日本一道一区二区视频,国产午夜亚洲精品国产成人,国产精品国产三级国产av主播 ,99热久久这里只精品国产99,99热久久这里只精品国产99

高比例新能源滲透情景下火電企業(yè)競價策略研究對保障火電企業(yè)運營和推進新型電力系統(tǒng)建設(shè)具有重要意義?；谥悄荏w建模框架，建立電力現(xiàn)貨市場仿真模型和機組自學(xué)習(xí)決策模型。其中，環(huán)境模塊建立了考慮源荷雙側(cè)不確定性的風(fēng)光火儲多方參與的電力現(xiàn)貨市場出清模型；智能體模塊將火電機組投標(biāo)決策過程刻畫為部分觀測馬爾科夫決策過程，采用深度確定性策略梯度算法求解。以HRP-38節(jié)點系統(tǒng)為例進行仿真分析，明晰高比例新能源下火電企業(yè)市場交易策略。結(jié)果表明：在不考慮火電機組提供輔助服務(wù)的前提下，隨著新能源滲透率的提高，仍有部分位置獨特且具有成本優(yōu)勢的火電機組擁有競爭力；預(yù)測誤差增大將使大容量火電機組投標(biāo)策略趨于保守，而小容量機組投標(biāo)策略相反；火電機組在各類場景下均具有隱性共謀傾向，即彼此隱藏信息時仍同時提高報價。

0 引言

電力市場化環(huán)境下新能源規(guī)模化發(fā)展將帶來市場主體利益格局的深刻調(diào)整。新能源發(fā)電短期運行邊際成本接近零，將對電能量市場出清價格產(chǎn)生沖擊。傳統(tǒng)火電機組在電能量市場將逐步成為邊際機組，其報價仍將持續(xù)影響市場出清價格水平。了解火電在電能量市場獲取的收益水平，評估火電生存空間，可以為政府出臺容量市場、輔助服務(wù)市場等政策提供支撐參考，助力新型電力系統(tǒng)建設(shè)。因此，有必要研究新型電力系統(tǒng)中，不同新能源滲透率下火電機組的電能量市場交易策略。

電力市場主體投標(biāo)策略大多采用優(yōu)化模型、均衡模型或仿真模型。關(guān)于優(yōu)化模型方面，文獻[1]通過計算發(fā)電站在市場出清時中標(biāo)的概率來制定其投標(biāo)策略；文獻[2]研究線路堵塞對發(fā)電站投標(biāo)策略的影響；文獻[3]研究了價格需求響應(yīng)的競價方式對日前電力市場擁堵和局部節(jié)點邊際電價的影響；文獻[4]根據(jù)市場結(jié)構(gòu)、拍賣規(guī)則和招標(biāo)協(xié)議來制定投標(biāo)策略。上述文獻通常只關(guān)注系統(tǒng)中的特定市場參與者，主要在線路堵塞、價格需求響應(yīng)、市場規(guī)則等單個影響因素下研究火電機組投標(biāo)策略，將系統(tǒng)的其余部分簡化為一組外生變量，難以分析各因素的組合影響，也簡化了機組投標(biāo)行為的不確定性。新能源的逐步并網(wǎng)使得發(fā)電側(cè)出力曲線波動性增加，進一步增大了機組報價行為的不確定性，使得優(yōu)化模型難以反映系統(tǒng)的復(fù)雜動態(tài)性。

關(guān)于應(yīng)用均衡模型方面，多以事先假設(shè)的市場主體之間的合作與競爭關(guān)系為基礎(chǔ)，再根據(jù)具體的博弈論原理研究機組的投標(biāo)策略。常見的解決電力市場主體投標(biāo)策略問題的模型有：以價格為博弈策略的伯川德模型[5]、以數(shù)量為博弈策略的古諾模型[2]、包含領(lǐng)導(dǎo)者和追隨者的斯塔克伯格博弈模型[5-8]、以魯賓斯坦博弈模型[5]為代表的完全信息動態(tài)博弈模型，以及聯(lián)盟博弈模型[9-10]等。這些文獻的局限性在于：一是博弈過程嚴格服從理論模型，刻畫實際電力市場博弈過程有限；二是傳統(tǒng)博弈論方法難以求解規(guī)模龐大的狀態(tài)空間和動作空間的市場均衡問題；三是博弈模型不能結(jié)合電力系統(tǒng)網(wǎng)架結(jié)構(gòu)，得到的電力市場主體投標(biāo)策略未能考慮物理因素優(yōu)勢及限制。

仿真模型則在一定程度上解決了優(yōu)化模型及均衡模型的缺陷?；谥悄荏w的建模和仿真（agent-based modeling and simulation，ABMS）將電力市場的復(fù)雜性刻畫為基于規(guī)則的智能體之間動態(tài)交互的集合，更關(guān)注局部互動向全域擴散的規(guī)律，體現(xiàn)了系統(tǒng)異質(zhì)性、自治能力、顯式空間、局部交互、有限理性和非平衡動力學(xué)等概念[11]。如今ABMS在電力領(lǐng)域被廣泛用于研究智能電網(wǎng)[12]、電力市場機制[13-15]、發(fā)電企業(yè)投資決策[16-17]、企業(yè)市場力[18]等問題。在仿真模型中，電力市場交易規(guī)則、市場主體設(shè)置、不確定性問題的處理設(shè)置更加多樣靈活，不做過多假設(shè)的情況下，模型中將考慮更全面的影響因素，失真率較低。

隨著人工智能的發(fā)展，將博弈論和強化學(xué)習(xí)算法結(jié)合起來的智能博弈對抗技術(shù)為參與者眾多、動態(tài)變化的復(fù)雜場景提供了有效分析工具[19]，其中博弈論能夠提供有效的解概念來描述多智能體系統(tǒng)的學(xué)習(xí)結(jié)果，強化學(xué)習(xí)算法則為智能體的訓(xùn)練提供了可收斂性學(xué)習(xí)算法。強化學(xué)習(xí)算法例如Erev-Roth算法[20]、Q-learning[21-22]、深度確定性策略梯度算法（deep deterministic policy gradient，DDPG）[23-24]等均被逐步應(yīng)用到電力市場交易策略的研究中。

對于新能源機組與傳統(tǒng)火電機組共存的投標(biāo)策略的研究，大多數(shù)文獻設(shè)置了新能源高滲透率場景，并集中探究火電機組與其他類型電源的合作關(guān)系。如文獻[25]基于合作博弈論建立風(fēng)水火聯(lián)合運營模型，通過不同合作模式和獨立運營的對比分析表明風(fēng)水火聯(lián)營能夠有效實現(xiàn)整體經(jīng)濟效益和環(huán)境效益最大化，并且有效解決棄風(fēng)棄水和火電企業(yè)經(jīng)營困難的問題。文獻[26]通過建立考慮投標(biāo)偏差懲罰的風(fēng)火機組聯(lián)合組成的兩階段隨機整數(shù)規(guī)劃競價模型對風(fēng)火聯(lián)合競價策略進行研究。文獻[27]重點考慮風(fēng)電的消納問題，針對不同尺度的電力市場提出了不同的競價優(yōu)化交易策略模型，算例分析結(jié)果表明風(fēng)電和火電聯(lián)合參與電力市場會具有額外收益。

綜上，目前有關(guān)火電企業(yè)交易策略的研究對市場環(huán)境與變量的刻畫不全面，未考慮復(fù)雜動態(tài)的電力市場環(huán)境，同時沒有采用仿真方法研究能源轉(zhuǎn)型過程中不同新能源滲透率與火電機組投標(biāo)策略的關(guān)系。為研究該問題，本文基于ABMS框架，建立多類型能源電力現(xiàn)貨市場交易仿真模型。在假設(shè)發(fā)電企業(yè)之間彼此隱瞞信息的情況下，采用將環(huán)境交互與策略實時學(xué)習(xí)相結(jié)合的DDPG算法求解機組最優(yōu)競價行為，同時改寫算法中原本的環(huán)境概念，將電力市場出清隨機優(yōu)化模型作為算法中的環(huán)境。在仿真過程中，環(huán)境模塊的市場出清模型計算結(jié)果作為智能體學(xué)習(xí)的數(shù)據(jù)輸入，智能體模塊的投標(biāo)決策輸出作為市場出清模型的投標(biāo)數(shù)據(jù)輸入，環(huán)境模塊與智能體模塊不斷交互迭代，機組將學(xué)習(xí)最優(yōu)投標(biāo)策略。以HRP-38節(jié)點系統(tǒng)為例進行模擬，研究不同新能源滲透率、不同預(yù)測誤差以及有無儲能等場景下火電機組的交易策略及收益情況，結(jié)果驗證了模型的有效性，明確了高比例新能源滲透率下火電企業(yè)市場交易策略。

1 總體框架

ABMS通過設(shè)置和調(diào)整個體水平上的智能體的行為和互動模式，觀察集體水平上的總體特征改變，精確而低成本地控制變量。基于ABMS框架，實現(xiàn)對實際電力市場的優(yōu)化出清模擬。智能體與市場出清模型之間的交互模式如圖1所示。仿真模型通過對發(fā)電系統(tǒng)、電網(wǎng)系統(tǒng)、電力負荷等市場參數(shù)的精細建模，采用考慮安全約束的機組組合和經(jīng)濟調(diào)度優(yōu)化算法進行仿真出清，輸出各類電源發(fā)電出力、節(jié)點邊際電價、輸電網(wǎng)阻塞和負荷購電成本等物理和經(jīng)濟性指標(biāo)。將發(fā)電系統(tǒng)中的發(fā)電機組設(shè)置為智能體，機組的學(xué)習(xí)和決策行為建模為部分觀測馬爾科夫決策過程。通過優(yōu)化模型參數(shù)和調(diào)整智能體行為來觀察火電機組的交易策略和收益情況，進而觀察市場總體變化。

圖 1智能體與電力市場出清模型交互流程

Fig.1Flowchart of the agent interacting with the electricity market clearing model

2 電力現(xiàn)貨市場建模

2.1 安全約束機組組合模型

安全約束機組組合模型以系統(tǒng)發(fā)電成本最小為目標(biāo)，即

3 火電機組智能體模型

3.1 火電機組行為建模

4 算例分析

本文使用Python語言構(gòu)建上述模型，采用Cplex求解器求解市場出清模型，采用Pytorch庫搭建DDPG強化學(xué)習(xí)算法。

市場出清規(guī)則中，基于發(fā)電側(cè)報量報價、系統(tǒng)負荷預(yù)測以及運行日電網(wǎng)運行邊界條件，每小時為一個出清時段，對運行日的24個時段統(tǒng)一出清。市場出清模型中供給曲線由發(fā)電側(cè)申報形成?；痣姍C組申報三段非遞減階梯式價格以及對應(yīng)發(fā)電量區(qū)間，在仿真模型中作為輸入數(shù)據(jù)，其策略空間為該分段函數(shù)的1.0~1.5倍；風(fēng)電、光伏報價設(shè)置為最低100元/(MW·h)；市場出清價格上限為1500元/(MW·h)。

4.1 場景設(shè)計

本文基于HRP-38節(jié)點系統(tǒng)自帶數(shù)據(jù)，該系統(tǒng)包括38個節(jié)點、164條輸電線路、44臺火電機組、52臺光伏機組和34臺風(fēng)電機組，其電源形態(tài)具備“高比例”可再生能源的特征，拓撲結(jié)構(gòu)、機組裝機及相關(guān)參數(shù)見文獻[31]。

1）場景設(shè)置。

算例整體場景設(shè)置如表1所示。

場景0作為基礎(chǔ)情景，根據(jù)全年8760 h數(shù)據(jù)，將系統(tǒng)新能源滲透率劃分為40%~45%、55%~60%、65%~70%以及80%以上共4類場景，各場景分別拓展到1500天數(shù)據(jù)進行訓(xùn)練。用電負荷及風(fēng)電、光伏出力均采用原始模擬數(shù)據(jù)作為預(yù)測值且根據(jù)目前實際水平設(shè)置預(yù)測誤差。

場景1在基礎(chǔ)情景上，考慮源側(cè)不確定性下降。

場景2在場景0的基礎(chǔ)上，每節(jié)點配置2 h獨立儲能，儲能容量按照該節(jié)點15%風(fēng)電機組容量、10%光伏發(fā)電機組容量計算加總。設(shè)置儲能固定參數(shù)如下：模擬時間內(nèi)起始和結(jié)束時段SOC均為30%，充、放電效率為92%，申報充電價格為150元/(MW·h)，放電價格為300元/(MW·h)。

2）智能體機組選擇。

本文根據(jù)節(jié)點本身機組配置、周邊區(qū)域各能源機組配置、輸電線路容量配置等因素，選取了如表2所示4個典型節(jié)點進行分析。接入這4個節(jié)點的共計11臺火電機組將作為智能體進行戰(zhàn)略投標(biāo)，表3展示了其運行參數(shù)。系統(tǒng)中的其余火電機組按照數(shù)據(jù)默認參數(shù)設(shè)置，投標(biāo)按照邊際成本曲線。

4.2 場景分析

考慮仿真結(jié)果的可信度，以下結(jié)果分析選用了從電力市場業(yè)務(wù)角度和模型計算角度均合理有效的實驗結(jié)果共30次的均值。

4.2.1 場景0分析

以24 h節(jié)點負荷及節(jié)點電價作為狀態(tài)信息進行訓(xùn)練，得到場景0中各智能體獎勵曲線如圖3所示。其中，場景0.3和0.4結(jié)果類似，故略去場景0.3對應(yīng)圖。收斂結(jié)果如表4所示，表中最佳報價為邊際成本價倍數(shù)。各機組利潤如表5所示，強化學(xué)習(xí)前后的結(jié)果分別對應(yīng)標(biāo)記為1、2。

圖 3機組獎勵曲線

Fig.3Units reward curve

注：表內(nèi)數(shù)值為邊際成本報價的倍數(shù)。

1）節(jié)點6。

節(jié)點6接入了6臺火電和1臺風(fēng)機。根據(jù)仿真結(jié)果，隨著新能源滲透率升高，節(jié)點6凈流入電量增多，火電發(fā)電空間下降，6臺火電不僅彼此之間憑借成本優(yōu)勢競爭，還與周圍節(jié)點機組競爭。節(jié)點6強化學(xué)習(xí)前后出清電價的對比以及節(jié)點6接入的火電機組的出力結(jié)果對比如圖4所示。圖5為強化學(xué)習(xí)后輸電線路潮流，縱軸正向電量表示流出。其中，場景0.3和0.4結(jié)果類似，故場景0.3對應(yīng)圖未列出。

圖 4 節(jié)點6場景0優(yōu)化結(jié)果

Fig.4 Optimization results of scenario 0 of bus 6

圖 5 節(jié)點6輸電線路潮流

Fig.5 Bus 6 transmission line power flow

場景0.1中，節(jié)點6在中午時段有電量凈流入，其余時段電量凈流出。18:00之后6臺火電機組均開機，報價低的機組最多增發(fā)電量到第2段發(fā)電區(qū)間。中午時段新能源未完全消納，火電機組擠占了新能源發(fā)電空間，有調(diào)峰缺口。強化學(xué)習(xí)后第一段報價較低的4臺火電機組提高報價且到最高倍數(shù)，導(dǎo)致晚高峰時期節(jié)點電價有顯著提高。上述現(xiàn)象說明當(dāng)新能源發(fā)電量低時，系統(tǒng)對火電機組需求較大，按照滿足晚高峰負荷的條件安排火電機組的最小開停機時間，火電作為晚高峰邊際機組擁有提高報價的動機和提高報價后仍被調(diào)度的條件。

場景0.2中，節(jié)點6在大部分時段為電量凈流入。強化學(xué)習(xí)后火電27、29提高報價的同時減少發(fā)電量，利潤提升。例如火電27在中午節(jié)點電價低時段不發(fā)電減少虧損，晚高峰作為邊際機組抬高節(jié)點電價增大收益。

場景0.4中，節(jié)點6全時段電量凈流入，節(jié)點電價100元/(MW·h)的時段繼續(xù)擴大?；痣?6和火電39為滿足節(jié)點6剩余負荷而維持最小技術(shù)出力，但該機組與其他節(jié)點的機組相比競爭空間小，強化學(xué)習(xí)后策略為保持最低成本報價。

2）節(jié)點12。

節(jié)點12接入了5臺風(fēng)機和1臺火電，其周圍5個節(jié)點接入大量新能源機組，因此節(jié)點12唯一的一臺火電44僅在新能源滲透率較低而負荷高峰時段運行保供。在場景0.1中，在晚高峰供需緊張時提高報價至1.21倍，其余場景中即使以邊際成本報價也未能中標(biāo)，優(yōu)化結(jié)果如圖6所示。

圖 6 節(jié)點12場景0.1優(yōu)化結(jié)果

Fig.6 Optimization results of scenario 0.1 of bus 12

3）節(jié)點15。

節(jié)點15接入了3臺火電以及1臺光伏，因光伏僅白天發(fā)電的出力特性，3臺火電有大量出力空間。根據(jù)仿真結(jié)果，節(jié)點15在不同場景中全時段電量凈流出，火電0、1、2在該節(jié)點及其周邊區(qū)域有較大競爭力。節(jié)點15出清電價的對比以及節(jié)點15接入的火電機組在情景0強化學(xué)習(xí)前后的出力結(jié)果對比如圖7所示。其中，場景0.3和0.4結(jié)果類似，故場景0.3對應(yīng)圖未列出。

圖 7 節(jié)點15情景0優(yōu)化結(jié)果

Fig.7 Optimization results of scenario 0 of bus 15

場景0.1中，強化學(xué)習(xí)后火電0提價幅度低于其他機組，經(jīng)驗證，其后兩段報價為3臺機組最低且全時段均未作為邊際機組，由此保證發(fā)電量前提下的最高報價即為最佳報價?；痣?、2均提高報價至最大倍數(shù)，因其在00:00—09:00作為邊際機組，抬高節(jié)點電價同時減少發(fā)電量可提高利潤。晚高峰19:00—21:00時節(jié)點出清電價與本節(jié)點機組報價無關(guān)，因負荷需求大，發(fā)電資源緊張，3臺機組已達滿發(fā)狀態(tài)，需要調(diào)度其他節(jié)點火電機組發(fā)電。

場景0.2中，火電1和2分別作為上午和晚高峰的邊際機組，強化學(xué)習(xí)后報價提高幅度較小，只將報價提高到下一調(diào)度電量區(qū)間的報價。原因是此時周邊區(qū)域存在未被調(diào)度機組，本節(jié)點火電機組邊際電量區(qū)間的報價只能提高至其他節(jié)點火電機組未被調(diào)度電量區(qū)間的報價水平。

場景0.4中，節(jié)點15全時段電量凈流出，強化學(xué)習(xí)后3臺機組均提高報價，在中午新能源大發(fā)時段仍維持最小技術(shù)出力，說明3臺火電機組在周邊節(jié)點區(qū)域的機組中有較大競爭力。

分析這3臺機組在所有場景中均能高報價的原因，除了物理拓撲結(jié)構(gòu)和成本優(yōu)勢起到重要作用外，火電機組之間形成了隱性共謀。在新能源滲透率越高、火電機組發(fā)電份額越低即發(fā)電份額競爭越激烈的情況下，經(jīng)過對1500次彼此隱瞞信息的重復(fù)競爭的經(jīng)驗學(xué)習(xí)，最終形成了類市場均衡解，各火電機組達成提高報價的共識。

4）節(jié)點28。

節(jié)點28僅接入1臺火電。根據(jù)仿真結(jié)果，節(jié)點28在不同場景中均為電量凈流入，火電3雖然沒有成本優(yōu)勢，但由于輸電線路限制以及周圍節(jié)點新能源資源較少等位置優(yōu)勢，有較大競爭力。節(jié)點28出清電價的對比以及節(jié)點28接入的火電機組在場景0強化學(xué)習(xí)前后的出力結(jié)果對比如圖8所示。其中，場景0.3和0.4結(jié)果類似，故場景0.3圖未列出。

圖 8 節(jié)點28場景0優(yōu)化結(jié)果

Fig.8 Optimization results of scenario 0 of bus 28

在場景0.1中，00:00—09:00因為輸電線路容量限制低價電無法輸送，所以強化學(xué)習(xí)后火電3作為邊際機組報價達到最大倍數(shù)，其發(fā)電量維持在第2段電量區(qū)間；中午電價低于發(fā)電成本時段不發(fā)電；晚高峰時段發(fā)電資源緊張，火電3滿發(fā)并且節(jié)點出清電價遠高于其報價，說明此時火電3不是邊際機組，制約其報價的時段為00:00—09:00。

場景0.2、0.3和0.4中，輸電線路的限制導(dǎo)致火電3可以保持高報價。場景0.4中報價比0.2更高，這是因為新能源滲透率的增大使得系統(tǒng)不確定性的增大，在輸電線路容量有限制的情況下，火電3作為節(jié)點28唯一的火電機組需要保證滿足負荷。

4.2.2 場景1分析

與場景0相比，新能源出力預(yù)測精度提升后系統(tǒng)不確定性下降，火電機組投標(biāo)風(fēng)險下降，可獲得相對穩(wěn)定利潤，在每次迭代中能夠有效學(xué)習(xí)，各機組強化學(xué)習(xí)收斂速度加快，利潤值波動范圍縮小。

場景1機組最佳報價如表6所示，與場景0中新能源滲透率相同的場景相比，大容量火電機組策略沒有大幅變動，而火電0的報價策略更加保守。為驗證其結(jié)果，將各節(jié)點容量大于3000 MW的火電機組按照原參數(shù)拆分為500 MW及1000 MW小容量機組獨立參與市場，小機組的啟停成本按照容量比例的1.1倍分攤，生產(chǎn)技術(shù)參數(shù)、三段報價保持不變。增設(shè)預(yù)測誤差為25%、20%的新場景。

注：表內(nèi)數(shù)值為邊際成本報價的倍數(shù)。

隨著實驗中預(yù)測誤差逐步增大，強化學(xué)習(xí)中小容量機組（以下簡稱小機組）的獎勵曲線收斂變慢。分析小機組訓(xùn)練中1500次出清結(jié)果，當(dāng)系統(tǒng)不確定性越大時，小機組選擇保守策略并不能保證利潤，反而選擇激進報價策略時獲得加權(quán)平均利潤越大的概率越大。

小機組的這種投標(biāo)模式導(dǎo)致生產(chǎn)效率的進一步損失。在小機組造成的效率損失中，相比場景0中所述的因追求利潤最大化時使用市場權(quán)力而造成的效率損失，占比更大的是由各機組的投標(biāo)策略結(jié)果無法與預(yù)期利潤最大化行為相一致而造成的效率損失。因此合并小機組可以改善生產(chǎn)效率低下的市場表現(xiàn)。

4.2.3 場景2分析

在各節(jié)點按照新能源裝機比例配置儲能后，進一步分析各火電機組報價策略。表7、8分別展示各機組最佳報價和利潤。相比場景0和1各場景，場景2的各數(shù)據(jù)均大幅度降低，各火電機組報價趨于保守，節(jié)點12、15、28的晚高峰節(jié)點電價降幅均在50%左右。

注：表內(nèi)數(shù)值為邊際成本報價的倍數(shù)。

節(jié)點6和15的儲能設(shè)備實現(xiàn)至少兩充兩放，與此對應(yīng)火電機組發(fā)電空間進一步縮減。節(jié)點6各火電機組強化學(xué)習(xí)后報價僅在新能源滲透率較低的場景2.1中稍有上升，而此時由于各機組之間競爭大，報價上升幅度局限于各機組報價的差價區(qū)間。其余場景均降至成本價。場景2.3和2.4中強化學(xué)習(xí)前全時段節(jié)點電價低于火電最低成本價，此時全時段邊際電量由儲能提供；強化學(xué)習(xí)后晚高峰時期節(jié)點電價提升至火電26的報價，此時火電26成為邊際機組。

節(jié)點15由于配置儲能使得發(fā)電資源緊張問題在一定程度上得到緩解，3臺火電機組的競爭力也因此被部分削弱。然而由各場景報價和利潤可知，這3臺機組在系統(tǒng)中仍具備強市場力。

除火電機組整體利潤下降之外，所有現(xiàn)象的分析與場景0保持一致。

5 結(jié)論

本文基于ABMS框架，建立多類型電力現(xiàn)貨市場交易仿真模型，將火電機組建模為智能體，為火電機組提供了探究其利潤最大化投標(biāo)策略的方法流程。以HRP-38節(jié)點為例研究不同新能源滲透率下火電機組投標(biāo)策略，得出如下結(jié)論。

1）對于單個火電機組，影響其投標(biāo)策略的因素包括自身技術(shù)參數(shù)及成本、發(fā)電側(cè)其他競爭對手的出力和成本（邊際報價）、輸電線路傳輸容量、負荷側(cè)的電力需求等。考慮上述因素對市場出清電價影響，制定具體機組的投標(biāo)策略。

一般來說，當(dāng)自身成本相比同節(jié)點其他火電機組較低、新能源機組出力未能覆蓋負荷需求、輸電線路容量存在阻塞等情況下，在中標(biāo)的前提下，非邊際機組在保證發(fā)電量的條件下提高報價，而邊際機組傾向于提高報價且有部分機組會采取減少發(fā)電量作為最后一段報價博弈策略。

隨著新能源滲透率的增大，系統(tǒng)中火電機組總體盈利空間逐步縮減，部分火電機組參與電能量市場不能獲利，僅少數(shù)火電機組憑借成本和節(jié)點位置優(yōu)勢在競爭中能夠提高報價并中標(biāo)。

在相同的新能源滲透率場景下，新能源出力的預(yù)測誤差越大，火電機組外部環(huán)境感知的不確定性越大，因此投標(biāo)策略學(xué)習(xí)過程變慢。

在系統(tǒng)內(nèi)配置儲能雖然進一步縮減了火電機組的發(fā)電份額和盈利空間，但是因儲能平抑了新能源不確定性，火電機組投標(biāo)策略學(xué)習(xí)進度較快。

2）火電機組存在“隱性共謀”現(xiàn)象。在機組彼此信息不互通的假設(shè)條件下，當(dāng)新能源滲透率較低時，因系統(tǒng)對火電的需求大，大部分火電機組選擇提升報價的策略，而且利潤上升幅度大。此時參與該市場的火電機組多且行為存在差異性，“隱性共謀”現(xiàn)象存在但不甚明顯。隨著新能源滲透率的增大，一部分火電機組不再參與上述市場，剩余的少部分火電機組憑借其優(yōu)勢共同選擇提高報價，此時“隱性共謀”現(xiàn)象凸顯。

3）對于電力市場表現(xiàn)，各火電機組追求利潤最大化時提高報價使得系統(tǒng)沒有達成最低生產(chǎn)成本，造成了電力市場生產(chǎn)效率損失，具體表現(xiàn)為低成本機組報價高于出清價格時不會中標(biāo)，高成本機組報價低于出清價格時也不會減少生產(chǎn)。相對而言容量較小的火電機組的激進報價模式增大了各機組競價的不確定性，使得各機組的投標(biāo)策略結(jié)果無法與預(yù)期的利潤最大化行為相一致，可能導(dǎo)致生產(chǎn)效率進一步損失。

本文只考慮了現(xiàn)貨電能量市場，未考慮多級電力市場。下一步將進行新能源高滲透率下各電源類型參與多級電力市場的報價策略研究。