Processing math: 100%
上海交通大学学报

上海交通大学学报, 2024, 58(1): 11-18 doi: 10.16183/j.cnki.jsjtu.2022.130

新型电力系统与综合能源

考虑主体信用的配电网分布式绿电交易方法

吴清1, 贾乾罡2, 严正,2, 钟准1, 郭颂1, 李志勇1

1.海南电网有限责任公司, 海口 570100

2.上海交通大学 电力传输与功率变换控制教育部重点实验室, 上海 200240

Green Energy Trading in Distribution Network Considering Credit Value

WU Qing1, JIA Qiangang2, YAN Zheng,2, ZHONG Zhun1, GUO Song1, LI Zhiyong1

1. Hainan Power Grid Co., Ltd., Haikou 570100, China

2. Key Laboratory of Power Transmission and Conversion of the Ministry of Education, Shanghai Jiao Tong University, Shanghai 200240, China

通讯作者: 严 正,教授,博士生导师;E-mail:yanz@sjtu.edu.cn.

责任编辑: 王历历

收稿日期: 2022-04-27   修回日期: 2022-09-6   接受日期: 2022-09-22  

基金资助: 中国南方电网有限责任公司科技项目资助(自趋优智慧园区微网系统示范及实训平台研究与建设)(HNKJXM20180209)

Received: 2022-04-27   Revised: 2022-09-6   Accepted: 2022-09-22  

作者简介 About authors

吴清(1971-),教授级高级工程师,从事电力系统自动化研究.

摘要

发展分布式可再生能源是推动能源转型的关键手段,组织市场化交易能够促进分布式可再生能源生产和消纳.然而,可再生能源出力的不确定性使其容易在市场交割时出现偏差,进而为配电系统安全运行带来压力,但现有市场化交易机制仍难以激励市场主体主动减少偏差.为此,通过量化信用成本来引导分布式绿电的诚信交割行为.同时,考虑分布式绿电主体的策略性报价行为,建立考虑主体信用的分布式绿电市场化交易模型.然后,提出基于最优响应法的迭代算法来计算绿电市场的纳什均衡点.算例结果表明:所提市场机制能够以激励相容的方式引导用户的诚信行为,在降低交割偏差的同时提高绿电市场社会福利.

关键词： 分布式发电; 绿电交易; 信用值; 纳什均衡

Abstract

Developing distributed renewable energy is vital to energy system transformation, while organizing market trading will promote the production and consumption of distributed renewable energy. However, the uncertainty of renewable energy output causes deviations during market delivery, which threats the security of distribution system operation. It is still difficult for existing market-based trading mechanisms to motivate market players to reduce the deviations. Therefore, this paper gives guidance to the honest delivery behaviors of distributed green energy producers by quantifying credit costs. Considering the strategic bidding behaviors of distributed green energy producers, it establishes a market model taking the credit costs into account. Then, it proposed an iterative algorithm based on the optimal response theory to calculate the Nash equilibria of the green energy market. The results of the case study show that the market mechanism proposed can give guidance to the integrity behavior of green energy producers in an incentive-compatible way, reducing the delivery deviation while improving social welfare.

Keywords： distributed energy resource; green market trading; credit value; Nash equilibrium

PDF (1504KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

吴清, 贾乾罡, 严正, 钟准, 郭颂, 李志勇. 考虑主体信用的配电网分布式绿电交易方法[J]. 上海交通大学学报, 2024, 58(1): 11-18 doi:10.16183/j.cnki.jsjtu.2022.130

WU Qing, JIA Qiangang, YAN Zheng, ZHONG Zhun, GUO Song, LI Zhiyong. Green Energy Trading in Distribution Network Considering Credit Value[J]. Journal of Shanghai Jiaotong University, 2024, 58(1): 11-18 doi:10.16183/j.cnki.jsjtu.2022.130

“十四五”时期是我国新能源快速发展的时期,也是新能源消纳利用难度大幅增加的时期[1].设计合理的分布式能源消纳机制对于加快构建新型能源体系,实现“双碳”目标有着至关重要的作用.为此,国家发改委和国家能源局印发《能源领域深化“放管服”改革优化营商环境实施意见》《完善能源绿色低碳转型体制机制和政策措施的意见》等相关文件.文件明确了“推动开展分布式发电就近交易,落实相关价格政策”,坚持“深化能源领域体制改革,充分发挥市场在资源配置中的决定性作用,构建公平开放、有效竞争的能源市场体系”,从政策层面鼓励分布式绿电[2],即用风光等可再生能源以零二氧化碳排放所生产的电力就近交易.

当前,学术界已对分布式可再生能源就近交易方案展开众多研究.文献[3]中提出一种点对点交易下兼具储能共享和电能自营模式的储能聚合商交易模型.文献[4]中提出一种基于非对称纳什谈判的多微网电能共享运行优化策略.文献[5]中提出一种基于区块链技术的产消用户端对端电能交易方法.文献[6]中提出一种基于区块链、去中心化的配电侧多微网电能交易模型.文献[7]中提出一种商业园区运营商多能交易博弈优化决策模型.文献[8]中提出一种分层市场架构以实现分散的局域交易与传统集中式批发交易的有效衔接.文献[9] 中提出一种基于强化学习的能源产消者的最优交易策略.文献[10]中提出面向虚拟电厂能量管理的点对点市场交易机制与模型.文献[11]中分析区块链技术在分布式可再生能源交易中绿电追溯、绿证交易、碳交易、绿证与碳资产联合市场方向的关键技术适用性.上述研究为配电网中分布式可再生能源就近交易机制的设计提供了指导和参考.但是,分布式可再生发电资源出力存在固有的不确定性[12],在实际电能交割的过程中,需要市场运营商调用备用、调频等辅助服务以保证系统的安全运行,且电能交割的偏离程度越大,市场运营商需要采购的辅助服务越多,所产生的市场外部成本越高[13].现有的分布式能源市场化交易机制仍缺少针对发电不确定性的监管措施,难以充分激励分布式发电资源生产者准确交割.

为鼓励电能产消者准确交割电能,市场运营商需要制定合理的规则来引导发电主体的交割行为.文献[14]中针对分布式能源的不确定性构造履约信用函数并建立信用奖惩激励机制.文献[15]中将分布式能源生产者的履约情况作为交易标的组织分布式电能交易市场.文献[16] 中建立基于区块链的分布式能源产消者声誉系统并组织分布式电能交易市场.但是,发电主体之间存在竞争,其博弈行为深刻地影响彼此的收益.上述文献并未从博弈论的角度分析引入信用值后市场均衡的变化情况,不能充分证明信用值为分布式能源发电和社会福利带来的影响.

综上所述,本文提出考虑主体信用的分布式绿电市场化交易方法:①提出考虑主体信用的分布式绿电交易机制,以激励相容的方式鼓励配电网中绿电生产者的诚信交割行为,促进整个市场的良性发展.在该机制下,分布式绿电主体提高信用值在增大市场社会福利的同时,也将给自身带来更高利润;②建立考虑主体信用的绿电市场出清模型,并提出基于最优响应法的市场纳什均衡点[17]求解算法.算例结果证明:该市场机制能够引导用户的诚信行为,在降低市场总交割偏差的同时,提高市场社会福利.

1 考虑主体信用的分布式绿电交易机制

1.1 市场构架

分布式绿电交易市场参与者包括配电市场运营商(Distribution Market Operator, DMO)、配电系统运营商(Distribution System Operator, DSO)、分布式绿电生产者(Green Energy Supplier,GES)及分布式绿电消费者(Green Energy Consumer,GEC).其中,DMO负责市场的组织和信用值计算,并配合 DSO实现市场出清.

考虑主体信用的分布式绿电交易机制运行流程如图1所示.DMO和DSO的目标是最大化社会福利,即所有GEC的效用减去所有GES的成本[18-19];GES的目标是出售绿电来最大化自身利润;GEC的目标是购买绿电来满足其自身需求[20].

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   考虑主体信用的分布式绿电交易流程

Fig.1   Green energy trading process considering credit value


绿电市场的运行流程如下:

(1) GES i向DMO策略性提交自身的绿电成本系数和出力上下限;GEC j向DMO提交自身真实的绿电效用系数和绿电需求上下限.

(2) DMO得到GES的绿电生产成本和信用值,以及GEC的绿电效用.然后,以最大化社会福利为目标,配合DSO出清分布式绿电市场,得到GES i的出售量和GEC j的购买量,并将结果返回给绿电产消者.

(3) GES i根据DMO发布的市场出清结果,执行绿电交割,市场主体将按各市场主体的报价结算[21]规则结算.然后,DMO根据GES i的交割结果更新对应的信用值.

1.2 信用值的定义和计算

DSO需要调用备用、调频等辅助服务来弥补GES在电能交割时的偏差,且辅助服务调用成本随着偏差的增大而增加.为此,引入信用值来评价GES的绿电交割行为.信用值计算过程包括以下两个步骤.

(1) 信用值初始化:DMO设定GES i的信用值OgGi初始值为1.

(2) 信用值更新:DMO根据GES i的绿电交割次数Mi和每次交割的偏离程度更新信用值,

OgGi=exp (-1Mi∑nMiαi,n)
(1)

式中:αi,n为GES i第n次交割的偏离程度,0≤αi,n≤1.

由式(1)可知,若GES i的交割行为均无偏差,则其信用值为1;若GES i的交割行为存在偏差,则其信用值随着偏差的增加而下降,随着偏差的减少而上升.信用值将决定GES i在绿电市场出清问题中的信用成本.

在第n次交易结算中,GES i在市场交割中的偏离程度αi, n的计算方式为

αi,n= {|PgG*i,n-PgGi,n|PgGi,n,|PgG*i,n-PgGi,n|PgGi,n>μ0,|PgG*i,n-PgGi,n|PgGi,n≤μ
(2)

式中:PgG*i,n为GES i第n次实际绿电交割量;PgGi,n为GES i第n次绿电市场出清的约定出售量.第n次交易结算中绿电交割电量偏离约定值的比例γi,n小于某一阈值μ即为准确交割,γi,n=|PgG*i,n-PgGi,n|PgGi,n.

假设μ为0.1,图2显示不同交割电量偏离约定值的比例(γi)下,GES i交割偏离程度(αi)和信用值变化的过程.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   GES i交割偏离程度和信用值的变化过程

Fig.2   Changing process of deviation and credit value of GES i


2 考虑主体信用的分布式绿电交易机制

2.1 绿电生产者模型

GES i参与分布式绿电交易的目标为最大化自身利润:

max FgGi
(3)
FgGi=RgGi-CgGi
(4)

式中:FgGi为GES i的利润;RgGi为GES i的出售绿电收入;CgGi为GES i的单位绿电生产成本.

GES i的绿电生产成本为[22]

CgGi= cgGiPgGiΔt
(5)

式中:cgGi为GES i单位绿电的生产成本;PgGi为GES i绿电市场出清的约定出售量;Δt为执行绿电交割的时段长度.

考虑GES i的策略性报价行为,其收益为

RgGi= cgGi,sPgGiΔt
(6)

式中:cgGi,s为GES i在市场中策略性提交的成本参数.

GES i策略性报价的区间为

cgGi.min≤ cgGi,s≤ cgGi,max
(7)

式中:cgGi,max和cgGi,min分别为GES i的策略性报价上下限.不同GES在市场中存在非合作博弈关系,其报价行为将深刻地影响彼此收益.

2.2 绿电消费者模型

根据配电网中工商业用户对绿电的实际需求,仿照电能消费者效用函数[23],给出GEC j的绿电消费效用函数:

UgLj=[dgLjPgLj- lgLj(PgLj)2]Δt
(8)

式中:dgLj和lgLj分别为GEC j绿电消费效用的一次项和二次项系数;PgLj为GEC j的绿电购买量.式(8)表示在一定范围内,随着绿电消费量增加,绿电消费者的效用增加,且边际效用递减.

2.3 考虑主体信用的绿电市场出清问题

DMO收集所有GES和GEC提交的成本系数和效用系数后,计算不同GES的信用值.DMO针对GES i的信用值,在其成本函数中加入信用成本,GES i信用成本的计算方式如下:

VgGi=φ(1- OgGi)(PgGi)2Δt
(9)

式中:φ为信用成本的系数.

DMO配合DSO执行市场出清的目标函数为最大化社会福利Stotal,即最小化社会成本Ctotal:

Ctotal= ∑i∈Ξ(RgGi+VgGi)- ∑j∈ΨUgLj
(10)
Stotal=-Ctotal
(11)
minPgGi,PgLjCtotal
(12)

式中:Ξ为配电网中I个GES的集合,I为GES总数;Ψ为配电网中J个GEC的集合,J为GEC总数.

不同于一般的集中式市场出清[24],信用成本函数将促进GES提高出力预测的精度,鼓励其诚信交割.GES i信用值降低时,其信用成本将增加,这将导致两种情况:①GES i在相同报价下中标的绿电出售量降低;②GES i在相同中标量的情况下报价将降低.两种情况都将导致其利润的下降.因此,GES i为了取得更高收益,需要提高自身的出力预测精度,从而提高信用值,以降低其信用成本.

市场出清问题的等式约束为绿电发用平衡约束:

∑i∈ΞPgGi=∑j∈ΨPgLj
(13)

市场出清优化问题的不等式约束包括GES的绿电出力上下限约束和GEC的绿电消费上下限约束,可表述为下列形式:

PgGi,min< PgGi< PgGi,max
(14)
PgLj,min< PgLj< PgLj,max
(15)

式中:PgGi,min和PgGi,max分别为GES i绿电出售量的下限和上限;PgLj,min和PgLj,max分别为GEC j绿电购买量的下限和上限.

忽略线路网损,配电网线路的潮流约束可以表述为下列形式[25]:

Pxy= ∑z∈ΦPyz- ∑i,j∈Φ(PgGi- PgLj)
(16)

式中:Pxy和Pyz分别为线路xy和线路yz传输的有功功率;Φ为节点y的子节点集合.

配电网的传输线功率限制如下:

-Pxy,max≤Pxy≤Pxy,max
(17)

式中:Pxy,max为配电网线路xy的有功功率传输上限.

DMO在配合DSO出清市场之后,将求解得到的绿电出售量PgGi返回给GES i,并将绿电购买量PgLj返回给GEC j.

3 市场纳什均衡求解算法

在纳什均衡点,任何一位市场参与者单方面改变自己的报价策略都不会提高自身的收益.因此,从纳什均衡的定义出发,基于最优响应理论[26],提出计算市场纳什均衡点的迭代求解算法,具体流程如图3所示.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   绿电交易市场纳什均衡迭代求解算法

Fig.3   Iterative algorithm for solving Nash equilibria in green energy trading


在迭代算法中,每个GES依次更新自身的报价策略[27].在GES i优化报价策略的时候,固定其他GES的报价策略.经过多次迭代,直到市场达到纳什均衡.其中,GES初始化报价策略的方式为随机初始化.

在迭代过程中,GES i的策略优化规则如下:

(1) GES i的报价策略空间[cgGi,min,cgGi,max]离散化为包含Ki个报价策略的集合Γ,便于后续GES i提交和更新报价策略.其中,离散化间隔为cgGi,max-cgGi,minKi.

(2) GES i将报价策略cgGi,s∈Γ提交给DMO.

(3) DMO收集所有GES的报价之后,配合DSO出清市场并将出清结果PgGi返回给GES i,将PgLj返回给GEC j.

(4) GES i计算得到不同报价策略下的收益,选择最优的报价策略并在本轮迭代中固定该策略.

该迭代算法能够实现快速求解纳什均衡点的目的.实际运行中,GES报价过程中可能存在同时更改策略的情况,市场在这种情况下仍可以更慢的速度收敛到相同的纳什均衡[28].

4 算例分析

算例选取IEEE13节点配电网系统,包含5个GES(节点2、4、6、9、12)和12个GEC(节点2~13),配电系统的拓扑结构如图4所示.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   IEEE13节点系统

Fig.4   IEEE13-bus radial distribution power system


网络拓扑参数、所有GES和GEC的真实成本和效用函数参数如表1所示.表中:λ为现货电力价格.

表1   算例参数

Tab.1  Parameters of case study

参数数值
cgGi/(美元·MW-1)29.75/11.87/27.46/12.78/13.99
cgGi,min、cgGi,max/
(美元·MW-1)		0/60
dgLj/(美元·MW-1)42.96/49.74/60.24/68.85/64.15/61.55
67.74/53.25/65.90/64.12/80.83/75.79
lgLj/(美元·MW-2)0.32/0.79/0.55/0.26/0.10/0.30
0.45/0.71/0.33/0.13/0.49/0.47
PgGi,min、PgGi,max/MW0/30
PgLi,min、PgLi,max/MW0/50
Pxy,max/MW20
Ki30
λ/(美元·MW-1)30
φ1
μ0.1
Δt/min5

新窗口打开| 下载CSV


算例设置了如下两个场景:场景1改变所有GES的信用值,测试市场的纳什均衡点变化情况;场景2从GES 2的角度出发,分析其提升预测精度、降低交割偏差前后的市场出清结果,模拟其参与该市场出清的演化进程.

(1) 场景1.图5展示了绿电市场的纳什均衡点.由图5(a)可知,大部分GES的报价随着信用值的提高而逐渐降低.由图5(b)可知,所有GES的绿电出售量随着信用值的增加而增加.由此可知,本文机制下,信用值高的GES可以获得更多交易红利.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   不同信用值下的市场均衡结果变化

Fig.5   Nash equilibria of green electricity trading at different credit values


图6展示了绿电市场中每个GES的收益情况和社会总福利的变化情况.由图6(a)可知,所有GES的利润随着信用值的增加而提高.由图6(b)可知,整个绿电市场的社会福利随着所有GES信用值的提高而增大,即每个GES提高信用值的行为不仅能够促使各自获得更高利润,也能够增大集体利益.因此,所提出的分布式绿电交易机制可以实现分布式绿电交易的激励相容性.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   市场效益分析

Fig.6   Analysis of market benefit of GES in the whole market


(2) 场景2.以GES 2为例,改变绿电交割的偏差比例,分析其信用值的变化以及市场出清结果的纳什均衡演化过程.

图7展示了GES 2的市场出清结果演化情况.图7(a)设定GES 2的绿电电量交割偏差比例(γ)变化情况.假设GES 2在参与交易过程中逐步提升其预测精度,在前10次、11~20次、21~30次、31~40次、41~100次的市场交割的偏差范围分别是±0.5、±0.4、±0.3、±0.2和±0.1,每次交割的实际偏差值在对应偏差范围内抽样产生.图7(b)显示GES 2的信用值变化情况.在参与市场交易初期,由于交割偏差较大,GES 2的信用值先下降,然后随着交割偏差的降低逐渐回升.图7(c)显示GES 2的利润变化情况.GES 2的利润先随着信用值降低而下降,然后随着信用水平的恢复而逐渐回升.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   GES 2市场演化结果

Fig.7   Market evolution results of GES 2


由此可见,对GES而言,提高信用值能够提高自身利润;同时,对于系统而言,GES的行为也有助于降低交割偏差.

5 结语

提出一种考虑主体信用的配电网绿电交易市场方法.首先,提出考虑主体信用的分布式绿电交易机制,引导分布式绿电主体的诚信交割行为.然后,建立考虑主体信用的绿电市场出清数学模型,并提出基于最优响应的迭代算法以计算市场的纳什均衡点.IEEE13节点配电网算例证明所提绿电交易方法能够以激励相容的方式引导用户的诚信行为,在降低交割偏差的同时提高市场社会福利和市场成员个体利益,促进分布式绿电市场的良性发展.

未来研究将集中于以下几个方面:研究基于非理性人假设的GES报价行为,以及所导致的市场均衡变化情况;考虑GEC的策略性报价行为,研究整个市场的均衡变化情况;研究更加高效的迭代算法,提升市场纳什均衡点求解效率;将绿电交易与需求响应结合,形成面向新型电力系统的需求响应机制.

参考文献

新华社.

中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要

[EB/OL]. (2021-03-13) [2023-01-10]. http://www.gov.cn/xinwen/2021-03/13/content_5592681.htm.

URL     [本文引用: 1]

Xinhua News Agency.

Outline of the 14th Five-Year Plan (2021—2025) for national economic and social development and Vision 2035 of the People’s Republic of China

[EB/OL]. (2021-03-13) [2023-01-10]. http://www.gov.cn/xinwen/2021-03/13/content_5592681.htm.

URL     [本文引用: 1]

王栋, 李达, 冯景丽, 等.

考虑绿色属性的多微网间电能可信自治交易方法

[J]. 电力系统自动化, 2022, 46(23): 1-10.

[本文引用: 1]

WANG Dong, LI Da, FENG Jingli, et al.

Trustworthy and autonomous electricity trading method among multiple microgrids considering green property

[J]. Automation of Electric Power Systems, 2022, 46(23): 1-10.

[本文引用: 1]

张巍, 卢骧.

点对点交易下储能聚合商共享自营多模式交易模型

[J]. 电力系统自动化, 2022, 46(2): 15-23.

[本文引用: 1]

ZHANG Wei, LU Xiang.

Sharing and self-operating multi-mode trading model of energy storage aggregators with peer-to-peer trade

[J]. Automation of Electric Power Systems, 2022, 46(2): 15-23.

[本文引用: 1]

吴锦领, 楼平, 管敏渊, 等.

基于非对称纳什谈判的多微网电能共享运行优化策略

[J]. 电网技术, 2022, 46(7): 2711-2723.

[本文引用: 1]

WU Jinling, LOU Ping, GUAN Minyuan, et al.

Operation optimization strategy of multi-microgrids energy sharing based on asymmetric Nash bargaining

[J]. Power System Technology, 2022, 46(7): 2711-2723.

[本文引用: 1]

胡钰, 李华强, 李山山, 等.

基于区块链的产消用户端对端电能交易方法

[J]. 电力自动化设备, 2022, 42(1): 101-108.

[本文引用: 1]

HU Yu, LI Huaqiang, LI Shanshan, et al.

Peer-to-peer power trading method for proconsumers based on blockchain

[J]. Electric Power Automation Equipment, 2022, 42(1): 101-108.

[本文引用: 1]

马腾, 刘洋, 许立雄, 等.

基于区块链的配电侧多微电网电能去中心化交易模型

[J]. 电网技术, 2021, 45(6): 2237-2247.

[本文引用: 1]

MA Teng, LIU Yang, XU Lixiong, et al.

Energy decentralized transaction model of multi-microgrid in distribution side based on blockchain

[J]. Power System Technology, 2021, 45(6): 2237-2247.

[本文引用: 1]

赵银波, 高红均, 王仲, 等.

考虑用户电能替代的商业园区运营商多能交易博弈优化决策

[J]. 电网技术, 2021, 45(4): 1320-1331.

[本文引用: 1]

ZHAO Yinbo, GAO Hongjun, WANG Zhong, et al.

Optimal decision of multi-energy trading game for commercial park operators considering user-side electricity substitution

[J]. Power System Technology, 2021, 45(4): 1320-1331.

[本文引用: 1]

赵天辉, 王建学, 陈洋.

面向综合能源交易的新型城镇分层市场架构和出清算法

[J]. 电力系统自动化, 2021, 45(4): 73-80.

[本文引用: 1]

ZHAO Tianhui, WANG Jianxue, CHEN Yang.

Hierarchical market structure and clearing algorithm for integrated energy trading of new-type towns

[J]. Automation of Electric Power Systems, 2021, 45(4): 73-80.

[本文引用: 1]

王丹, 刘博, 贾宏杰, 等.

基于强化学习的产消用户端对端电能交易决策

[J]. 电力系统自动化, 2021, 45(3): 139-147.

[本文引用: 1]

WANG Dan, LIU Bo, JIA Hongjie, et al.

Peer-to-peer energy transaction decision of prosumers based on reinforcement learning

[J]. Automation of Electric Power Systems, 2021, 45(3): 139-147.

[本文引用: 1]

单俊嘉, 胡俊杰, 吴界辰.

面向虚拟电厂能量管理的点对点市场交易机制与模型

[J]. 电网技术, 2020, 44(9): 3401-3408.

[本文引用: 1]

SHAN Junjia, HU Junjie, WU Jiechen.

Peer-to-peer market trading mechanism and model for virtual power plant energy management

[J]. Power System Technology, 2020, 44(9): 3401-3408.

[本文引用: 1]

李幸芝, 韩蓓, 李国杰, 等.

分布式绿色能源碳交易机制及碳数据管理的挑战

[J]. 上海交通大学学报, 2022, 56(8): 977-993.

[本文引用: 1]

LI Xingzhi, HAN Bei, LI Guojie, et al.

Challenges of distributed green energy carbon trading mechanism and carbon data management

[J]. Journal of Shanghai Jiao Tong University, 2022, 56(8): 977-993.

[本文引用: 1]

李林晏, 韩爽, 乔延辉, 等.

面向高比例新能源并网场景的风光-电动车协同调度方法

[J]. 上海交通大学学报, 2022, 56(5): 554-563.

[本文引用: 1]

LI Linyan, HAN Shuang, QIAO Yanhui, et al.

A wind-solar-electric vehicles coordination scheduling method for high proportion new energy grid-connected scenarios

[J]. Journal of Shanghai Jiao Tong University, 2022, 56(5): 554-563.

[本文引用: 1]

范帅, 危怡涵, 何光宇, 等.

面向新型电力系统的需求响应机制探讨

[J]. 电力系统自动化, 2022, 46(7): 1-12.

[本文引用: 1]

FAN Shuai, WEI Yihan, HE Guangyu, et al.

Discussion on demand response mechanism for new power systems

[J]. Automation of Electric Power Systems, 2022, 46(7): 1-12.

[本文引用: 1]

路尧, 胡健, 张晓杰, 等.

基于DPoA共识机制的分布式电力交易信用激励

[J]. 电力自动化设备, 2022, 42(1): 116-123.

[本文引用: 1]

LU Yao, HU Jian, ZHANG Xiaojie, et al.

Credit incentives of distributed power transaction based on DPoA consensus mechanism

[J]. Electric Power Automation Equipment, 2022, 42(1): 116-123.

[本文引用: 1]

MORSTYN T, MCCULLOCH M D.

Multiclass energy management for peer-to-peer energy trading driven by prosumer preferences

[J]. IEEE Transactions on Power Systems, 2019, 34(5): 4005-4014.

DOI:10.1109/TPWRS.59      URL     [本文引用: 1]

WANG T H, GUO J, AI S P, et al.

RBT: A distributed reputation system for blockchain-based peer-to-peer energy trading with fairness consideration

[J]. Applied Energy, 2021, 295: 117056.

DOI:10.1016/j.apenergy.2021.117056      URL     [本文引用: 1]

刘俊, 王超, 陈津莼, 等.

基于博弈论的城镇能源互联网多市场主体收益模型

[J]. 电力系统自动化, 2019, 43(14): 90-96.

[本文引用: 1]

LIU Jun, WANG Chao, CHEN Jinchun, et al.

Game theory based profit model for multiple market entities of urban energy Internet

[J]. Automation of Electric Power Systems, 2019, 43(14): 90-96.

[本文引用: 1]

CHEN S J, ZHANG L, YAN Z, et al.

A distributed and robust security-constrained economic dispatch algorithm based on blockchain

[J]. IEEE Transactions on Power Systems, 2022, 37(1): 691-700.

DOI:10.1109/TPWRS.2021.3086101      URL     [本文引用: 1]

CHEN S J, MI H N, PING J, et al.

A blockchain consensus mechanism that uses Proof of Solution to optimize energy dispatch and trading

[J]. Nature Energy, 2022, 7(6): 495-502.

DOI:10.1038/s41560-022-01027-4      [本文引用: 1]

PING J, YAN Z, CHEN S J.

A privacy-preserving blockchain-based method to optimize energy trading

[J]. IEEE Transactions on Smart Grid, 2023, 14(2): 1148-1157.

DOI:10.1109/TSG.2022.3198165      URL     [本文引用: 1]

MAZZI N, KAZEMPOUR J, PINSON P.

Price-taker offering strategy in electricity pay-as-bid markets

[J]. IEEE Transactions on Power Systems, 2018, 33(2): 2175-2183.

DOI:10.1109/TPWRS.2017.2737322      URL     [本文引用: 1]

BLUMSACK S.

Basic economics of power generation, transmission and distribution

[DB/OL]. (2022-01-01) [2023-06-26]. https://www.e-education.psu.edu/eme801/node/530.

URL     [本文引用: 1]

CUNNINGHAM L B, BALDICK R, BAUGHMAN M L.

An empirical study of applied game theory: Transmission constrained Cournot behavior

[J]. IEEE Transactions on Power Systems, 2002, 17(1): 166-172.

DOI:10.1109/59.982209      URL     [本文引用: 1]

袁智强, 侯志俭, 宋依群, 等.

考虑输电约束古诺模型的均衡分析

[J]. 中国电机工程学报, 2004, 24(6): 73-79.

[本文引用: 1]

YUAN Zhiqiang, HOU Zhijian, SONG Yiqun, et al.

Analysis of equilibrium of cournot model with considering transmission constraints

[J]. Proceedings of the CSEE, 2004, 24(6): 73-79.

[本文引用: 1]

SONG Y, ZHENG Y, LIU T, et al.

A new formulation of distribution network reconfiguration for reducing the voltage volatility induced by distributed generation

[J]. IEEE Transactions on Power Systems, 2020, 35(1): 496-507.

DOI:10.1109/TPWRS.59      URL     [本文引用: 1]

LI T, SHAHIDEHPOUR M.

Strategic bidding of transmission-constrained GENCOs with incomplete information

[J]. IEEE Transactions on Power Systems, 2005, 20(1): 437-447.

DOI:10.1109/TPWRS.2004.840378      URL     [本文引用: 1]

JIA Q G, LI Y Y, YAN Z, et al.

Reactive power market design for distribution networks with high photovoltaic penetration

[J]. IEEE Transactions on Smart Grid, 2023, 14(2): 1642-1651.

DOI:10.1109/TSG.2022.3186338      URL     [本文引用: 1]

CHEN S J, XU C K, YAN Z, et al.

Accommodating strategic players in distributed algorithms for power dispatch problems

[J]. IEEE Transactions on Cybernetics, 2022, 52(11): 12594-12603.

DOI:10.1109/TCYB.2021.3085400      URL     [本文引用: 1]

/

〈 〉