Page 104 - 《中国电力》2026年第3期

2026 年 第 59 卷

表 2 不同算法下优化结果对比 可获得更高的收益。
Table 2 Comparison of optimization results under
未来可进一步研究虚拟电厂参与多元市场的
different algorithms
协同交易机制，并考虑极端天气或政策变动等不
算法 社会效益/10 元 求解时间/s
4
确定性因素对市场交易策略的影响，以增强模型
粒子群算法 4.81 25.42
的鲁棒性与适用性。
KKT条件 4.83 12.15
遗传算法 4.83 23.57
参考文献：
混合强化学习算法 4.86 20.11

为对比能源供应商参与不同市场对交易结果 [1] 杨胡萍, 龚家宁, 程明, 等. 计及多重不确定性的综合能源系统两阶
的影响，本节设置两个场景。场景 1：能源供应 段鲁棒低碳优化调度 [J]. 中国电力, 2025, 58(11): 101–110, 121.
商仅参与能量市场；场景 2：能源供应商参与能 YANG Huping, GONG Jianing, CHENG Ming, et al. Two-stage
量市场以及辅助服务市场。交易结果如表 3 所示。 robust low-carbon optimal scheduling for integrated energy systems
considering for multiple uncertainties[J]. Electric Power, 2025,
表 3 能源供应商参与不同市场的交易结果对比
58(11): 101–110, 121.
Table 3 Comparison of transaction results of VPP oper-
ators participating in different markets [2] 赵峰, 孙超, 寇凌岳, 等. 分布式储能聚合商参与调频市场竞价策略
与协调调度研究 [J]. 浙江电力, 2025, 44(3): 30–41.
能源供应商收益 负荷聚合商 社会效益/
场景 辅助服务 ZHAO Feng, SUN Chao, KOU Lingyue, et al. Research on a bidding
4
4
能量收益/10 元 收益/10 元 10 元
4
收益/10 元 strategy and coordinated scheduling of distributed energy storage
4
场景1 32.65 0 –32.88 –2.30
aggregators in frequency regulation market[J]. Zhejiang Electric
场景2 32.92 4.88 –32.95 4.86
Power, 2025, 44(3): 30–41.

在场景 1 中，由于能源供应商仅参与单一能 [3] 刘洋, 陆秋瑜, 徐展鹏, 等. 适用于大规模海上风电集中送电的能源
量市场，无额外的辅助服务收益。在场景 2 中， 基地运行调度策略 [J]. 广东电力, 2025, 38(5): 16–29.
能源供应商通过参与辅助服务获得额外收益，在 LIU Yang, LU Qiuyu, XU Zhanpeng, et al. Energy base operation
该场景下整体社会效益最大。值得注意的是，负 and scheduling strategy suitable for large-scale centralized
荷 聚 合 商 的 收 益 由 需 求 响 应 补 偿 和 购 电 成 本 组 transmission of offshore wind power[J]. Guangdong Electric Power,
成，因此收益为负值。 2025, 38(5): 16–29.

[4] 周洋, 黄德志, 李培栋, 等. 考虑平衡端点相位不对称及光伏接入的
4 结论 低压配电网三相潮流模型 [J]. 中国电力, 2024, 57(10): 190–198.
ZHOU Yang, HUANG Dezhi, LI Peidong, et al. A three-phase power
为了验证所提基于混合博弈强化学习的 VPP flow model for low-voltage distribution networks considering
市场交易策略的有效性，针对某地区设计 VPP 参 balanced bus phase asymmetry and photovoltaic access[J]. Electric
与能量和辅助服务市场的交易算例。通过算例分 Power, 2024, 57(10): 190–198.
析，得到以下结论： [5] 段玉, 陈军, 刘震, 等. 面向新型电力系统动态分析的多时间尺度构
1）负荷聚合商通过参与价格型和激励型需求 网型储能系统仿真建模方法 [J]. 广东电力, 2024, 37(12): 27–38.
响应，以降低购电成本和获取额外响应收益，此 DUAN Yu, CHEN Jun, LIU Zhen, et al. Modelling of multi-time
外在负荷侧考虑了负荷聚合商之间的联系，使得 scale grid-forming energy storage systems for dynamic analysis of
结果与实际情况更相匹配。 new power systems[J]. Guangdong Electric Power, 2024, 37(12):
2）相较于传统智能算法，混合强化学习算法 27–38.
在求解虚拟电厂市场交易模型时效率更高，求解 [6] 黄灿兵, 熊妮, 吴伟, 等. 虚拟电厂参与一次调频的优化调度策略研
时间缩短近 50%。 究 [J]. 浙江电力, 2025, 44(2): 42–52.
3）相比于能源供应商仅参与单一能量市场的 HUANG Canbing, XIONG Ni, WU Wei, et al. Research on an
交易策略，同时参与能量市场和辅助服务市场， optimal scheduling strategy for a virtual power plant participating in

100