/m3。

3.2上层ADN-RIES联盟主从博弈模型

基于博弈理论[23]，建立ADN与RIES联盟的主从博弈模型，如式(11)所示。

3.2.1 博弈主体ADN优化模型

1) 博弈主体ADN目标函数

在上层主从博弈模型中，ADN主体效用函数ADN以ADN购电成本最小为目标，包括发电机组运行成本、向RIES购电成本以及向大电网购电成本(新能源发电成本为0)，目标函数如式(12)所示。

式中：为调度周期(一天24 h)；DG为ADN的发电机组成本；RIES为向RIES购电的成本；UG为向大电网购电的成本。

(1) 发电机组成本

式中：表示发电机组个数；DG,m()表示时段发电机组的发电功率；a、b、c表示发电机组的发电系数。

(2) 向RIES联盟购电成本

(3) 向大电网购电成本

由于配网侧电源渗透率较低，负荷相对较大，一般不考虑配网向大电网售电情况，本文仅考虑配网向大电网购电，且大电网售电电价为固定电价，如式(15)所示。

2) 博弈主体优化模型的约束条件

(1) 分时电价约束

峰时电价和谷时电价之比为3:1左右，且考虑到ADN的安全性、可靠性，应保证其售电总收益一定[24]，如式(16)所示。

式中，ope表示ADN售电收益，为定值。

(2) 功率平衡约束

(3) 网络潮流约束

式(21)为配网时段的潮流方程，其中：为节点数；G,i()、G,i()分别为节点发电机组的有功、无功功率；L,i()、L,i()分别为节点所带负荷的有功、无功功率；U()、U()分别表示节点、的节点电压；G、B分别表示支路的电导、电纳；()表示、节点电压之间的相角差。

(4) 网络节点电压约束

式中，Umax、Umin分别表示节点电压的上下限。

(5) 联络线交互功率约束

(6) 发电机组出力上下限约束

(7) 发电机组爬坡约束

式中，up,m、down,m分别表示发电机组向上、向下爬坡率。

3.2.2 博弈从体RIES联盟优化模型

1) 博弈从体RIES联盟目标函数

RIES的博弈策略为：多RIES间以合作联盟的形式参与主从博弈，根据ADN制定的购售电价调整购售电量策略，目标函数为RIES联盟经济效益最大，如式(27)所示。

式中：E,i()、H,i()、G,i()分别为时段RIES电力系统、热力系统和天然气系统的成本；RIES的购售电收益RIES()计算方式如式(14)所示。

(1) RIES电力部分总运行成本

电力部分总运行成本包括新能源机组运维成本、需求响应负荷成本、燃气轮机成本和蓄电池成本，如式(28)所示。

① 新能源机组运维成本

式中：new,i表示RIES新能源机组单位运维成本系数；new,i()表示时段RIES新能源机组出力。

② 可控负荷成本

③ 燃气轮机发电运行成本

式中：gas表示天然气价格；表示RIES燃气轮机数量；GT,i、GT,i、GT,i表示燃气轮机发电系数。

④ 蓄电池运行成本

式中：ES,i()为时段RIES蓄电池充放能功率，ES,i()>0时表示蓄电池充电，ES,i()<0时表示蓄电池放电；es,i、es,i为成本系数。

(2) RIES热力部分总运行成本

热力部分总运行成本包括燃气锅炉成本、蓄热槽成本、可控负荷成本，如式(33)所示为热力系统时段的总成本。

式中：HS,i()表示时段RIES蓄热槽的储、放热功率，HS,i()>0时表示蓄热槽储热，HS,i()<0时表示蓄热槽放热；hs,i、hs,i为RIES蓄热槽的成本系数；IL,i()、EL,i()分别表示时段RIES可中断、可激励热负荷量；3,i、4,i分别表示RIES可中断负荷和激励负荷的成本系数。

(3) RIES天然气系统总运行成本

天然气系统总运行成本包括P2G成本、储气罐成本、可控负荷成本及向气网购气成本，如式(34)和式(35)所示。

式中：P2G,i()表示P2G消纳弃风的等效收益；表示单位天然气所需二氧化碳系数；C表示二氧化碳价格；buy,i()表示时段RIES向气网的购气量；5,i、6,i分别表示RIES可中断负荷和激励负荷的成本系数；IL,i()、EL,i()分别表示时段RIES可中断、可激励气负荷量；GS,i()表示时段RIES储气罐的储、放气功率,GS,i()>0时表示储气罐充气，GS,i()<0时表示储气罐放气；gs,i、gs,i表示储气罐的成本系数。

2) 博弈从体RIES联盟优化模型的约束条件

(1) 功率平衡约束

① 电功率平衡约束

② 热功率平衡约束

③ 天然气功率平衡约束

(2) 需求响应负荷约束

(3) 各系统可控机组出力上下限约束

(4) 各系统可控机组爬坡约束

式中：up,i、down,i分别表示RIES机组向上爬坡率、向下爬坡率。

(5) 储能装置约束

储能装置约束是为了保证储能装置的充放功率在充放功率上下限之内，储存的能量在设备容量的上下限之内，且保证每日始末的储能量相同。

式中：dis,i、cha,i分别表示RIES储能装置的最大充放倍率；C为储能装置总容量；,i()为储能装置充放能功率，,i()>0时表示储能装置充能，,i()<0时表示储能装置放能；为荷电状态。

3.3 下层RIES联盟成员合作博弈与收益分配

3.3.1 合作博弈模型

在上层主从博弈阶段，多个RIES之间形成合作联盟，共同响应ADN制定的电价，实现效益的最大化。与独立运行不同，RIES合作联盟具有集体理性和个体理性，联盟下整体获得的收益大于各RIES独立运行收益之和，并且联盟下各RIES获得的收益大于独立运行收益。合作联盟模式下，RIES之间通过功率流动达到机组出力的合理利用，从而获得剩余利润，并按照各RIES的边际贡献分配剩余利润[25]。由此可得合作博弈模型如式(46)所示。

3.3.2 Shapley值收益分

将获得的合作剩余按各博弈者的边际贡献进行分配，边际贡献及收益分配的计算式如式(47)和式(48)所示。

4 基于粒子群算法的博弈模型求解

具体的博弈流程如图3所示。

5 算例分析

5.1 算例参数

算例选取改进的IEEE14节点系统，如附录A中图A1所示，RIES内部配置如图1所示。以3个RIES为例，各个RIES中各单元参数如附录A中表A1所示，各个RIES中储能装置参数如附录A中表A2所示，ADN电负荷预测曲线及新能源出力曲线如附录A中图A2所示，各RIES日前电、气、热负荷预测曲线及新能源出力预测曲线如图A3所示。大电网售电电价为0.65元/kW，各RIES与ADN的联络线功率上限为2 MW。

5.2 结果分析

5.2.1 双层博弈仿真结果分析

根据上述博弈模型及相关参数，仿真得到博弈均衡结果如下所示。

图3 双层博弈模型求解流程图

Fig. 3 Flowchart of two-layer game planning model

1) 配电网电价优化结果

表1为达到均衡时配网制定的购售电价策略，配网售电电价始终高于购电电价，从而获得相应收益。在00：00—08：00以及23：00—24：00，配网风力发电较大，相对于内部负荷而言有剩余，此时配网处于净负荷谷时段，制定谷时电价；在08：00—10：00、15：00—18：00以及20：00—23：00，此时配网新能源出力与其负荷相差不大，处于净负荷平时段，制定平时电价；10：00—15：00以及18：00—20：00，配网的新能源出力小于负荷差额较大，净负荷处于峰值，制定峰时电价。

表1 配网分时购售电价均衡解

达到博弈均衡后各RIES内部元件的出力情况以及与配网的购售电量策略如图4—图6所示。

2) RIES1响应主动配电网削峰填谷调度结果如图4所示。

图4 RIES1各元件出力优化情况

Fig. 4 Output optimization of RIES1 components

配网谷电价时段：00：00—08：00和23：00—24：00，RIES1响应配网填谷调度，“电-气-热”配合多用电少发电。电系统：如图4(a)所示，优先消纳新能源，尽量多地支撑负荷，包括激励负荷(如图4(a)中的01：00—7：00和24：00)，多余的电量向蓄电池充电(如图4(a)中的0：00—8：00和23：00—24：00)，还有多余的部分传递给RIES3(RIES3处于缺电状态，如图4(a)中的1：00—3：00和23：00—24：00)，剩余电量向配网售电(如图4(a)中的1：00—5：00和23：00—24：00)。热系统：如图4(b)所示，由于此时电价较低，引导燃气轮机少发电，因此通过激励负荷多用热以及储热罐储热来激励燃气轮机所带热负荷增加。气系统：如图4(c)所示，通过激励气负荷以及储气罐充气的行为减少燃气轮机的使用。

配网平电价时段：08：00—10：00、15：00—18：00以及20：00—23：00，RIES1内部根据自身负荷情况进行响应。电系统：如图4(a)所示，基于优先消纳新能源的原则，部分时段有少量的功率缺额(如图4(a)中的8：00—10：00和15：00—18：00)，燃气轮机出少量的力平衡，不足的电量由蓄电池放电平衡(如图4(a)中的08：00—10：00)，由于RIES2此时有新能源剩余，RIES1接收RIES2传递的电量，剩余的负荷缺额向配网购电获得；部分时段有少量的发电余量(如图4(a)中的20：00—23：00)，此时将发电余量售给配网以获取收益。热系统：如图4(b)所示，由于此时热负荷较高，燃气轮机产热不足，通过储热罐放热以及中断负荷达到负荷平衡。气系统：如图4(c)所示，此时通过储气罐放气以及中断负荷来减少气负荷压力，以获得更高的效益。

配网峰电价时段：10：00—15：00以及18：00—20：00，RIES1响应配网削峰调度，“电-气-热”配合多发电少用电。电系统：如图4(a)所示， RIES1此时内部负荷达到峰值，新能源尽可能出力以平衡中断部分负荷后的负荷量(如图4(a)中的10：00— 14：00)，仍有较大缺额的部分由燃气轮机尽可能大的出力满足，不足的由蓄电池放电平衡(如图4(a)中的10：00—12：00)，由于此时RIES3光伏出力最大，有剩余的电量，还不足的电量由RIES3传递给RIES1补上缺额；18：00—20：00，燃气轮机出力较大，余电售给配网赚取利润。热系统：如图4(b)所示，由于热负荷过小，燃气轮机提供的热功率超出负荷值，剩余的热功率由储热罐储热以及激励负荷来平衡。气系统：如图4(c)所示，中断部分气负荷，满足燃气轮机的供气充足。

3) RIES2响应主动配电网削峰填谷调度结果如图5所示。

配网谷电价时段：00：00—08：00以及23：00—24：00，RIES2响应配网填谷调度，“电-气-热”配合多用电少发电。电系统：如图5(a)所示，存在风电过剩的情况，RIES2优先消纳风电，配网制定的谷时电价激励负荷多用电以消纳新能源(如图5(a)中的00：00—07：00和24：00)，此时燃气轮机以最小出力运行，剩余的电量由蓄电池通过充电消纳(如图5(a)中的00：00—06：00和23：00—24：00)，00：00— 07：00和23：00—24：00，RIES3光伏发电为0，负荷压力较大，RIES2将多余的电量传递给RIES3，由于P2G成本较高，在风电过剩不大的情况下，RIES2优先考虑将余电售给配网(如图5(a)中的00：00— 05：00和23：00—24：00)，06：00—07：00时段风力过剩较大，P2G将电能转化成天然气供给气负荷，剩余电量向配网售电。热系统：如图5(b)所示，燃气轮机供热较少，剩余热负荷由燃气锅炉提供，包括激励的热负荷(如图5(b)中的00：00—05：00和23：00— 24：00)，多的热负荷储存在储热罐中(如图5(b)中的00：00—04：00)。气系统：如图5(c)所示，为了减少燃气轮机的使用，激励气负荷用气(如图5(c)中的00：00—05：00和23：00—24：00)，P2G提供部分气负荷(如图5(c)中的06：00—07：00)。

图5 RIES2各元件出力优化情况

Fig. 5 Output optimization of RIES2 components

配网平电价时段：08：00—10：00、15：00— 18：00以及20：00—23：00时段，电系统：燃气轮机单位发电成本与平时电价相比较小，因此发电量增加，多余的电量传递给RIES1(如图5(a)中的08：00— 09：00)，剩余部分向配网售电(如图5(a)中的08：00— 10：00、15：00—18：00和20：00—23：00)。热系统：少量热负荷中断及储热罐放热(如图5(b)中的06：00— 09：00、15：00—16：00和20：00—23：00)，保证燃气轮机的发电出力。气系统：RIES2消纳新能源后的净负荷较大(如图5(c)中的08：00—10：00和17：00— 18：00)，因此中断部分气负荷及储气罐放气以充分供给燃气轮机运行。

配网峰电价时段：10：00—15：00以及18：00— 20：00，RIES2响应配网削峰调度，“电-气-热”配合多发电少用电。电系统：充分消纳风电后燃气轮机以最大出力运行保证内部的电负荷需求，部分电负荷中断(如图5(a)中的10：00—14：00和18：00)，不足的负荷需求由蓄电池放电提供(如图5(a)中的10：00—15：00)，RIES3此时光伏出力较大，向RIES2提供部分电能(如图5(a)中的11：00)，将平抑负荷后的余电以峰价卖给配网赚取利润。热系统：如图5(b)所示，由于燃气轮机发电量较大，产生的余热较多，余热存入储热罐备用。气系统：如图5(c)所示，燃气轮机较大的耗气量导致天然气管网压力较大，此时通过储气罐放气以及中断气负荷减少负荷压力，保证燃气轮机的正常运行。

4) RIES3响应主动配电网削峰填谷调度结果如图6所示。

配网谷电价时段：00：00—08：00以及23：00— 24：00，RIES3响应配网填谷调度，“电-气-热”配合多用电少发电。电系统：如图6(a)所示，光伏发电较小甚至为0，配网制定的谷价引导燃气轮机以较小的出力运行，激励负荷用电以及蓄电池充电(如图6(a)中的00：00—07：00和24：00)，不足的电量由RIES1(如图6(a)中的00：00—03：00和23：00—24：00)、RIES2(如图6(a)中的00：00—07：00和23：00— 24：00)供给，剩余不足的部分向配网购电以平衡(如图6(a)中的02：00—06：00)。热系统：如图6(b)所示，为了激励燃气轮机所带热负荷增加，通过激励负荷多用热以及储热罐储热来增加用热水平。气负荷：如图6(c)所示，通过激励负荷多用气以及储气罐储气来增加用气水平，引导燃气轮机以较低水平运行。

图6 RIES3各元件出力优化情况

Fig. 6 Output optimization of RIES3 components

配网平电价时段：08：00—10：00、15：00—18：00以及20：00—23：00，电系统：RIES3的购售电以及蓄电池充放电情况根据自身净负荷情况进行适当的规划，净负荷为正时蓄电池放电(如图6(a)中的08：00—10：00和17：00—18：00)，不足的向配网购电(如图6(a)中的20：00—23：00)，净负荷为负时蓄电池充电(如图6(a)中的15：00—16：00)，剩余电量向配网售电获得效益(如图6(a)中的08：00—10：00和15：00—18：00)。热系统：如图6(b)所示，中断部分热负荷，储热罐通过放热平衡负荷，减少热水管道压力。气系统：如图6(c)所示，08：00—10：00和15：00—18：00，通过中断气负荷以及储气罐储气，保证燃气轮机的较大出力，从而多售电给配网，20：00—23：00电负荷需求较大，通过激励气负荷用气减少燃气轮机的出力，确保电功率缺额由向配网购电满足，从而减小用电成本。

配网峰电价时段：10：00—15：00以及18：00— 20：00，RIES3响应配网削峰调度，“电-气-热”配合多发电少用电。电系统：此时光伏出力最大，优先消纳新能源满足电负荷需求，为了增加售电量，燃气轮机以最大出力运行，中断部分负荷以减少负荷压力(如图6(a)中的10：00—14：00和18：00—20：00时段)，蓄电池放电(如图6(a)中的10：00—15：00和18：00—20：00)，多余的电量一部分传递给RIES1(如图6(a)中的10：00—15：00)及RIES2(如图6(a)中的11：00)。热系统：如图6(b)所示，激励部分热负荷用热，储热罐储热激励燃气轮机多发电。气系统：如图6(c)所示，中断部分气负荷和储气罐储气以保证燃气轮机的正常运行，从而获得RIES3的最优效益。

5) RIES与配网的总交易电量如图7所示。

图7 RIES与配网总交易电量情况

Fig. 7 Total sale and purchase in RIES to ADN

从图7可以看出：在部分时段，存在同一时段部分RIES售电和部分RIES购电的情况，而在配网的负荷高峰期，即10：00—14：00及17：00—19：00，RIES全部向配网售电以响应配网侧负荷需求。00：00—10：00，由于部分RIES新能源出力过剩，因此出现向配网售电的情况，谷时电价激励RIES向配网少售电甚至多购电，此时段RIES的购电量是最大的；14：00—17：00及19：00—23：00，配网制定平时电价，相对于谷价时段而言，RIES的购电量减小，售电量增加以获取更高的利益；10：00—14：00及17：00—19：00，峰时电价激励RIES以最大出力供给配网负荷，各RIES停止向配网购电，向配网售电量增加。

由此可见，通过RIES的需求响应行为可以看出，配网的分时电价有效激励了RIES的交易行为，提高了配网的调峰能力和消纳新能源的能力，达到了配网削峰填谷的目的。

5.2.2 场景对比分析

为了验证RIES内部耦合关系及博弈对RIES调度的影响，本文设置4种场景进行对比研究。

1) 场景1：与场景4相比，仅不考虑燃气轮机的热电联产，即燃气轮机只提供电能，热负荷由燃气锅炉供给，不足的通过购热平衡；

2) 场景2：考虑燃气轮机的热电联产，电价以固定电价进行优化调度，此时无法进行双层博弈；

3) 场景3：与场景4相比，仅不考虑合作博弈；

4) 场景4：本文提出的考虑燃气轮机的热电联产、电价设定为分时电价以及考虑合作博弈的双层博弈调度。

按照上述4种场景进行模型的构建，得到的各RIES效益对比如表2所示。

表2 4种场景下各RIES成本对比

从表2的3个RIES效益对比可以看出，相对于场景4，场景1没有余热回收装置，燃气轮机的制热量直接弃用，热力系统缺失的制热量只能靠燃气锅炉和向热网购热填补，造成了资源的浪费和成本的升高；场景2与场景4相比，实施固定电价无法激励柔性负荷进行削峰填谷，亦无法引导各RIES制定合理的购售电量策略，RIES与配网的交互量完全由RIES内部的负荷峰谷情况以及各设备出力情况进行决定，对配网侧的效益和负荷的平衡也有较大的影响；场景3相对于场景4而言未考虑合作博弈，在场景4的情况下，3个RIES之间进行能量的互济，各RIES之间的合作联盟优化了机组的出力，提高了能源的利用率，因此各RIES的成本更低，成本总和更低，验证了合作博弈对RIES经济效益提高的有效性。

5.2.3 各场景对配网削峰填谷的影响

为了对比4种场景下RIES对配网侧削峰填谷的影响，将各场景削峰填谷后的负荷标准差值及峰谷差率进行对比，得到的结果如图8所示。

由图8可知，场景2情况下，RIES联盟削峰填谷后的负荷标准差值最大，峰谷差率最大，削峰填谷水平最低，固定电价致使RIES根据自身能量流动水平决定与配网的交互量，因此无法达到削峰填谷的效果。相对于场景4，场景1的负荷标准差较大，峰谷差率更高，由于不考虑热电联产，燃气轮机产热未直接利用，能源的浪费导致RIES热力系统无法与电力系统产生互通，对配网侧分时电价的响应能力下降，从而降低削峰填谷能力。场景3与场景4的负荷标准差与峰谷差率相近，可知合作博弈为RIES联盟成员内部利益分配及机组出力优化，对RIES削峰填谷能力影响不大。

图8 各场景削峰填谷后标准差值及峰谷差率对比图

Fig. 8 Comparison of standard difference and peak valley difference rate after peak shaving and valley filling in each scene

6 结论

本文根据RIES在主动配电网中的需求响应能力，并考虑RIES之间的合作行为，建立了含多区域综合能源系统的主动配电网双层博弈优化调度模型，运用粒子群算法进行求解，得到了满足收敛条件的Nash均衡解，确定了配网的购售电价以及各RIES的购售电量策略。通过理论及算例分析得到如下结论：

1) RIES考虑了电、气、热之间的多能协同，在与ADN交互的过程中，热力系统和天然气系统配合电力系统完成购售电量的制定，实现了异质能源之间的耦合交互，提高了能源利用率。

2) RIES作为电力产消者，根据ADN的电价浮动调整自身的电量策略，配网侧负荷峰时激励RIES多售电，谷时激励RIES多购电，有效降低了配网侧负荷标准差值及峰谷差率，提高了ADN的削峰填谷能力以及新能源消纳能力。

3) 各RIES之间进行合作博弈，通过功率流动实现电量的互济，达到联盟最优效益后运用Shapley值进行效益分配，有效促进了机组出力的优化，与未考虑合作博弈的策略相比，RIES联盟及各RIES获得的效益最优。

4) 本文思想可为含综合能源系统的主动配电网的高效运行提供参考。

表A1 RIES各单元参数

表A2 各RIES储能装置参数

图A1 改进的IEEE14节点系统图

Fig. A1 The improved IEEE14 system

图A2 配网电负荷及新能源预测曲线

图A3 RIES1、RIES2和RIES3电、气、热负荷及新能源预测曲线

[1] 丁涛, 牟晨璐, 别朝红, 等. 能源互联网及其优化运行研究现状综述[J]. 中国电机工程学报, 2018, 38(15): 4318-4328, 4632.

DING Tao, MOU Chenlu, BIE Chaohong, et al. A review of energy internet and optimized operation[J]. Proceedings of the CSEE, 2018, 38(15): 4318-4328, 4632.

[2] ZHU Mengting, XU Chengsi, DONG Shufeng, et al. An integrated multi-energy flow calculation method for electricity-gas-thermal integrated energy systems[J]. Protection and Control of Modern Power Systems, 2021, 6(1): 65-76.

[3] MOGHADDAM I G, SANIEI M, MASHHOUR E. A comprehensive model for self-scheduling an energy hub to supply cooling, heating and electrical demands of a building[J]. Energy, 2016, 94: 157-170.

[4] 张涛, 郭玥彤, 李逸鸿, 等. 计及电气热综合需求响应的区域综合能源系统优化调度[J]. 电力系统保护与控制, 2021, 49(1): 52-61.

ZHANG Tao, GUO Yuetong, LI Yihong, et al. Optimization scheduling of regional integrated energy systems based on electric-thermal-gas integrated demand response[J]. Power System Protection and Control, 2021, 49(1): 52-61.

[5] 王伟亮, 王丹, 贾宏杰, 等. 能源互联网背景下的典型区域综合能源系统稳态分析研究综述[J]. 中国电机工程学报, 2016, 36(12): 3292-3306.

WANG Weiliang, WANG Dan, JIA Hongjie, et al. A review on steady-state analysis of typical regional integrated energy systems in the context of energy internet[J]. Proceedings of the CSEE, 2016, 36(12): 3292-3306.

[6] 余晓丹, 徐宪东, 陈硕翼, 等. 综合能源系统与能源互联网简述[J]. 电工技术学报, 2016, 31(1): 1-13.

YU Xiaodan, XU Xiandong, CHEN Shuoyi, et al. A brief review to integrated energy system and energy internet[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 1-13.

[7] LI Peng, WANG Zixuan, YANG Weihong, et al. Hierarchically partitioned coordinated operation of distributed integrated energy system based on a master-slave game[J]. Energy, 2021, 214.

[8] 何黎君, 程杉, 陈梓铭. 考虑交互功率控制和双边竞价交易的多微电网双层优化调度[J]. 电力系统保护与控制, 2020, 48(11): 10-17.

HE Lijun, CHENG Shan, CHEN Ziming. Double-layer optimal dispatching of multi-microgrid considering interactive power control and bilateral bidding[J]. Power System Protection and Control, 2020, 48(11): 10-17.

[9] 杨海柱, 李梦龙, 江昭阳, 等. 考虑需求侧电热气负荷响应的区域综合能源系统优化运行[J]. 电力系统保护与控制, 2020, 48(10): 30-37.

YANG Haizhu, LI Menglong, JIANG Zhaoyang, et al. Optimal operation of regional integrated energy system considering demand side electricity heat and natural-gas loads response[J]. Power System Protection and Control, 2020, 48(10): 30-37.

[10] PAN Ersheng, LI Hui, WANG Zhidong, et al. Operation optimization of integrated energy systems based on heat storage characteristics of heating network[J]. Energy Science & Engineering, 2020, 9(2): 223-238.

[11] 谢峥, 刘随阳, 周冬. 基于博弈理论的电力系统扩展规划方法研究[J]. 智慧电力, 2020, 48(5): 86-91.

XIE Zheng, LIU Suiyang, ZHOU Dong. Power system expansion planning method based on game theory[J]. Smart Power, 2020, 48(5): 86-91.

[12] 白牧可, 王越, 唐巍, 等. 基于区间线性规划的区域综合能源系统日前优化调度[J]. 电网技术, 2017, 41(12): 3963-3970.

BAI Muke, WANG Yue, TANG Wei, et al. Day-ahead optimal scheduling of regional integrated energy systems based on interval linear programming[J]. Power System Technology, 2017, 41(12): 3963-3970.

[13] 赵长伟, 张慧颖, 刘春玲, 等. 面向综合能源系统可靠性评估的最优负荷削减量分层解耦计算方法[J]. 全球能源互联网, 2019, 2(6): 538-546.

ZHAO Changwei, ZHANG Huiying, LIU Chunling, et al. Hierarchical decoupling optimal load curtailment algorithm for integrated energy systems reliability evaluation[J]. Journal of Global Energy Interconnection, 2019, 2(6): 538-546.

[14] QURESHY A, DINCER I. Energy and exergy analyses of an integrated renewable energy system for hydrogen production[J]. Energy, 2020, 204.

[15] 周长城, 马溪原, 刘育权, 等. 基于合作博弈的工业园区综合能源系统成本分摊及收益分配方法[J]. 南方电网技术, 2018, 12(3): 60-65.

ZHOU Changcheng, MA Xiyuan, LIU Yuquan, et al. Cost allocation and revenue distribution method of integrated energy system in industrial park based on cooperative game[J]. Southern Power System Technology, 2018, 12(3): 60-65.

[16] 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 Lilan, JING Zhaoxia, WU Qinghua, et al. Equilibrium interaction strategy of integrated energy system based on Stackelberg game model[J]. Automation of Electric Power Systems, 2018, 42(4): 142-150, 207.

[17] WU Q H, ZHENG Jiehui, JING Zhaoxia, et al. Coordinated scheduling of energy resources for distributed DHCs in an integrated energy grid[J]. CSEE Journal of Power and Energy Systems, 2015, 1(1): 95-103.

[18] 王进, 李欣然, 杨洪明, 等. 与电力系统协同区域型分布式冷热电联供能源系统集成方案[J]. 电力系统自动化, 2014, 38(16): 16-21.

WANG Jin, LI Xinran, YANG Hongming, et al. An integration scheme for DES/CCHP coordinated with power system[J]. Automation of Electric Power Systems, 2014, 38(16): 16-21.

[19] 瞿凯平, 黄琳妮, 余涛, 等. 碳交易机制下多区域综合能源系统的分散调度[J]. 中国电机工程学报, 2018, 38(3): 697-707.

QU Kaiping, HUANG Linni, YU Tao, et al. Decentralized dispatching of multi-regional integrated energy system under carbon trading mechanism[J]. Proceedings of the CSEE, 2018, 38(3): 697-707.

[20] 王珺, 顾伟, 陆帅, 等. 结合热网模型的多区域综合能源系统协同规划[J]. 电力系统自动化, 2016, 40(15): 17-24.

WANG Jun, GU Wei, LU Shuai, et al. Optimal scheduling of multi-region integrated energy systems considering heat network constraints and carbon trading[J]. Automation of Electric Power Systems, 2016, 40(15): 17-24.

[21] 张磊, 秦光宇, 刘亚玲. 含电转气的多能源中心协调优化运行策略[J]. 中国电力, 2020, 53(10): 113-122.

ZHANG Lei, QIN Guangyu, LIU Yaling. Coordinated optimization operation strategy for multi-energy center with power-to-gas devices[J]. Electric Power, 2020, 53(10): 113-122.

[22] HEINISCH V, LE A T. Effects of power-to-gas on power systems: a case study of Denmark[C] // 2015 IEEE Eindhoven PowerTech, June 29-July 2, 2015, Eindhoven, Netherlands: 1-6.

[23] 陈磊, 牛玉刚, 贾廷纲. 基于主从博弈的多微网能量调度策略[J]. 电力系统保护与控制, 2020, 48(19): 35-42.

CHEN Lei, NIU Yugang, JIA Tinggang. Multi-microgrid energy scheduling strategy based on master-slave game[J]. Power System Protection and Control, 2020, 48(19): 35-42.

[24] 杨国清, 罗航, 王德意, 等. 分时电价与电动汽车优化调度的主从博弈模型[J]. 电力系统及其自动化学报, 2018, 30(10): 55-60.

YANG Guoqing, LUO Hang, WANG Deyi, et al. Master-slave game model of TOU electricity price and optimal scheduling of electric vehicles[J]. Proceedings of the CSU-EPSA, 2018, 30(10): 55-60.

[25] 刘念, 赵璟, 王杰, 等. 基于合作博弈论的光伏微电网群交易模型[J]. 电工技术学报, 2018, 33(8): 1903-1910.

LIU Nian, ZHAO Jing, WANG Jie, et al. Group transaction model of photovoltaic microgrid based on cooperative game theory[J]. Transactions of China Electrotechnical Society, 2018, 33(8): 1903-1910.

Dispatching strategy of an active distribution network with multiple regional integrated energy systems based on two-level game optimization

LI Xianshan, MA Kailin, CHENG Shan

(Hubei Provincial Key Laboratory of Operation and Control of Cascade Hydropower Stations, China Three Gorges University, Yichang 443002, China)

Aregional integrated energy system (RIES) is usually connected with an active distribution network (ADN) through an electrical interface, and participates in the ADN demand response dispatch. To improve the interaction efficiency of RIES and ADN, a two-level game optimal scheduling strategy for ADN with multiple RIES is proposed. In RIES, a heterogeneous energy optimization and coordination scheduling strategy is established to meet the demands of electricity-gas-heat load of the RIES, and to respond to ADN electricity demand scheduling with the goal of maximizing RIES benefit. A two-layer game scheduling model of ADN and RIES-coalition is established. The upper layer is the non-cooperative game between ADN and RIES-coalition, and the ADN guides RIES-coalition to formulate power purchase and sale strategies responding to the ADN demand scheduling through a time-of-use purchase and sale price policy. The lower layer is RIES-coalition members’ cooperative game to achieve the optimal distribution of coalition trading power among members, and cooperation benefits are shared among coalition members based on the Shapley value. The particle swarm optimization algorithm is used to solve the Nash equilibrium point of the game model, and the optimal electricity price strategy and the optimal electricity purchase and sale strategy of each RIES are obtained. The results of a numerical example show that the proposed strategy can improve the peak shifting and valley filling capacity of ADN, ensure the economy of RIES and the reliable operation of the ADN.

regional integrated energy system; active distribution network;two-level game; optimal scheduling

10.19783/j.cnki.pspc.210303

国家自然科学基金项目资助(51607105)；湖北省自然科学基金项目资助(2016CFA097)

This work is supported by the National Natural Science Foundation of China (No. 51607105) and the Natural Science Foundation of Hubei Province (No. 2016CFA097).

2021-03-23；

2021-08-26

李咸善(1964—)，男，博士，教授，研究方向为微电网运行与控制、综合能源系统优化调度、电力系统运行与控制、水电站仿真与控制；E-mail: lixianshan@ctgu.edu.cn

马凯琳(1998—)，女，通信作者，硕士研究生，研究方向为综合能源系统优化调度。E-mail: makailin72@163.com

(编辑 周金梅)