有限理性下微网容量多策略集演化博弈规划研究：理论、模型与应用.docxVIP

有限理性下微网容量多策略集演化博弈规划研究：理论、模型与应用

一、绪论

1.1研究背景与意义

随着全球能源需求的不断增长和环境问题的日益严峻，发展可持续能源成为了当今世界的重要课题。微网作为一种将分布式电源、储能装置、能量转换装置和负荷有机结合的小型发配电系统，能够实现能源的高效利用和就地消纳，在智能电网发展中占据重要地位，受到了广泛的关注和研究。

微网具有灵活性和可靠性高的特点，能够在并网和孤岛两种模式下运行。在并网模式下，微网可以与大电网进行能量交换，实现电力的余缺互补；在孤岛模式下，微网能够独立运行，为重要负荷提供可靠的电力保障。微网的应用领域广泛，涵盖了城市片区、偏远地区、工业园区、商业中心和居民社区等。在城市片区，微网可以整合分布式能源资源，提高能源利用效率，减少对大电网的依赖；在偏远地区，微网可以解决电力供应不足的问题，改善当地居民的生活质量。

目前，微网在国内外都取得了一定的发展成果。美国、欧盟和日本等发达国家和地区在微网技术研究和项目实践方面处于领先地位，拥有多个示范项目，在微网控制和保护策略、通信协议等方面取得了显著进展。中国也高度重视微网的发展，将其纳入国家能源发展战略，出台了一系列支持政策，如《分布式发电管理暂行办法》《关于做好分布式电源并网服务工作的意见》等，促进了微网技术的研究和应用。国内已经建成了多个微网试点工程，在微网容量规划、运行控制和能量管理等方面取得了一定的经验。

在微网发展过程中，容量规划是关键环节。合理的容量规划能够确保微网在满足负荷需求的同时，实现经济性、可靠性和环保性的最优平衡。如果容量规划不合理，可能导致微网投资成本过高、能源利用效率低下、供电可靠性不足等问题。例如，若分布式电源容量过小，可能无法满足负荷需求，导致微网对大电网的依赖度过高；若储能装置容量过大，虽然可以提高供电可靠性，但会增加投资成本，降低微网的经济效益。因此，准确评估和优化微网中各组成部分的容量，对于微网的稳定运行和可持续发展至关重要。

传统的微网容量规划方法往往假设决策者具有完全理性，能够掌握所有信息并做出最优决策。然而，在实际情况中，决策者受到认知能力、信息获取和处理能力以及决策时间等多种因素的限制，往往只能达到有限理性。有限理性决策理论认为，决策者在决策过程中会寻求满意解而非最优解。在微网容量规划中，考虑有限理性决策具有重要的现实意义。不同的投资主体，如分布式电源投资商、储能装置投资商和微网运营商等，由于其自身利益和目标的不同，在容量规划决策中会存在不同的偏好和策略。例如，分布式电源投资商可能更关注投资成本和发电收益，储能装置投资商可能更注重储能设备的充放电效率和寿命，微网运营商则需要综合考虑微网的整体运行成本、供电可靠性和用户满意度等因素。这些投资主体在决策过程中，由于信息不对称和认知局限，很难做出完全理性的决策。因此，计及有限理性决策的微网容量规划研究，能够更真实地反映实际决策过程，为微网的规划和运营提供更符合实际情况的理论支持和决策依据，有助于提高微网的综合效益和可持续发展能力。

1.2国内外研究现状

微网容量规划的研究由来已久，国内外学者从不同角度进行了深入探讨。早期的研究主要集中在基于确定性方法的容量规划，旨在通过对负荷需求、分布式电源出力等因素的预测，确定微网中各组成部分的最优容量。这种方法假设所有参数都是确定的，计算相对简单，但在实际应用中，由于分布式电源出力的随机性和负荷需求的不确定性，其准确性受到一定限制。

随着研究的深入，考虑不确定性因素的微网容量规划方法逐渐成为研究热点。概率方法通过对分布式电源出力和负荷需求的概率分布进行建模，利用概率统计理论来评估微网的运行可靠性和经济性。例如，有学者采用蒙特卡罗模拟方法，对微网中分布式电源和负荷的不确定性进行大量随机抽样，计算不同场景下微网的运行指标，从而确定最优容量配置。然而，概率方法需要大量的历史数据来准确估计概率分布，且计算量较大，在实际应用中存在一定的局限性。

鲁棒优化方法则通过构建不确定性集合，将不确定性因素纳入优化模型中，以确保在最坏情况下微网仍能满足一定的性能要求。这种方法不需要精确的概率分布信息，具有较强的适应性和鲁棒性。但鲁棒优化方法通常会使优化结果过于保守，导致投资成本增加。

近年来，博弈论在微网容量规划中的应用逐渐受到关注。微网涉及多个利益主体，如分布式电源投资商、储能装置投资商、微网运营商和用户等，他们之间存在着复杂的利益关系和相互作用。博弈论为解决这些多主体决策问题提供了有力的工具。通过建立博弈模型，可以分析各主体之间的策略互动和利益均衡，从而实现微网容量的优化配置。

在国外，一些学者运用博弈论研究了微网中分布式电源和储能装置的容量配置问题。他们考虑了不同投资主体的成本和收益，通过求解博弈模型的纳什均衡，得到各主体的最优