Repast竞价策略模型在电力市场教学中研究.docVIP

Repast竞价策略模型在电力市场教学中研究 　　摘要：在电力市场课程教学中，发电公司竞价策略是个复杂的动态问题，传统的数学解析方法很难对其进行分析计算，这在中长期时间段交易时尤为突出，学生很难理解。提出以最优潮流（OPF）为基础的双层发电公司中长期最优竞价策略学习模型，将外界不确定因素当作该智能体（Agent）的“外部环境”。在所处的环境条件下，Agent通过评价环境作出判断来选择可行的策略方案，通过学习过去的报价经验和对手的行为来指导自身到达最优生产效益的目的。通过在Repast平台下对标准IEEE-5节点6支路系统中进行实例计算，表明其在适应性和寻优解上的优越性。 　　关键词：电力市场；强化学习；智能体；Repast； 　　作者简介：张志刚（1977-），男，湖南洞口人，广西水利电力职业技术学院电力工程系，高级工程师；游义刚（1977-），男，广西柳州人，广西水利电力职业技术学院电力工程系，副教授。（广西#8194;南宁#8194;530023） 　　中图分类号：G642.0#8195;#8195;#8195;#8195;#8195;文献标识码：A#8195;#8195;#8195;#8195;#8195;文章编号：1007-0079（2011）12-0163-02 　　 　　发电公司报价策略问题是伴随电力市场的出现而出现的新问题。不同于传统体制，发电公司作为电力市场竞争的主体，将采用某种竞价策略，通过调节报价参数来实现其自身利益的最大化。另一方面，从市场监管者的角度来看，可以避免发电公司操纵市场的价格，防止过度的市场投机行为。 　　本文提出以最优潮流（Optimal Power Flow，OPF）为基础的双层电力市场环境下的发电公司的中长期最优竞价策略学习模型，并在Repast平台下结合IEEE5节点6支路电力系统实际数据，采用启发式动态规划方法对外界不知晓的因素（包括其余竞争者的边际成本信息、机组容量和报价策略信息等）都当作该智能体（Agent）的“外部环境”。在所处的环境条件下，Agent通过评价环境作出判断来选择可行的策略方案，通过学习过去的报价经验和对手的行为来指导自身到达最优生产效益的目的。 　　一、研究背景 　　1.研究方法[1] 　　对于电力市场环境下的发电公司竞价策略是一类复杂适应系统理论（Complex Adaptive System，CAS）。其基本思想是：CAS的复杂性起源于其中Agent的适应性，Agent与环境以及与其他Agent之间相互作用，不断改变着它们的自身，同时也改变着环境。各个Agent通过相互间交互，可以在整体层次上突现出新的结构、现象和更复杂的行为。而多Agent建模与仿真是CAS理论的重要研究方法与手段。 　　20 世纪90年代以来，基于Agent的仿真建模技术被广泛应用于社会经济和生态等领域的研究。这是一种自下而上面向对象的仿真方法，利用人工智能和计算机科学领域的最新研究成果，在微观层次上直接模拟系统中的Agent以及Agent与Agent之间基于规则产生的相互作用，从而研究系统的整体行为。 　　2.Agent建模工具 　　选择已有的Agent建模工具进行开发，可以使研究集中在Agent行为规则的实现上，减少与领域问题无关的仿真编程的负担。 　　Repast（Recursive Porous Agent Simulation Toolkit）起源于芝加哥大学社会科学计算研究所。其最初设计目标是为社会仿真提供一个易于使用、易于扩展且功能强大的仿真工具包，现已发展成一个通用的Agent仿真平台。 　　Repast 实质上是一组类库，提供了用于Agent仿真建模的各种基类（Basis class）。建模者可以通过直接使用这些类或从这些类继承子类来构造自己的模型。Repast 主要的类库有：分析库，用来聚集、记录数据以及建立数据表；引擎库，负责建立、操纵以及运行一个模拟模型；图形用户界面库，负责实现模拟模型的图形可视化；空间库，通过恰当的接口有效地描述各种类型的空间与图形用户界面库中的显示类联合工作，可实现它们所包含的空间以及对象的可视化；实用工具包库，提供了仿真程序的常用静态方法。 　　利用 Repast 进行建模的步骤如图1所示。 　　二、发电公司竞价策略[2，3] 　　在一个具有N个发电公司的联营体模式现货电力市场中，各个发电公司均理性地追求其自身利润最大化。对于分时市场，申报单的形式可表示为： 　　式（1） 　　式（1）中Bim为发电公司i的第m台机组的报价集合；表示厂商i的第m台机组第k部分容量（MW）；表示厂商i的第m台机组第k部分容量电价＄/MWh；表示厂商i的第m台机组的总容量MW。 　　系统独立调度机构（Independe