图1 主动配电网电力市场交易主体关系
Fig.1 Relationship diagram of electricity trading stakeholders in ADN
摘要 传统电力交易模式中，集中化的交易数据以及中心化的监管机构会带来数据安全性较低、监管机构信任危机等问题，区块链技术的兴起和发展为解决上述问题提供新的思路和方法。首先通过分析主动配电网中各电力交易主体的行为特征，建立基于联盟区块链的电力市场交易体系。该体系将各电力交易主体预授权为半开放的本地节点，通过动态选取联盟节点，可实现交易数据分布式存储并无需设置额外的第三方监管机构。同时基于上述交易体系，提出联盟链框架下主动配电网电力交易的详细认证方法。进而在此基础上，建立基于合作演化博弈的主动配电网电力交易优化模型，并采用基于分解的多目标进化算法进行求解。模型求解结果可作为生成智能合约的依据，最终实现联盟链框架下主动配电网电力交易的决策优化。算例结果验证了所提合作演化策略的有效性和合理性。
关键词：联盟区块链 电力交易 合作演化 多目标进化算法 主动配电网
近年来，主动配电网（Active Distribution Net- work, ADN）成为智能配电网未来重要的发展模式和方向[1-2]，在其优化调度和能量管理方面学者已进行了大量研究工作[3-4]。在目前的调度模式中，通常主动配电网对分布式电源具有绝对调度权，同时优化目标大都选取主动配电网利益最优[5]。随着我国电力体制改革进一步深化，电网运营方式逐渐向市场化转变[6]。配电网中大量的分布式电源由新能源供应商投资建设，可独立地向用户供电。同时，各类需求侧响应资源通过负荷聚合商的整合，不仅可以有效地发掘负荷资源，还可以提供市场需要的辅助服务产品[7]。这些机构在主动配电网中形成了独立的利益主体，其运行需考虑自身收益。因此，仅站在电网利益角度考虑的调度模式将不能适应目前主动配电网运行的新环境[8]。
在深化改革后的电力市场，相关利益主体增多、交易种类多样化、合同规则复杂化，对交易结算的管理及数据的风险防范都提出了更高要求[9]。随着“互联网+”新业态的发展，区块链作为一种新型的信息化技术，能够对具备数字化能力的业务系统交易提供重要支撑[10]。因此，区块链技术在近年来逐渐被引入到能源系统中。文献[11]基于分布式安全框架，提出了多种区块链技术的实际适用场景。文献[12-13]则基于区块链的基本架构和特征，对区块链在能源系统中的应用方式进行了系统总结，并对其在电力体制改革中的应用前景进行了展望。在此基础上，文献[14]初步探索了区块链框架下能源互联网多模块协同自治模式，并提出了区块链框架下能源互联网发展的关键技术。以上研究大都是从应用模式和整体框架上对区块链技术在能源系统中的应用进行探索和分析，较少涉及到具体问题的解决。在以上研究的基础上，文献[15]从信息公开透明化、去中心化、动态化、安全性和奖惩机制五个方面分析了区块链技术与电力市场竞争博弈之间的契合关系，并建立了区块链技术下局域多微电网市场竞争博弈模型，对区块链技术在电力市场的实际应用模式进行了探索。
与此同时，在市场环境下各电力交易主体共同参与主动配电网电力市场竞争，其运营目标通常为自身收益最高。博弈论作为一种先进的优化工具，为多决策主体优化问题提供了新的解决途径[16]，其在电力市场中的应用已具有一定的研究基础。文献[17]利用非合作静态博弈模型，研究了电网公司、新增供电实体与用户之间的市场竞争关系。文献[18]在考虑需求侧响应的同时，建立了主动配电网多利益主体完全信息动态博弈模型。而文献[19]引入多代理系统，建立了电网运营商、能源供应商和用户之间的合作博弈模型。文献[20]则针对光伏微电网群，提出了一种基于合作博弈的电力市场交易模型。在此基础上，研究者还对传统博弈论进行了延展，如文献[21]采用主从博弈模型研究了多个发电商与多个大用户之间的双边合同交易。文献[22]则引入灰色理论，建立了电力市场辅助报价决策的灰色博弈模型。
上述博弈模型均是在假定决策参与人具有完全理性的前提下进行的，事实上，对于实际电力市场博弈而言，各种随机因素都会影响到最终策略，博弈决策参与人往往仅具有有限理性[16,23]。在此背景下，演化博弈论逐渐应用于电网运营分析。文献[24-25]基于演化博弈理论，分析了发电商在竞价过程中竞价策略的动态演化过程及其演化稳定策略。文献[26]将演化博弈理论和协同进化算法相结合，分析了微网和配电网互动运行时的经济效益。然而，利用演化博弈论分析主动配电网电力市场运营机制的研究并不多见，同时用以求解演化博弈模型的算法仍有待进一步研究。
因此，本文考虑将区块链技术引入到主动配电网电力交易中，并运用演化博弈理论，研究各电力交易主体间的合作演化策略，以实现各主体收益的优化。首先引入联盟区块链，分析了其与主动配电网电力交易的契合关系，同时建立了基于联盟区块链的电力市场交易体系。在此交易体系下，分析了主动配电网电力市场各交易主体的收益/成本模型，进而建立了同时包含信息交互和决策优化的主动配电网电力市场整体交易模型，并详细研究了各主体之间的认证及交易过程。最后采用基于分解的多目标进化算法（Multi-Objective Evolutionary Algorithm based on Decomposition, MOEA-D）对模型进行了求解。所提联盟链框架下主动配电网电力交易主体合作演化策略，不仅可实现交易数据分布式存储并无需设置第三方监管机构，同时还能实现各主体间利益的合理分配。最后，采用算例对所提策略进行了仿真分析及验证。
目前，已有较多文献详细阐述了区块链基本概念及其技术特征[11-15]。因此，本小节仅对联盟区块链技术与主动配电网电力市场主体行为之间的契合度进行分析。
主动配电网中存在大量分布式电源和负荷，其种类繁多且功率各不相同，实际运行中将产生规模庞大、结构复杂以及高度实时性的数据。通过配合配电网控制、保护装置及其他设备，主动配电网将构成一个高精度的自律控制体系。由于区块链技术具有信息开放透明、数据开放可信以及区块信息可追溯等特点[15]，利用区块链技术开展主动配电网电力交易，不仅可以使交易信息公开透明，还可使区块链信息的动态特性适应电力交易中的动态变化。同时，利用智能合约和P2P（peer to peer）信息交互技术，主动配电网电力市场内部不需要设立额外的第三方监督机构，即可进行公平、安全的电力交易。
通常，电网中的区块链类型根据面向的受众客户不同，可分为公有链、联盟链和私有链[27]。公有链中的所有用户节点具有全部权限，其形式最接近于公众服务，一般应用于多实体、大范围广域系统，所需维护成本较大；私有链通常仅对单独的个人或实体开放，其权限可以被完全控制，一般适用于某种特定服务或能源交易类型；联盟链的特性则介于上述两者之间，其权限部分开放，同时共识过程受到预选节点控制[28]，因此，联盟链属于一种“部分去中心化”的区块链。参与电力市场的主体需事先得到相关机构（如政府或者现有上级电网单位）授权，被授权后的主体参与电力交易将在配电网内部呈现自由市场的特性。联盟链可完成不同能源服务商之间的利益分配、交易核算等应用，因此其较为适合应用于主动配电网电力市场运营。
本文所研究的主动配电网电力交易主体关系如图1所示。
图1 主动配电网电力市场交易主体关系
Fig.1 Relationship diagram of electricity trading stakeholders in ADN
主动配电网在市场化运营条件下，若不考虑柔性负荷需求侧响应机制，其内部主动参与主体主要包括配电网运营商（Distributed System Operator, DSO）、分布式发电聚合商（Distributed Generation Aggregator, DGA）、储能运营商（Energy Storage Operator, ESO）以及大用户（Large Consumer, LC）。其中DSO整合配电网内小型分散负荷，并通过协调各方出力，提高其自身运营收益；DGA整合各类（本文主要指风电、光伏）分布式电源（Distributed Generation, DG），通过售电获取收益；ESO通过对电能进行低买高卖，实现自身盈利；而LC则希望以较低成本购入电能满足自身需求。除上述配电网内部交易主体外，主动配电网也会与上级电网进行能量交互。为了更加清晰地体现电力交易模式的特点，下文将主要讨论配电网内部各主体之间的交易关系。
在图1点画线框中所示的传统电力市场中，配电网各主体之间的交易过程通常需要指定一个主导机构或者受信任的第三方来协调和监管（见图1中的配电网交易中心），并且交易记录大都集中存放，一旦系统故障或者遭到攻陷，将造成无法挽回的损失[29]。同时，这种集中交易模式使得交易记录在一定程度上处于直接或间接被调取和访问的权限下，交易各方的私有数据安全无法得到有效保证。基于此，本文引入联盟链技术来实现配电网电力市场交易过程，联盟链框架下主动配电网电力市场交易体系如图2所示。
图2 联盟链框架下主动配电网电力市场交易体系
Fig.2 Electricity market trading system under consortium blockchain framework
在该体系中，包含两类不同权限的节点：联盟节点（Consortium Aggregators, CAGs）和本地节点（Local Aggregators, LAGs）。其中，联盟节点为不开放节点，其对联盟链数据具有完全可读及写入权限；而本地节点则为半开放节点，需由联盟链内部授权才能参与读取和写入，而且其读写权限开放度有所限制。根据主动配电网电力市场交易主体之间的关系，将DSO、DGA、ESO以及LC授权为半开放的本地节点，主要负责整合配电网内部各分布式资源，记录并上报可用供电电量和需求电量。联盟节点为联盟链中某一非特定节点，其通常可由本地节点动态产生[30]。联盟节点数据分布式存储在联盟链中，并具有可追溯性。以上被授权节点的主要功能包括交易数据存储、交易账户存储以及交易服务。联盟链中的所有交易记录按照时间戳形式保存在数据存储区；电力市场各参与单位的虚拟地址和网络账户的映射关系保存在账户存储区；而交易服务则用以保证各主体交易的正常进行和停止。
本文将基于联盟链信息传递过程及电力市场合作演化过程，建立主动配电网多利益主体电力交易数学模型。
本节首先分析主动配电网电力市场各交易主体的收益/成本情况，进而根据引入联盟链之后电力交易的特征，建立主动配电网各主体电力交易模型。
2.1.1 配电网运营商
DSO整合配电网中的小型分散用户，为其统一发布电力需求。同时配电网自身拥有一定的发电能力，例如，常规小水电、可控DG等发电单元，DSO可从中获得电量进而向配电网其他主体售电。通过以上分析，DSO的售电收益可表示为
（1）式中，
为时段t内DSO的售电收益；
、
和
分别为时段t内DSO向储能运营商、大用户和分散用户售电的电价，由于分散用户无议价权，设定为已知量；
、
和
分别为时段t内DSO向储能运营商、大用户和分散用户售电的电量。此处，配电网各处分散的小型负荷，仅由DSO统一整合和供电，其他发电主体不直接与其进行电力交易。
DSO运维及购电成本可表示为
（2）式中，
为时段t内DSO的运维及购电成本；
为配电网自身发电单元的运维成本系数；
为时段t内配电网自身发电单元发出的电量；
和
分别为时段t内DSO向分布式发电聚合商和储能运营商购电的电价；
和
分别为时段t内DSO向分布式发电聚合商和储能运营商购买的电量。
2.1.2 分布式发电聚合商
DGA整合配电网中的光伏及风力发电，并将其电能统一出售给配电网内其他主体。DGA在日前根据其他主体上报的需求负荷，并结合次日的天气情况，确定合理的售电能力范围。其收益主要包括售电收益和可再生能源政策补贴。
DGA售电收益可表示为
（3）式中，
为时段t内DGA的售电收益；
、
和
分别为时段t内DGA向配电网运营商、储能运营商和大用户售电的电价；
、
和
分别为时段t内DGA向配电网运营商、储能运营商和大用户出售的电量。
DGA可再生能源政策补贴收益可表示为
（4）式中，
为时段t内DGA的政策补贴收益；
和
分别为政策对于光伏和风电上网的补贴价格；
和
分别为时段t内DGA中上网的光伏发电总电量和风力发电总电量。
与此同时，DGA运营的成本主要考虑光伏和风力发电装置的运行维护成本，可表示为
（5）式中，
为时段t内DGA的运行维护成本；
和
分别为光伏和风电发电装置的运行维护成本系数。
2.1.3 储能运营商
ESO利用储能装置的充放电特性，通常采用低价购电（充电），高价售电（发电）的策略。ESO可实现配电网功率的时空转移和优化，其需要同时上报自身的储备电量和需求电量。ESO的运营收支主要由售电收益、购电成本以及运行维护成本构成。ESO的售电收益可表示为
（6）式中，
为时段t内ESO的售电收益；
和
分别为时段t内ESO向配电网运营商和大用户售电的电价；
和
分别为时段t内ESO向配电网运营商和大用户出售的电量。
ESO的购电成本可表示为
（7）式中，
为时段t内ESO的购电成本；
和
分别为时段t内ESO向配电网运营商和分布式发电聚合商购电的价格；
和
分别为时段t内ESO向配电网运营商和分布式发电聚合商购买的电量。
储能装置在运行时，无论充、放电都需要考虑其维护成本，可表示为
（8）式中，
为时段t内ESO的运行维护成本；
为储能装置运行维护成本系数。
2.1.4 大用户
为了简化模型，本文中LC只购不售。其需要上报自身在每个时段的电量需求，并期望从各售电主体中以最低成本购得满足需要的电量。因此在电力交易中仅考虑其购电成本，数学表达式为
（9）式中，
为时段t内LC的购电成本；
、
和
分别为时段t内LC向配电网运营商、分布式发电聚合商和储能运营商购电的电价；
、
和
分别为时段t内LC向配电网运营商、分布式发电聚合商和储能运营商购买的电量。
在联盟链框架下，主动配电网电力交易模型同时包含信息流交互及电量/电价优化过程。本小节拟将上述两部分进行有机融合，从计量认证、决策优化及生成智能合约、工作量证明、交易验证及达成共识以及交易结算几个阶段，建立同时包含信息交互和决策优化的主动配电网电力市场整体交易模型。
2.2.1 计量认证
作为电力交易的起始阶段，交易计量认证过程主要进行交易类型确认以及电量供需发布。假定市场中共有M个主体，在此阶段，市场主体利用特定的公钥
和私钥
，生成带有时间戳的交易认证信息和传输地址，并向全网广播自身购、售电信息。此时市场主体m广播的信息可表示为
（10）式中，
为主体m的信息广播集合；
和
分别为主体m在一个交易周期内的各时段售电或购电电量信息；T为交易周期时长；
为主体m通过公钥计算得到的节点地址；“1”仅表示不同变量之间的分隔符。
2.2.2 决策优化及生成智能合约
各主体信息广播后，发出交易请求。在此阶段，将发生各交易主体电量/电价优化过程。
由前述分析可知，主动配电网电力交易主体包括DSO、DGA、ESO以及LC。各主体根据自身的售电能力或电量需求，提供售电电价或购电电价。由于上述收益函数中各时段电价和电量均为待求量，因此拟采用分层优化方法进行建模。其中，外层对各主体电价进行优化，内层则对各主体待定电量进行优化。考虑内层优化目标为使配电网内部各主体经济收益之和最大，则外层优化转化为各主体之间利益的分配问题，采用合作演化博弈模型进行处理。
1）外层优化目标函数
外层优化中，各主体的待博弈量为电价。由于LC具有购电议价权，因此将LC的各时段购电电价作为决策变量。而DGA由于仅对外出售电量，因此DGA售电电价也为决策变量。此外，对于DSO及ESO这类既可购电又可售电的主体，考虑到其购电电价实质上由其他售电主体的售电电价决定，因此仅考虑将其售电电价作为决策变量。
综上，各主体的策略空间可表示为
（11）式中，
、
、
和
分别为DSO、DGA、ESO和LC的报价策略空间。
电力交易中各主体的目标为使自身收益最大或成本最小，考虑日前交易市场，由前述交易主体数学模型可知，外层博弈的目标函数为
（12）式中，
、
、
和
分别为DSO、DGA、ESO和LC的运营收益函数。
2）内层优化目标函数
内层优化目标为使配电网内部各主体经济收益之和最大，其目标函数为
（13）式中，
为内层优化目标。
在上述双层优化过程中，需要综合考虑各交易主体以及配电网约束，下面分别予以讨论。
（1）配电网运营商约束条件
将配电网内的常规小水电等发电单元聚合为一个发电集合，则DSO从配电网自身发电集合得到的电量约束为
（14）式中，
和
分别为时段t内配电网自身发电集合能够提供的最大和最小电量。
由于DSO需要整合配电网中的小型分散用户，并为其统一供电，因此需考虑其功率平衡约束，将其转化为电量平衡约束，可表示为
（15）DSO售电电价约束为
（16）
式中，
和
分别为DSO最大和最小售电电价。
（2）分布式发电聚合商约束条件
DGA整合配电网中的风、光发电资源，在电力交易中仅作为售电主体。DGA中风、光发电电量约束为
（17）式中，
和
分别为时段t内光伏和风电的最大发电电量；
和
分别为时段t内光伏和风电的最小发电电量。
考虑到可能发生的弃风、弃光情形，得到DGA售电量约束为
（18）DGA售电电价约束为
（19）
式中，
和
分别为DGA最大和最小售电电价。
（3）储能运营商约束条件
储能充放电电量约束
（20）式中，
和
分别为一个交易时段内ESO最大放电电量和最大充电电量；
和
分别为储能装置的充、放电状态，且满足
（21）
如前所述，ESO通过电量的时间转移实现盈利。为了保证储能装置的荷电状态不越限，并保持储能装置在一个电力交易周期前后的荷电状态平衡，有以下约束
（22）式中，
为时段t内ESO储能装置的总荷电状态；
和
分别为储能装置的荷电状态上、下限；
和
分别为交易周期开始和结束时储能装置的荷电状态。
此外，ESO售电电价约束为
（23）式中，
和
分别为ESO最大和最小售电电价。
（4）大用户约束条件
LC通过购电满足自身电力需求，其购电约束为
（24）式中，
为时段t内LC的需求电量。
LC购电电价约束为
（25）式中，
和
分别为LC最大和最小购电电价。
除以上约束外，根据2.1节建立的电力市场交易主体数学模型，在电力交易完成后，两个主体之间的售、购电行为应该保持一致，即在某一时段主体A来自主体B的购电电量和价格应该与主体B向主体A的售电电量和价格一致。因此有以下约束
（26）上述模型即为针对各主体电量/电价优化的主动配电网电力交易主体合作演化模型。
在电力交易优化完成后，将生成智能合约信息如下
（27）式中，
为本次交易生成的智能合约脚本；
为各交易主体的签署脚本；
为本次交易的签约电量；
为本次交易的签约电价。
2.2.3 工作量证明
共识机制作为联盟链中的一项重要技术，在分布式计算系统中起到重要作用。工作量证明（Proof of Work, PoW）机制是现阶段较为成熟的一种共识机制，其主要用于验证交易的一致性和有效性。
在交易优化决策完成后，所有本地节点采集各自所有的交易记录，对这些交易实施合法性检验后进行打包，并生成相应的区块
，同时各节点开始计算工作量证明函数的解。在该过程中，采用哈希函数作为工作量证明函数，哈希函数的选取应不高于事先给定的难度，即有
（28）式中，
为哈希函数求解难度；
为给定求解难度。
2.2.4 交易验证及达成共识
待各节点均完成工作量证明后，各节点完成交易验证并达成共识。其中，最快完成工作量证明函数求解的节点，在其他节点对其进行验证后将成为本次交易的联盟节点，主导本次电力交易服务。
2.2.5 交易结算
在联盟节点的主导下，各节点执行交易动作，完成交易结算。
至此，联盟链框架下的主动配电网主体电力交易模型建立完毕。
第2节建立了联盟链框架下的主动配电网主体电力交易模型。其中，针对各主体电量/电价优化的电力交易主体合作演化模型需要采用一定算法对其进行求解。其中内层单目标优化问题可采用Matlab/ YALMIP工具箱直接求解，本节主要研究外层模型的求解。将外层优化中每个博弈主体的目标函数看作一个独立个体，可将外层博弈转化为一个多目标进化问题。因此，本节拟采用MOEA-D对外层模型进行求解。
MOEA-D的主要思想是将多目标优化问题分解为一系列单目标优化子问题，并根据相邻问题的信息，利用进化算法对上述子问题进行同时优化，最终得到一组Pareto最优解[31]。
对于MOEA-D而言，其算法核心是分解策略的选取和均匀分布权重的求取。对于m个目标函数，可将多目标优化问题抽象为
（29）式中，
分别为各主体目标函数，
为决策变量集；
为多目标问题的约束条件集。
通常，MOEA-D的分解策略可采用切比雪夫法。将式（29）所示的Pareto前沿逼近问题分解为N个标量优化子问题，每个子问题可表示为
（30）式中，te表示分解策略采用的是切比雪夫法；
为参考点，且对于
满足
；
为一组均匀分布的权重向量，每组权重向量对应一组Pareto最优解
。每次优化中，MOEA-D会同时优化这N个子问题，并通过一系列遗传、进化操作，最终得到多目标优化的Pareto解集。
当目标函数为m个（此即为市场主体个数）时，取每个目标方向上的采样个数为H，则求取均匀分布权重向量的问题可以等价为：对于集合
，从集合A中选择m个数，使这些数的和为1。根据文献[32]可知均匀分布的权重向量有
个。对于本文模型，取
，
，权重向量为（x, y, z, v），可得到四维均匀分布的权重向量如图3所示，其中v的取值采用灰度来表示。
图3 m=4, H=12时的均匀分布权重向量
Fig.3 Evenly distributed weight vectors when m=4, H=12
MOEA-D将会降低传统MOEA的多样性保持和适应度分配的难度，同时与传统多目标优化算法相比计算复杂度较低，其具体的比较分析详见文献[31]。本文将详细讨论采用MOEA-D求解基于合作演化的主动配电网电力交易优化模型的方法步骤。
在联盟链框架下，利用MOEA-D求解多利益主体合作演化博弈的流程如下。
（1）初始化最优解集POS，令
。设定种群数（即分解后的标量优化子问题数）为N，每个种群均包含参与市场交易的所有主体的策略集。在报价范围内，令
，对上述策略集进行初始化得到
。根据初始策略集，利用Matlab/YALMIP工具箱求解内层优化，得到各种群目标函数值，记作
。进而得到初始参考点
，其中
为目标函数
当前最优值。
（2）从组均匀分布权重向量中随机选取N组向量
，并计算任意两个权重向量之间的欧几里得距离，可得到距离
最近的S个权重向量
。其中，令
，S为每个权重向量的邻居个数。
（3）从
中随机选取序号a和b，利用遗传算子由
和
变异产生新解
，并对y进行修正得到
，使其大小在报价范围之内。
（4）利用求解得到
。若
，则更新
值，使
。
（5）对相邻解进行更新。对于
，若
，使
。
（6）将POS中所有被
支配的向量移除，更新POS。
（7）令循环次数K=K+1，若
，则转向步骤（3）；否则停止并输出最优解集POS。
由上述求解过程可知，MOEA-D中的变异操作可反映演化博弈中主体的有限理性特性，而种群进化操作则模拟了各主体演化的过程。
通过上述电力交易模型及其相应的求解算法，可得到主动配电网电力交易智能合约的主要内容。至此，在本文所提联盟链框架下，主动配电网各主体之间的交易认证与实现过程可表述为：
（1）计量认证。发电单元集合和用电单元集合向各自所属的本地节点申请一组公钥和私钥并生成各自的交易地址。发电单元集合向所属本地节点提交发电信息后，本地节点向其反馈计划发电量，随后计划发电量将进行广播，并监听用电单元集合请求。与此同时，用电单元向所属本地节点提交用电信息。
（2）决策优化及生成智能合约。本地节点通过筛选发电广播信息，通过联盟链的通信协议与提供发电计划的节点进行协商，并通过联盟链内部的计算区块采用本文所提模型及算法进行优化，最终达成交易协议，并将交易信息写入智能合约。
（3）工作量证明。各本地节点采集各自所有的交易记录并进行加密，以保证数据的准确性和隐私性。同时这些记录将转化成区块，本地节点将对其进行PoW验证。
（4）交易验证及达成共识。具有最快PoW验证速度的本地节点将成为本次交易的主导者，即被选做联盟节点。该节点向其他节点广播区块数据、时间戳和PoW，并使其相互验证。
（5）交易结算。各方达成共识后，联盟节点将根据前述生成的智能合约对交易进行结算，并将交易数据写入区块链，同时将交易数据发送给各本地节点进行存储。
通过以上步骤，即可完成一次完整的配电网内部主体电力交易。由于联盟链的引入主要影响的是交易模式及过程层面，为使讨论更加清晰明了，下文将主要针对为制定智能合约而提出的电量/电价交易模型部分及其算法进行算例分析。
本文采用的主动配电网算例系统，各主体售电能力如图4所示，配电网分散用户及大用户预测电量需求如图5所示。各主体的报价策略区间设置为：配电网运营商售电电价区间为0.35～1.05元/(
)；分布式发电聚合商售电电价区间为0.35～0.95元/()；储能运营商售电电价区间为0.35～1.1元/()；大用户购电电价区间为0.35～1.0元/()。光伏和风电上网的政府补贴分别设定为0.32元/()和0.07元/()，其维护成本系数分别为0.03元/()和0.02元/()。此外，为简化模型，配电网运营商自身所含发电单元主要考虑小水电，其运行维护成本系数设为0.01元/()。同时配电网分散用户侧不考虑需求侧响应，配电网运营商采用固定电价对其售电，设为0.6元/()。本文中储能运营商采用的储能装置选用压缩空气储能[33]，其技术参数见表1。
图4 一个交易周期内的市场主体售电能力
Fig.4 Electricity selling ability of electricity trading stakeholders in a whole trading period
图5 交易周期内市场主体预测需求电量
Fig.5 Power demand forecast of electricity trading stakeholders in a whole trading period
表1 储能系统相关数据
Tab.1 Data of energy storage system
压缩空气储能数 值 最大充电功率/MW6 最大放电功率/MW8 初始SOC(等效为气压)/bar55 SOC范围(等效为气压)/bar46～66 充电时的SOC系数/[bar/(MW·h)]0.026 8 放电时的SOC系数/[bar/(MW·h)]0.021 7
注：1bar=105Pa。
为对算例系统进行仿真求解，设置MOEA-D的最大迭代次数
，种群数
，所需均匀分布权重向量从图3中随机选取N组得到。权重向量的邻居个数
。整个算例采用Matlab软件进行编程、调试。
通过求解本文所建立的多主体合作演化模型，得到的交易结果为一系列Pareto前沿。根据联盟链中事先写入的选取原则（可根据实际情况由各主体协商决定），选择其中一组解生成智能合约。本文以大用户购电成本最小作为选取原则，分析算例结果如下。
1）各主体交易电量分析
一个交易周期内各主体交易电量情况如图6所示，其中负值表示购买电量。由于两个交易主体在达成交易协议后，其互相之间的售/购电价和电量均相同，因此除DSO从配电网自身发电单元得到的电量外，图6～图9、图11均仅对售电变量进行标注。
图6 交易周期内各交易主体售/购电量情况
Fig.6 Sales and purchased electricity of trading stakeholders in a whole trading period
从图6可以看出，由于DSO自身所含发电单元运维成本较低，其在全天时段主要从自身发电单元获得电能，并对大用户和配电网分散用户（图6未画出）供电。在0:00～8:00期间，由于该时段内负荷需求较小，ESO对储能系统进行充电，其充电电量来自DGA；在ESO充电期间，DSO提高对LC的供电电量，以填补DGA因给ESO充电而导致的LC供电缺额。在12:00～16:00期间，由于系统需求电量达到最大，ESO中的储能装置放电，一方面向DSO供电；另一方面短时供应LC的电量需求。在8:00以后直至20:00，DGA发电电量全部供给LC；20:00以后系统负荷逐渐降低，DSO和DGA交替向LC供电。
由以上分析可知，DSO通过自身发电单元以及购买得到的电量，在满足配电网分散用户供电需求的前提下，也同时向LC售电；由于分布式电源发电的政策补贴较高，DGA在各时段售出全部可用电量；ESO在储能充电时主要从DGA购电，其在白天负荷高峰期售电以满足系统需求并获取收益；大用户则主要从DGA购电，同时也少量从DSO和ESO购电以满足自身需要。
2）各主体交易电价分析
交易周期内各主体交易电价情况如图7所示。综合图6和图7可以看出，在8:00～20:00期间的大部分时段，DGA对LC的售电电价最低。在0:00～8:00时段以及20:00～24:00时段，由于ESO中储能装置充电的影响，DGA优先向ESO售电，导致在此期间DSO和DGA交替向LC供电。在ESO购电时段，由于此时DSO的电量需供应大用户及配电网分散用户，剩余供电能力不足，因此DGA以较高的电价向ESO出售电量以获取较大收益。
图7 交易周期内各交易主体售/购电价
Fig.7 Electricity price of trading stakeholders in a whole trading period
3）各主体收益分析
各主体收益对应的Pareto最优散点图如图8所示（单位：万元）。
由图8可以看出，各方收益函数之间存在冲突，一方收益的增加势必会导致其他某一或多个主体收益的减小。其中，DSO对应的收益范围为6.20～11.68万元；DGA对应的收益范围为8.41～16.21万元；ESO对应的收益范围为0.01～0.85万元；LC对应的成本范围为7.78～16.79万元。本文算例选取大用户购电成本最小的一组解作为优化解，此时DSO、DGA和ESO对应的收益分别为9.14万元、8.81万元和0.39万元。
4）考虑上级电网影响的对比分析
在实际运行中，考虑到配电网与上级电网相联，需分析上级电网参与主动配电网电力交易对配电网内部各主体的影响。设定上级电网与配电网之间的传输线路最大限制功率为
MW，其中负号表示功率方向为配电网流向上级电网。上级电网售/购电价均采用固定的分时电价，其分时电价见表2。此外，上级电网不参与配电网电力市场电价博弈，仅与配电网各主体进行直接电力交易。
图8 各主体收益对应的Pareto最优散点图
Fig.8 Pareto optimal scatter plots of electricity trading stakeholders
表2 上级电网分时电价
Tab.2 Time-of-use price of higher level grid
时段t电价/[元/(kW·h)] 0:00～7:000.3 7:00～12:000.6 12:00～14:001 14:00～18:000.6 18:00～22:001 22:00～24:000.3
此时得到的主动配电网中各主体交易电量情况如图9所示，上级电网与配电网各主体进行电力交易的情况如图10所示。
图9 上级电网影响下各交易主体售/购电量情况
Fig.9 Sales and purchased electricity of trading stakeholders under the influence of the upper power grid
图10 上级电网与配电网各主体电力交易情况
Fig.10 Electricity trading of the upper power grid and stakeholders
此时，配电网内部各主体之间的售/购电价如图11所示。
由图11可以看出，当上级电网参与主动配电网电力交易后，由于上级电网分时电价的限制，在上级电网谷时电价时段，主动配电网中各主体的交易电价有所降低。因此，当考虑上级电网参与配电网内部电力市场时，上级电网分时电价会对配电网主体的售电电价产生一定影响，避免在某些情况下，配电网内部各主体尽可能抬高电价以获取最大利益的行为。
图11 上级电网影响下各交易主体售/购电价
Fig.11 Electricity price of trading stakeholders under the influence of the upper power grid
为了解决传统电力交易模式中存在的交易数据集中化、监管机构中心化等问题，本文引入区块链技术，建立了联盟区块链框架下主动配电网电力交易体系。该体系利用本地节点的预授权和联盟节点的动态选取策略，经过计量认证、决策优化及生成智能合约、工作量证明、交易验证及达成共识、交易结算等步骤，实现配电网交易数据分布式存储并无需设置第三方监管机构。在此基础上，针对交易过程中的决策优化及生成智能合约阶段进行了深入研究，提出了主动配电网电力交易主体合作演化博弈模型，并采用MODE-D进行了求解。算例结果表明，该模型可反映配电网各电力交易主体市场行为的动态演化过程，所得优化策略可作为电力交易中智能合约生成的依据，最终实现联盟链框架下主动配电网电力交易的决策优化。
参考文献
[1] 曾博, 杨煦, 张建华. 考虑可再生能源跨区域消纳的主动配电网多目标优化调度[J]. 电工技术学报, 2016, 31(22): 148-158.
Zeng Bo, Yang Xu, Zhang Jianhua. Multi-objective optimization for active distribution network schedu- ling considering renewable energy harvesting across regions[J]. Transactions of China Electrotechnical Society, 2016, 31(22): 148-158.
[2] 赵波, 王财胜, 周金辉, 等. 主动配电网现状与未来发展[J]. 电力系统自动化, 2014, 38(18): 125-135.
Zhao Bo, Wang Caisheng, Zhou Jinhui, et al. Present and future development trend of active distribution network[J]. Automation of Electric Power Systems, 2014, 38(18): 125-135.
[3] 孙建军, 张世泽, 曾梦迪. 考虑分时电价的主动配电网柔性负荷多目标优化控制[J]. 电工技术学报, 2018, 33(2): 401-411.
Sun Jianjun, Zhang Shize, Zeng Mengdi. Multi- objective optimal control for flexible load in active distribution network considering time-of-use tariff[J]. Transactions of China Electrotechnical Society, 2018, 33(2): 401-411.
[4] 黄伟, 熊伟鹏, 华亮亮, 等. 基于动态调度优先级的主动配电网多目标优化调度[J]. 电工技术学报, 2018, 33(15): 3486-3498.
Huang Wei, Xiong Weipeng, Hua Liangliang, et al. Multi-objective optimization dispatch of active distribution network based on dynamic schedule priority[J]. Transactions of China Electrotechnical Society, 2018, 33(15): 3486-3498.
[5] Xiang Yue, Liu Junyong, Yang Wei, et al. Active energy management strategies for active distribution system[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(4): 533-543.
[6] 乐健, 柳永妍, 叶曦, 等. 含高渗透率分布式电能资源的区域电网市场化运营模式[J]. 中国电机工程学报, 2016, 36(12): 3343-3353.
Le Jian, Liu Yongyan, Ye Xi, et al. Market-oriented operation pattern of regional power network integration with high penetration level of distributed energy resources[J]. Proceedings of the CSEE, 2016, 36(12): 3343-3353.
[7] 高赐威, 李倩玉, 李慧星, 等. 基于负荷聚合商业务的需求响应资源整合方法与运营机制[J]. 电力系统自动化, 2013, 37(17): 78-86.
Gao Ciwei, Li Qianyu, Li Huixing, et al. Methodo- logy and operation mechanism of demand response resources integration based on load aggregator[J]. Automation of Electric Power Systems, 2013, 37(17): 78-86.
[8] 黄伟, 李宁坤, 李玟萱, 等. 考虑多利益主体参与的主动配电网双层联合优化调度[J]. 中国电机工程学报, 2017, 37(12): 3418-3428.
Huang Wei, Li Ningkun, Li Wenxuan, et al. Bi-level joint optimization dispatch of active distribution network considering the participation of multi- stakeholder[J]. Proceedings of the CSEE, 2017, 37(12): 3418-3428.
[9] 鲁静, 宋斌, 向万红, 等. 基于区块链的电力市场交易结算智能合约[J]. 计算机系统应用, 2017, 26(12): 43-50.
Lu Jing, Song Bin, Xiang Wanhong, et al. Smart contract for electricity transaction and charge settlement based on blockchain[J]. Computer Systems & Applications, 2017, 26(12): 43-50.
[10] Kishigami J, Fujimura S, Watanabe H, et al. The blockchain-based digital content distribution system[C]// IEEE Fifth International Conference on Big Data and Cloud Computing (BDCloud), Dalian, China, 2015: 87-190.
[11] Puthal D, Malik N, Mohanty S P, et al. The blockchain as a decentralized security framework [future directions][J]. IEEE Consumer Electronics Magazine, 2018, 7(2): 18-21.
[12] 杨德昌, 赵肖余, 徐梓潇, 等. 区块链在能源互联网中应用现状分析和前景展望[J]. 中国电机工程学报, 2017, 37(13): 3664-3671.
Yang Dechang, Zhao Xiaoyu, Xu Zixiao, et al. Developing status and prospect analysis of block- chain in energy internet[J]. Proceedings of the CSEE, 2017, 37(13): 3664-3671.
[13] 张俊, 高文忠, 张应晨, 等. 运行于区块链上的智能分布式电力能源系统: 需求、概念、方法以及展望[J]. 自动化学报, 2017, 43(9): 1544-1554.
Zhang Jun, Gao Wenzhong, Zhang Yingchen, et al. Blockchain based intelligent distributed electrical energy systems: needs, concepts, approacher and vision[J]. Acta Automatica Sinica, 2017, 43(9): 1544- 1554.
[14] 曾鸣, 程俊, 王雨晴, 等. 区块链框架下能源互联网多模块协同自治模式初探[J]. 中国电机工程学报, 2017, 37(13): 3672-3681.
Zeng Ming, Cheng Jun, Wang Yuqing, et al. Primarily research for multi module cooperative autonomous mode of energy internet under block- chain framework[J]. Proceedings of the CSEE, 2017, 37(13): 3672-3681.
[15] 马天男, 彭丽霖, 杜英, 等. 区块链技术下局域多微电网市场竞争博弈模型及求解算法[J]. 电力自动化设备, 2018, 38(5): 191-203.
Ma Tiannan, Peng Lilin, Du Ying, et al. Competition game model for local multi-microgrid market based on block chain technology and its solution algorithm[J]. Electric Power Automation Equipment, 2018, 38(5): 191-203.
[16] 卢强, 陈来军, 梅生伟. 博弈论在电力系统中典型应用及若干展望[J]. 中国电机工程学报, 2014, 34(29): 5009-5017.
Lu Qiang, Chen Laijun, Mei Shengwei. Typical applications and prospects of game theory in power system[J]. Proceedings of the CSEE, 2014, 34(29): 5009-5017.
[17] 张忠会, 赖飞屹, 谢义苗. 基于纳什均衡理论的电力市场三方博弈分析[J]. 电网技术, 2016, 40(12): 3671-3679.
Zhang Zhonghui, Lai Feiyi, Xie Yimiao. Analysis of trilateral game in electricity market based on Nash equilibrium theory[J]. Power System Technology, 2016, 40(12): 3671-3679.
[18] 李力行, 苗世洪, 孙丹丹. 多利益主体参与下主动配电网完全信息动态博弈行为[J]. 电工技术学报, 2018, 33(15): 3499-3509.
Li Lixing, Miao Shihong, Sun Dandan. Dynamic games of complete information in active distribution network with multi-stakeholder participation[J]. Transactions of China Electrotechnical Society, 2018, 33(15): 3499-3509.
[19] Nguyen P H, Kling W L, Ribeiro P F. A game theory strategy to integrate distributed agent-based functions in smart grids[J]. IEEE Transactions on Smart Grid, 2013, 4(1): 568-576.
[20] 刘念, 赵璟, 王杰, 等. 基于合作博弈论的光伏微电网群交易模[J]. 电工技术学报, 2018, 33(8): 1903-1910.
Liu Nian, Zhao Jing, Wang Jie, et al. A trading model of PV microgrid cluster based on cooperative game theory[J]. Transactions of China Electrotechnical Society, 2018, 33(8): 1903-1910.
[21] 吴诚, 高丙团, 汤奕, 等. 基于主从博弈的发电商与大用户双边合同交易模型[J]. 电力系统自动化, 2016, 11(25): 56-62.
Wu Cheng, Gao Bingtuan, Tang Yi, et al. Master- slave game based bilateral contract transaction model for generation companies and large consumers[J]. Automation of Electric Power Systems, 2016, 11(25): 56-62.
[22] 顾洁. 电力市场辅助报价决策的灰色博弈模型研究[J]. 电力系统保护与控制, 2010, 38(10): 12-21.
Gu Jie. Study on bidding strategy model for power market based on grey game theory[J]. Power System Protection and Control, 2010, 38(10): 12-21.
[23] 高洁, 盛昭瀚. 演化博弈论及其在电力市场中的应用[J]. 电力系统自动化, 2003, 27(18): 18-21.
Gao Jie, Sheng Zhaohan. Elementary groping for evolutionary game theory and its application in electricity market[J]. Automation of Electric Power Systems, 2003, 27(18): 18-21.
[24] 张程, 杜松怀, 苏娟. 基于演化博弈的区域电力市场报价策略研究[J]. 现代电力, 2010, 27(2): 87-90.
Zhang Cheng, Du Songhuai, Su Juan. Study on bidding strategies of regional electricity markets based on evolutionary game theory[J]. Modern Electric Power, 2010, 27(2): 87-90.
[25] 黄仙, 王占华. 基于演化博弈的发电商竞策略仿真分析[J]. 现代电力, 2009, 26(3): 91-94.
Huang Xian, Wang Zhanhua. Simulation and analysis of generation companies' bidding strategies based on evolutionary game theory[J]. Modern Electric Power, 2009, 26(3): 91-94.
[26] 徐意婷, 艾芊, 胡剑生. 基于协同演化博弈算法的微网和配电网动态优化[J]. 电力系统保护与控制, 2016, 44(18): 8-16.
Xu Yiting, Ai Qian, Hu Jiansheng. Dynamic optimization of microgrid and distribution network based on coevolutionary game algorithm[J]. Power System Protection and Control, 2016, 44(18): 8-16.
[27] 李彬, 曹望璋, 张洁, 等. 基于异构区块链的多能系统交易体系及关键技术[J]. 电力系统自动化, 2018, 42(4): 183-193.
Li Bin, Cao Wangzhang, Zhang Jie, et al. Transaction system and key technologies of multi-energy system based on heterogeneous blockchain[J]. Automation of Electric Power Systems, 2018, 42(4): 183-193.
[28] 中国区块链应用研究中心. 图解区块链[M]. 北京:首都经济贸易大学出版社, 2016.
[29] 佘维, 杨晓宇, 胡跃, 等. 基于联盟区块链的分布式能源交易认证模型[J]. 中国科学技术大学学报, 2018, 48(4): 307-313.
She Wei, Yang Xiaoyu, Hu Yue, et al. Transaction certification model of distributed energy based on consortium blockchain[J]. Journal of University of Science and Technology of China, 2018, 48(4): 307- 313.
[30] Kang Jiawan, Yu Rong, Huang Xumin, et al. Enabling localized peer-to-peer electricity trading among plug-in hybrid electric vehicles using consortium blockchains[J]. IEEE Transactions on Industrial Informatics, 2017, 13(6): 3154-3164.
[31] Zhang Qingfu, Li Hui. MOEA/D: a multiobjective evolutionary algorithm based on decomposition[J]. IEEE Transactions on Evolutionary Computation, 2008, 11(6): 712-731.
[32] Das I, Dennis J E. Normal-boundary intersection: a new method for generating the pareto surface in nonlinear multicriteria optimization problems[J]. SIAM Journal on Optimization, 1998, 8(3): 631-657.
[33] 李姚旺, 苗世洪, 尹斌鑫, 等. 含先进绝热压缩空气储能电站的电力系统实时调度模型[J]. 电工技术学报, 2019, 34(2): 387-397.
Li Yaowang, Miao Shihong, Yin Binxin, et al. Real- time dispatch model for power system with advanced adiabatic compressed air energy storage[J]. Transa- ctions of China Electrotechnical Society, 2019, 34(2): 387-397.
Cooperative Evolutionary Game Strategy for Electricity Trading Stakeholders in Active Distribution Network under Consortium Blockchain Framework
Abstract In the traditional electricity trading mode, centralized transaction data and regulatory agency will bring the issues such as low data security and regulatory trust crisis. The rise and development of blockchain technology provides new ideas and methods for solving these problems. Firstly, by analyzing behavior characteristics of electricity trading stakeholders (ETSs) in the active distribution network (ADN), a electricity market trading system is established under consortium blockchain framework. This system pre-authorizes each ETS as a semi-open local node. Through the dynamic selection of alliance node, distributed storage of transaction data can be realized without additional third-party regulatory agency. Then a detailed certification method for electricity trading in AND is proposed. Furthermore, a cooperative evolutionary game model of ETSs is established, and a multi-objective evolutionary algorithm based on decomposition is utilized to solve this model. The solution results can be used as a basis for generating smart contracts, and realize the decision-making optimization for electricity trading in ADN. Finally, the case study verify the proposed strategy.
keywords：Consortium blockchain, electricity trading, cooperative evolutionary game, multi- objective evolutionary algorithm, active distribution network
中图分类号：TM73
DOI: 10.19595/j.cnki.1000-6753.tces.190092
国家自然科学基金项目（51777088）、2018年国家电网公司总部科技项目（SGHADK00PJJS1800072）和国家重点基础研究发展计划项目（973计划）（2015CB251301）资助。
收稿日期 2019-01-22
改稿日期 2019-03-06
叶 畅 男，1989年生，博士研究生，研究方向为主动配电网协调优化及运行控制技术。E-mail: yech0131@163.com
苗世洪 男，1963年生，教授，博士生导师，研究方向为电力系统继电保护、微网及配电网新技术。E-mail: shmiao@mail.hust.edu.cn（通信作者）
（编辑 陈 诚）