现实电力市场中边际电价结算和发电方报价价格结算竞价机制

现实电力市场中边际电价结算机制和市场竞价结算机制对比

Eric Gue rci and Mohammad Ali Rastegar

翻译：何晔 5130719026

【摘要】日前意大利批发电力市场的会议上一个基于代理计算模型被提出用以模拟对比市场在边际电价结算机制和市场竞价结算机制下不同的表现。宏计算结果我们通过检验它对过去情形模拟的准确性来提供理论支持。除了少数用电高峰时期，模拟得到的电价水平都很准确。至于考虑市场竞价结算机制时，数值实验表明这样会模拟得到相对于考虑边际电价结算机制时更高的市场电价。在市场竞价结算机制中，发电方为最大化利益所付出的成本更高因此电价更高。

12.1 前言

设计电力竞价机制的关键点之一与定价方式有关。通常我们采用统一价格（按边际价格结算SMP）或按报价结算（PAB）价格。在经济学中，那种价格结算方式更有效并没有定论，但SM -P（按边际价格结算）机制更加流行。如今所有欧洲主要的电力市场都采用这套机制。然而，P -AB（按报价价格结算）和SMP（按边际价格结算）各有优缺点，并且这些优势、劣势可能会在特定的市场环境中体现或加强。比如说，电力市场发展成“无限重复市场机制”的本质可能诱使竞标者默契合谋（暗中勾结）。竞标者之间频繁重复的“互动”拓展到了暗号和一套有效的惩罚机制使他们可以配合协作。

有几个作者已经分析了2001英国由OFGEM执行的电力市场改革。OFGEM认为SMP机制更容易受制于策略操纵且可能对某种不良的暗中勾结无能为力。相反地，OFGEM设想PAB机制可以降低暗中勾结获得的机会，因为此时出价将不再是不必付出代价的威胁。这些作者在某些情况下反对OFGEM提出的这项改革。比如，C.D.Wolfram声称考虑到英国电力市场结构的高度聚集——少数发电公司掌控着市场，转换为PAB体制并不能解决电价高的问题。J.Bower and D.W.Bunn 甚至认为改革事实上会提高市场电价。他们的分析是根据基于代理模拟模型。主要原理是：市场电价一般不公开，占有很大市场份额的代理商在PAB机制中可以获得重要的信息优势，因此他们面对的竞争压力更小。G.Federico和D.M.Rahman从两个极端的市场体制的角度（也就是说，完全竞争和垄断供需）来研究这两个定价法则，他们的结论与OFGEM一致，就是，PAB体制更可能减小市场权势的影响并且能降低平均电价，导致更低的行业利润。

本篇论文引出了这个引人关注的问题并提议使用日前意大利批发电力市场会议上的一个基于代理模拟模型来验证这个重组建议的有效性。一些构建复杂市场模型引人注意的角度，比如在电力市场中，一个自下而上的角度促进了一个计算方法在经济学中，特别是在批发电力市场研究中的应用。再这样一个人工计算环境中，自主的、自私的、适应的以及多元化的一些市场代理商可能会在彼此间重复地相互博弈，从而形成了一个现实的经济动态系统。A.Azadeh 等人已经提出过通过基于代理技术比较电力市场定价机制，但是他们是对一个简化的市场环境展开这种分析。同时，他们文章中的很多工作都是提出了国家批发电力市场的详尽模型，但很少提到实证验证模型预测能力的工作。我们的文章设法完成这两件工作：比较实证验证的市场机制和一个现实的市场模型。为了更好地复制意大利市场的真实特征，一个数据驱使的的计算模型将被用来在宏观层面实证验证考虑SMP机制而提出的模型。

本文结构如下：12.2介绍物理约束市场模型，意大利电网模型，基于代理计算模型和学习算法的采用。12.3介绍计算实验设定并展示讨论结果。结论在12.4中给出。

12.2 ACE Model

12.2.1 Market model

在下文中，DAM 扫清市场的过程被详尽给出，它是基于标准直流最优功率流（DCOPF ）。每

个第i （i=1,2，...,N ）个发电厂向DAM 分别递交由一对他愿意支付的限价i

P ?（欧元/兆瓦时）组成的投标价和他同意生产的最大电量i

Q ?（兆瓦）。我们假设每个发电单位有生产下限i Q 和生产上限i Q ，这就确定了该生产单位每小时实际产电量的可行区间：i

i i Q Q Q ≤≤?（兆瓦）。 第i 个发电厂的总成本函数如下：

)()(i i i l i i b Q a FP Q TC +??= （欧元/小时） （12.1）

其中l FP （欧元/吉焦）为第i 个发电厂所用燃料（l ）的价格，系数i a （吉焦/兆瓦时）和i b （吉焦/小时）设为常数。这组系数),(i i b a 随发电站的技术和效率而变化。常数项i l b FP ?对应空载成本，也就是发电厂保持产量为零时的固定成本。然而这些成本在电厂关闭时会消失。第i 个发电厂不变的边际成本很容易由相应的总成本函数)(i i Q TC 得到：

i l i a FP MC ?= （欧元/兆瓦时） （12.2）

在收到所有发电厂的投标价后，DAM 在考虑如下约束条件下：区域能量平衡（the zonal e nergy balance ）（基尔霍夫定律），每个发电厂的最大最小容量以及区域间传输限制，通过实行社会福利最大化来扫清市场。由于假定无价格弹性的需求，目标函数仅仅考虑了供应方面的市场份额。因此。社会福利的最大化可以转变为一个总报告生产成本的最小化，也就是说，对投标价格进行估计（见方程12.3）。这个以基于DCOPF 的清扫机制同时决定了每个发电厂的机组组合（unit commitment ）和每个生产线（bus ）节点边际价格（LMP ）。然而，意大利市场需要引进两处轻微的修正。第一，卖家以区域价格被支付，也就是LMP ，然而买家按市场中通常使用的全国统一价格（PUN ）支付，PUN 是通过按区域负载对区域价格进行加权平均计算得到的。第二，传输功率流约束随流向改变。准确的公式在下面给出：

∑=?N

i i

i Q P 1?min （欧元/小时） （12.3） 受限于下面的约束条件：

● 有功功率限制（Active power generation constraints ）：

i

i i Q Q Q ?≤≤ （兆瓦） ● 对于每个区域z 的有功功率方程：

∑∈=-z i inject z load z i Q Q Q ,, （兆瓦）

load z Q ,：在区域z 的负载需求 inject z Q , ：在区域z 净功率输入

inject z Q , 通过标准直流最优功率流（DCOPF ）模型计算得到

线路实际功率流限：

st l st l Q Q ,,≤ （兆瓦）

ts l ts l Q Q ,,≤ （兆瓦）

st l Q ,是线路l 上从区域s 流到区域t 的功率流，st l Q ,是线路l 在同一方向上，

也就是从区域s 流到区域t ，最大的传输能力。st l Q ,通过标准直流最优功率流（DCOPF ）模型计算得到。

问题的解由每个发电厂产生的有功功率*i Q 的集合和每个区域},,2,1{K k ∈的区域价格k ZP （LMPs ）集合组成。

SMP 清扫机制中区域k 内第i 个发电厂每小时的利润i R 通过如下方式得到：

)(**-?=i i i k i Q TC Q ZP R （欧元/小时） （12.4） 然而市场竞价结算机制中每小时收益为：

)(?**-?=i

i i i i Q TC Q P R （欧元/小时） （12.5）

12.2.2 网络模型

（前面）采用的市场清扫机制需要定义一个传输网络。本文考

虑的网络模型（图12.1）展现了一个准确的区域市场结构和意大利

电网模型中与这种结构对应的相邻区域间的最大传输能力。它相当

于意大利输电系统运营商所定义的网络模型，即2006年末提出的被

市场运营机构采用的TERNA S.p.A.。这个网络包含11个区域（BRN

N （BR ），Central North （CN ），Central South （SR ），FOGN （F

G ），MFTV ，North （NO ），PRGP （PR ），ROSN （RS ），Sardinia （S

A ），Sicily （SI ），South （SO ））和10条形成链状结构的，将意

大利南北连接起来的传输线路。每天传输线路两个方向上不同的最

大传输能力值也（在模型中）给出了。最后，输电损耗在模型中忽

略不计。

图12.1 被计算实验所采纳的意大利输电网络模型

包含11个区域和10条传输线；

圆圈表示位于区域内的发电厂；

三角表示每个区域内服务实体的总负载（LSE ）；

线上和线下的数字分别表示下午三点线路上两个

方向的传输能限值；

箭头表示每个传输能限值对应的功率流向。

12.2.3 代理模型

对两种类型的代理进行建模：买家和卖家。买家可以看成是区域层面的服务实体总负载。买家的数量投标可假设是没有价格弹性的并且就是2006.12.20历史负载曲线的重现，因此他们是没有任何协商余地的。

市场的供应方由向他们的每个电厂投标的发电公司组成的。只有热电厂被考虑，因为它们代表了几乎四分之三的全国总发电能力，此外剩余的全国产电（水电、地热、核电、风电）以及进口电能很容易以零价格数量投标建模。进口电通常是在海外，主要是法国和瑞士，通过廉价的技术生产的，比如水力或者核能发电。在任何情形下，精确的历史数值被设定为能够决定所以这些后者（进口电）的贡献值。我们考虑的热电站的集合由158个发电机组和5种不同技术，烧煤的（CF ），烧油的（OF ），联合循环（CC ），涡轮气（TG ）和能源重利用（RP ），构成。这些电厂在2006年或独立或合营，由16家不同的发电企业管理。然而，在我们的模拟中，我们设定每个电厂的所有权公司唯一并将其定为占有该店厂最大份额的发电公司。为了缩减代理的数量，我们已经根据热电厂接电的区域，产电的技术和所有权发电公司将代理设定为53个。特别地，第g 个发电公司占有的位于区域z 通过技术f 发电的热电厂数量记作f z g N ,,。我们将所有的这样的f z g N ,,的热电厂分为53个自治的，自利的，自适应的异构代理。每第j

)53,,2,1( =j 个向DAM 呈递一组每个下属发电厂},,{1j N x x i ∈乐意接受的限定价格i

j P ,?（欧元/兆瓦时）对应的值和产电量i j Q ,（兆瓦）的值（规定呈递他们电厂的最大产电能力）。j N 为代理j 所占有的发电厂数量，若代理j 被第g 个发电公司占有且位于区域z 、使用技术f ，则

f z

g j N N ,,=。此外，i

j j i j MC m P ,,??=，其中j j A m =（代理j 行为空间）是一个对所有代理j 占有的发电厂相同的标记值，i j MC ,为代理j 占有的第i 个发电厂的边际成本。最后i

j Q ,?表示被代理j 占有的第i 个发电厂的最大产电能力值。因此，代理被设定为每次投标他们发电厂最大产电能力值和统一的标记值。在计算实验中，我们已经假定}00.5,,12.1,06.1,00.1{ =j A 对应百分之五的标记增长值和一个500%边际成本的最大标记值。因此，代理行为空间的基数相同，也就是对于所有j ：67||==M A j 。

于是，我们定义每个代理j 的利润j R 如下：

∑∈=

},,{1j N x x i i j R

R （欧元/小时） （12.6） 12.2.4 学习模型

代理/卖家每小时一个同时呈交24个报价给DAM 。他们根据每小时的市场情况独立学习报价策略，也就是说在这种市场中没有相互联系合作。在意大利，每小时的报价同时呈交并且不允许分段竞价。A.E.Roth 和I.Erev 提出通过实现最初的一个经典强化算法，代理可以被模拟为自适应的代理。在这个学习模型中，考虑了人类学习的三个心理学层面：练习的幂指数定律（也就是：学习曲线刚开始很陡，之后越来越趋于平缓），近因效应（也就是：遗忘效应）和一个实验效应（也就是：不仅是实验操作，而且类似的策略也会增强）。J.Nicolaisen 和其他人就解决将回报范围拓展到零回报和负回报的问题的提出了一些对原始算法的修正。这篇文章只考虑修正后的公式。

对于每个策略j j A a ∈，定义一个倾向值)(,j t j a S 。每一轮t ，倾向值)(1,j t j a S -根据与倾向值)(,j t j a S 相联系的一个新向量来更新：

)()()1()(,1,,j t j j t j j t j a E a S r a S +?-=- （12.7）

其中]1,0[∈r 是近因参数，有助于以指数规律降低过去结果的效应。方程（12.7）中的第二项被称为实验功能，由下式给出

{?)1()?(?1)(,,1,)(j j j t j j j j t j a a e a

a a M e

a S j t j a E =-?∏≠-?-=

其中]1,0[∈e 是实验参数（用来在发挥作用动作和非发挥作用动作间分配权重），M 是动

作数量，)?(,j t j a

∏是在第t 轮通过发挥作用动作j a ?获得的奖励（增强）。奖励可以当做每个功率单位（兆瓦）的利润来计算：

j j j j t j R a R a

/)?()?(,=∏ （12.8） 其中j R 为代理j 可获得的最大利润，也就是当k ZP 和价格上限相等且方程（12.6）中i j i j Q Q ,,=*

时。由于

发电厂能力和技术效率的差异性，基本原理是基于代理间的同一收敛时间。然后倾向被标准化来为下一轮拍卖决定概率行为选择策略)(1,j t j a +π，也就是

∑=+j t j t j t

j t j a a S a S j t j e e a λλπ/)(/)(1,,,)(（12.9） 其中

d t t c -?=λ （12.10） 随时间变化的参数t λ是冷却参数，影响代理j 利用概率行为选择策略的程度。0→t λ表明概率行为选择策略在具有最高倾向值)(1,j t j a +π下选择特殊动作j a 的操作逐渐到达顶峰，从而增加这些动作将被选择的概率.

12.3 结论

前面部分我们说描述的基于代理的计算模型帮助我们研究意大利批发电力市场在边际电价

结算（SMP）和市场竞价结算（PAB）两种机制下的的相应表现。此外，这些模拟结果会与真实市场表现和一个模拟情景下的成本进行对比。实证验证只有在考虑国家价格，PUNs，的总水平下才能实现。为了进行实证验证和对比两种报价机制下的市场表现，我们运行了了三个仿真模拟的设定。第一个基于成本的模型中所有代理被设定为按照他们占有的发电厂的标记成本报价。然后，实行SMP和PAB两种机制下要考虑两种策略模型，在这些模型中，代理们需要通过考虑生产总成本来学会用最佳方式最大化他们的利润（见等式12.4和12.5）。对于这两个策略模型，已经独立开展100个计算实验并且已经计算出总体平均值来估计市场结果。逐利代理运用前一部分介绍的强化学习算法学习如何随时间变化向IPEX提交报价。为确保每个实验长度内所有5 3个代理针对峰值分布的行为选择策略收敛，也就是关联到一个行为的概率大于99.9%，每个试验中学习参数c和d（见等式12.10）已经被标准化。每个计算实验包含10000次迭代，大量的迭代是由于在学习过程中一个代理每一次迭代只能更新行为空间中67个行为中的一个。如果一个代理能够再一次迭代中推断67个行为的潜在利润，那么就只需10000/67次迭代，也就是说，几乎150次等效的迭代就足够了，因此相应地少于5个月。事实上，现实中的卖家可以从很多的替代行为中推断出潜在利润。例如所有低于公认报价的报价利润可测。

表12.1 所有模拟中使用过的参数值。特别地，在学习模型中代理是齐次的。

图12.2将24个PUNs与2个仿真框架中的历史数据和基于成本模型进行了对比。SMP机制下的结果和历史数据有很好的对应，特别是在非高峰需求时间段。在少数高峰需求时间，17、18、1 9点，结果不能准确地再现价格水平，模拟的PUNs远远低于真实数据。此外，在12点，表现似乎与真实动态相反。模拟的价格有一个上升而真实的价格呈下降趋势。然而，在这种情形下模拟结果的波动中还有一个上升可能证明这种差异的合理性。值得注意的是发电厂在整个计算实

表12.1：学习模型中的参数数值

图12.2:2006年12月20日24小时PUN的真实值和模拟值。红色虚线对应历史表现情况。

点虚线表示基于成本模型的模拟结果。连续实线和连续点线分别对应策略模型在SMP和PAB机制下的模拟结果。实圈线和空心方框线分别表示UA策略模型和DA策略模型模拟下的两个标准差区间。

验中持续提出报价，但现实中计划的或突发的发电厂断电是正常的。在这个模拟中，发电厂很可能在关闭的情况下被考虑成仍运行。在这些时间中，因为边际发电厂不那么集中，PUN 会对工厂断电更加敏感。这方面被两条标准差曲线的走势突出表现出来。在选择长期均衡的解决方案中高峰时间段相较于非高峰时间段有更大、更明显的变化。而且，提出的模型并不足以表现代理间的串通合谋行为或能力扣缴报价行为（发电站通常按它们的最大能力报价）。后一种行为可以通过在相邻区域间传输限制满足时提高区域市场价格来增加PUN。从这个角度看，我们值得考虑供应商代理的定义方式（见段落12.2.3），也就是通过热电站接电的区域、生产所使用的技术和它们的占有方（发电公司）来将他们分组。每个代理间，即使属于同一个发电公司，都相互独立。很多发电公司只在某一个区域拥有发电厂，那么假定的代理的意图很可能代表发电公司的战略出发点。因此，操纵区域间价格的战略机遇仅限于有限数量的竞争者。特别地，主导运营商“Enel Produzione”（ENELP）和其他少数大的市场竞争者可能会基于他们在不同区域的异质性的生产来发挥战略优势。在这种情形下，我们所提出的模型足够再现24小时大部分时间的PUN水平。一个PUN水平在基于成本和基于策略下的值得注意的差异，后者是前者水平的两倍以上，是由正确的对竞争环境的建模和正确的对每个发电厂总成本函数（包括固定成本，也就是无负载成本）的估计所决定的。因此结果强

图12.3:2010年11月12日到2010年11月19日一周PUN的真实值和模拟值，虚线对应历史表现数据。连续点线表示基于成本模型的模拟结果。连续实线表示SMP机制下的模拟结果。

调在发电公司决策过程中考虑无负载成本的重要性。为了测试多大程度上我们的模型是稳定的，我们已经在一个更大的时间区间上进行了模拟，由于数据的可用性，也就是，从2010年11月12日到2010年11月19日的一周的时间。结果在图12.3中展现。他们验证了我们之前的发现。在所有工作日中（点列的前五个点），由于日常模式高度的相似性，结果和我

们之前讨论的单日水平一致。最大的不符出现在18时左右的少数高峰时段。当考虑周末时，在历史表现的时间列中未出现大的峰值而我们的估计值较真实值往往较低。图12.2还能比较在考虑的两种不同报价机制下的市场表现。。PAB机制表现出每小时最高的PUNs值。因此，我们所建立的模型的结果与之前研究中的观点，PAB机制可能导致更高的价格，所一致。

12.4 总结

这篇文章旨在评定现阶段意大利电力市场（IPEX）由SMP机制转为PAB机制是否值得提倡。我们采用了一个现实的意大利市场中基于代理的计算模型来研究市场表现的细节。计算结果表明市场模型可以比完全竞争模型在更大的程度上模拟真实的市场表现。在所提出的策略模型中，代理们可以通过学习和加强为达到边际成本以上价格的报价策略来得到更高的价格。在学习程序中，卖方要考虑他们的产品总成本，包括在电力公司决策过程中十分重要的空载成本。这些结果表明在两种机制下的24个总体市场价格（PUNs）比通过基于成本模型的P UNs要高很多。而且，SMP机制下模拟的PUNs重现了除了少数高峰时间段外精确的历史价格动态。在这些高电量需求时段，一些在当前模型中忽略了的建模方面的因素可能是形成这样价格的决定因素。低功电厂或中功电厂计划或突发的断电可能在我们考虑的天数中已经出现，因此导致了价格的上升。相反地，在拟建模型中所有发电厂都被看作是贯穿整个模拟过程中持续报价。另一个重要的决定因素可能会在代理模型的特点中找到。在当前框架下，代理们不代表真实的电厂的电力公司所有权，但每个代理作为独立的决策者仅仅代表按技术、区域划分的电力公司的发电厂中的一部分。因此，在我们的模型框架中的某些策略决策将被舍弃。特别是，一旦考虑区域聚集，可能被主要电力公司为加强区域传输限制以提高区域价格而采用的区域内最佳调度的策略决策，比如数量代扣报价行为，将不被实行。另一个我们模型假设的重要限制与投标格式有关。我们只模拟单点报价，也就是，一组价格和数量值。如之前提到的，这个假设已经在反映在特定一天中考虑的几乎75%的所有报价与单点报价格式对应的基础数据分析被提出。无论如何，我们不能总结得到：“冰球球棍”策略不会出现而导致研究日期中高峰时段的价格急剧上升。然而，为了发挥和利用这种极端盈利行为（在特定的市场条件下），代理应该被赋予报价供给曲线和非单点报价的能力。现今版本的卖家模型不包括这些特征。最后，我们还没有考虑碳排放成本，这也可能至少跟基于成本模型的上升有关，还可能在改变竞争结构中发挥影响。在所有情形下，对于价格水平相当精确的预测，主要是非高峰时段，可能会证明采用某种模型来评估那种市场机制下有更低的市场价格的合理性。在这一层面下，计算结果清晰的表明改变结算程序，也就是从SMP机制到PAB 机制，导致价格的显著上升。主要原理是集体学习模型。卖家尽力猜测边际价格并提出尽量接近的报价，加强他们的投标策略。这一集体行为由所有发电厂开展，包括低功和中功热科技，保证价格水平上升的可持续性。值得一提的是这个结论与日前市场关联性强，市场经营者有时间精信制定最佳策略并且可能在后续的市场会议中重新调整他们的市场投入。这些机遇在实时市场实行PAB机制是不会出现。因此，这样的突出现象可能会在这种市场设定下缓和下来。

致谢：略

参考文献：略