0 引言
近年来，随着能源技术的不断进步和能源市场的多元化发展，分布式新能源在世界各国得到了广泛的应用，传统能源消费者正向同时具备电能生产能力和消费能力的产消者转型[1]。但是，受限于用户用能水平和外部环境的影响，分布式新能源的出力不能被完全消纳，在利用效率上还有待提高，且新能源的大规模并网会给电网的可靠性和经济运行带来极大的考验[2-3]。因此，探索如何协调大量产消者之间的能源互通共享是未来能源领域亟须解决的问题。
随着能源市场的改革和产消者用能需求的多元化，综合能源系统（Integrated Energy System, IES）成为解决分布式新能源消纳的重要手段。售电公司也由传统依靠买卖电力差价赚取利润的模式转变为提供电、热、气多种类型能源的综合能源服务商（Integrated Energy Service Provider, IESP）[4]。文献[5]综合考虑新能源供应商、IESP 和用户三方利益，提出了集中式多目标优化模型，提高了新能源的消纳水平。文献[6]考虑了柔性负荷和采暖负荷热惯性，设计了一种考虑IESP 调节域的综合需求响应市场出清机制，提高了新能源的消纳率。其中综合需求响应作为需求侧管理的重要技术，能够有效提高综合能源整体利用效率，充分发挥供需两侧互动能力，有助于进一步提高产消者的综合效益[7]。文献[8]设计了一种激励型综合需求响应市场运行机制，并提出了考虑需求侧耦合特性和动态响应特性的综合需求响应模型，验证了其在消纳场景下的有效性，实现了IESP 和用户的双赢。文献[9]考虑用户的响应特性，基于主从博弈建立了IESP 和用户之间的综合需求响应协同优化策略，证明了综合需求响应对分布式新能源消纳的促进作用。上述文献主要研究了综合能源的市场机制以及综合需求响应的作用效果，但并未充分解决分布式新能源设备盈余发电的消纳问题，也没有考虑到产消者因能源买卖价格差在市场交易中所处的劣势地位。
共享经济作为一种新兴的商业模式，对提高资源利用率、解决参与方市场地位不平等问题具有显著的成效，近期在能源领域中也有了初步应用。文献[10-11]详细介绍了云储能的概念，研究了云储能的商业模式和运行机制，提出了用户利用储能进行能量共享的一种探索。文献[12]追求居民用户效用最大化，提出了微电网内用户光伏和储能资源优化利用的能量共享机制。文献[13]考虑热电联产和需求响应，提出了基于多微电网的综合能源共享架构。文献[14]提出了面向产消者和社区光伏的能量共享模型，并将其描述为基于两阶段动态电价的随机博弈模型，综合降低了产消者的能源成本和能量共享损失风险。另外，在能量共享利益分配方面，文献[15]采用VCG（Vickrey-Clark-Groves）理论计算每个参与者的市场贡献，文献[16-17]采用Shapley 值法进行收益分配，而文献[18]基于纳什博弈理论对微电网间的利益进行分配。上述研究对能量共享和利益分配提供了重要的参考价值，但较少涉及综合能源领域，且有待进一步分析利益分配策略对用户参与能量共享积极性的影响。
此外，产消者在产电和用电过程中存在风光发电和负荷波动等不确定性因素。为了解决不确定性问题，一些随机方法被应用于实现系统的运行优化，比如随机优化[19]、机会约束优化[20]和鲁棒优化[21]等。而在随机规划问题中，条件风险价值（Conditional Value at Risk, CVaR）作为一种有效的风险防范措施已被广泛应用于能源领域[22]。文献[23]考虑微电网内风电与负荷的不确定性，建立了基于条件风险价值的随机规划模型，为多微网系统在经济效益和风险程度之间的权衡提供了参考。文献[24]利用CVaR度量风光不确定性带来的风险损失，建立了含储热的光热电站和风电系统的经济调度模型，并讨论了风险系数对调度结果的影响。文献[25]基于分布式发电系统的供需协调互动和最差条件风险价值理论，建立了包含多类成本的能量管理风险模型，有效规避了新能源出力不确定性对系统造成的收益波动风险。但上述文献主要侧重于传统微电网的发电侧，较少涉及综合能源领域，对于不确定因素下产消者的能量共享优化研究也比较欠缺。
为了解决上述问题，本文提出了一种计及CVaR和综合需求响应的产消者能量共享激励策略。首先介绍了多能源市场背景下将IESP 和产消者视为利益共同体的能量共享架构，并给出产消者能量枢纽模型；其次考虑CVaR 和综合需求响应分别建立产消者和IESP 的成本模型；然后引入能量共享机制建立共享模型，并提出利益分配激励策略；最后通过仿真算例分析验证了本文所提优化策略的有效性和经济性。
1 综合能源服务商主导的产消者能量共享架构
本文所述的能量共享架构在综合能源背景下包含能源市场、综合能源服务商和产消者三部分。其中能源市场主要包括电市场和天然气市场，用于向IESP 以批发价格出售电能和气能，并传达能源市场信息。IESP 和多个产消者组成利益共同体，其中IESP 作为产消者与能源市场的桥梁，主要负责能源的交易工作，并对产消者之间能量共享产生的经济效益进行利益再分配。具体架构如图1 所示。
图1 产消者能量共享架构
Fig.1 Energy sharing architecture for prosumers
传统能源市场中，产消者在电能不足时向IESP购能，在电能过剩时出售多余电能。然而，一般情况下IESP 的零售电价要高于其回收电价，所以产消者出售电能的收益要低于其购电成本，造成交易亏损。储能设备可以存储多余电能并在能量短缺时释放的特点在一定程度上缓解了这个问题，而储能设备成本高昂不能完全消除交易亏损。此外，产消者可能会因为其他能源供应不足而额外购买电能或气能，也会增加自身的用能成本。所以考虑到不同产消者负荷水平、新能源出力、用户特性存在差异，将他们组成团体进行能量共享，可有效提高产消者分布式新能源出力的就地消纳能力，提高各类能源的利用水平，从而降低产消者的整体成本。
为了更好地消纳新能源以及获取多种能源类型，产消者都拥有热电联产（Combined Heat and Power,CHP）、电锅炉（Electric Boiler, EB）和燃气锅炉（Gas Boiler, GB）等能源转换设备，通过组成能量枢纽实现多能源的耦合转换和生产。本文假定产消者内部的能量枢纽相同，具体结构如图2 所示。
图2 能量枢纽示意图
Fig.2 Schematic diagram of energy hub
目前一般采用矩阵形式来描述能量枢纽模型，分为能源输入、能源耦合和用能负荷三部分[26]，其表示关系为
式中， eL 、 hL 和 gL 分别为用户电、热、气负荷需求；eW 和 gW 分别为输入能量枢纽的电功率和气功率；rC HP和 rG B分别为输入CHP 和GB 的气能占输入能量枢纽气能的比例； rE B为输入EB 的电能占输入能量枢纽电能的比例；
分别为CHP 设备的气转电效率和气转热效率； ηEB 和 ηGB 分别为EB 设备的电转热效率和GB 设备气转热效率。
2 计及CVaR 和综合需求响应的参与者成本模型
在本文的能源市场架构下，各产消者根据自身新能源机组出力预测和用能负荷需求制定经济运行方案。考虑到预测误差的存在，本文将产消者的总目标成本分为运行成本和风险成本两部分，下面将给出产消者和IESP 各自独立的成本模型。
2.1 产消者成本模型
产消者为能源价格的接受者，其以零售价格从IESP 处购买电能和气能，以IESP 指定的回收价格出售多余的新能源出力。产消者在制定经济运行方案时会以成本最小为目标，其由运行成本（包括能源交易成本、储能设备运行成本、参与综合需求响应的折算成本）和预测误差导致的风险成本组成，具体表示为
式中，
为产消者i 的成本；
为产消者i 在时段t 的能源交易成本；
为产消者i 在时段t 的储能设备运行成本；
为产消者i 在时段t 参与综合需求响应的折算成本；C iCVaR 为产消者i 因为新能源出力不确定性和负荷预测不确定性导致的风险损失成本；β 为产消者的风险权重，取值范围为[0,1]，取值越大说明产消者越重视不确定性带来的风险；T 为运行周期总时段数。
（1）能源交易成本
能源交易成本包括产消者的购电成本、购气成本以及产消者新能源出力盈余时的售电收益，具体为
式中，
为产消者i 在时段t 的购电成本；
为产消者i 在时段t 的购气成本；
为产消者i 在时段t 的售电收益；
分别为t 时段产消者从IESP 处的购电价格、购气价格和向IESP的售电价格；
分别为产消者i 在时段t 的电能净需求量、气能净需求量和电能净盈余量。
（2）储能运行成本
储能设备的运行成本包含维护成本和折旧成本，可以等效为充放电功率的二次函数[27]，即
式中，α 为储能设备运行成本系数；
为产消者i 在t 时段的储能充放电功率。
（3）综合需求响应折算成本
产消者主要通过削减负荷和转移负荷的模式来参与综合需求响应。其中可转移负荷只转移负荷使用时段，并未降低负荷使用量，而可削减负荷则会降低负荷水平，导致自身用能舒适度下降。两种响应模式都会获得来自能源市场的响应经济补贴，所以产消者的综合需求响应折算成本由舒适度损失成本和响应补贴两部分组成。
式中， φ (·) 为舒适度损失函数；
分别为产消者i 在t 时段参与综合需求响应的负荷削减量和负荷转移量，且
其中角标e、h、g 分别代表电负荷、热负荷和气负荷，并设定
向其他时段转移负荷时为正值； π cut和 πmov分别为削减、转移单位负荷的响应补贴系数，且π ∈{π e ,π h ,π g}。
考虑到不同产消者的用能习惯和响应特性不同，基于已有的一些研究，可将舒适度损失成本用一个二次函数表示为[28]
式中， ai 和ib 为产消者i 的特性参数，且对不同能源取值均不同。
基于消费者的心理学理论，用户对能源价格变化的响应情况分为死区、线性区和饱和区[29]，可以认为在削减型需求响应中，产消者在激励价格达到某一数值后才愿意参与响应，其愿意削减的负荷功率与激励价格近似为线性关系，直至其最大可响应功率。根据以上分析，将可削减负荷的激励价格与负荷响应量的关系表示为
式中， 1k 为激励系数，随能源不同而变化； k2 为最低激励价格，一般设为常数。
（4）约束条件
产消者能量枢纽所包含的能源转换设备的运行约束为
式中，
分别为产消者i 在时段t 时CHP设备的产电功率和产热功率；
分别为产消者i 在时段t 时电锅炉和燃气锅炉的产热功率；
为产消者i 在时段t 时CHP 的气能消耗功率；
为产消者i 在时段t 时电锅炉的电能消耗功率；
为产消者i 在时段t 时燃气锅炉的气能消耗功率；
分别为能源转换设备的最小运行功率和最大运行功率。
为满足产消者的用能需求，各种能源应满足功率守恒约束，即
式中，
分别为产消者i 在t 时段的电负荷、热负荷和气负荷预测值；
为产消者i在t 时段的新能源出力预测值。
对电储能设备而言，其充放电功率受到设备最大容量和当前剩余容量的限制。此外，为了延长储能设备的使用寿命，其剩余容量也会受到荷电状态（State of Charge, SOC）的限制，上述约束可表示为
式中，
为产消者i 在t 时段时储能设备的剩余容量； 
为产消者i 储能设备的初始容量； η ES为电储能的充放电效率；
为产销者i 在τ 时段的储能充放电功率； S imax 为产消者i 储能设备的最大容量；v min 和 vmax 分别为储能设备的最小荷电状态和最大荷电状态；
为产销者i 在T 时段储能设备的剩余容量。式（19）表示整个运行周期结束后储能设备状态不变。
对于综合需求响应而言，产消者的可调负荷需要满足
式中，
分别为可削减负荷功率削减的上、下限值；
为可转移负荷的最大转移功率值。
2.2 综合能源服务商模型
IESP 既是价格的制定者也是价格的接受者，它是连接产消者与外部能源市场的桥梁。其以批发市场的电价和气价购入能源并以零售价格卖给产消者，同时以回收价格回收产消者新能源的额外出力并以上网电价出售给外部网络。其优化目标也为净成本最小化，具体表示为
式中，C 0IESP 为IESP 的净成本；C t M为t 时段IESP 与能源市场的交易成本； Ct U为t 时段IESP 与产消者的交易成本；
分别为t 时段IESP 从能源市场购电和购气的价格； p
为t 时段IESP 向外网售电的价格；I 为产消者集合。
2.3 条件风险模型
由于新能源出力的不确定性和产消者负荷的波动性，基于预测数据的经济调度模型难以满足产消者的实际能量需求，存在一定的风险。当新能源的实际出力值低于预测值或产消者负荷的实际值高于预测值时，会有部分负荷需求不能得到满足，造成失负荷损失；反之，当新能源的实际出力值高于预测值或产消者负荷的实际值低于预测值时，会有部分新能源发电被浪费，造成弃电损失。本文选用条件风险价值来综合量化上述风险损失，以补充系统模型在各种情景下的综合成本。
CVaR 由风险价值（Value at Risk, VaR）衍生而来，指在某一置信水平下，风险损失大于VaR 的损失期望均值[30]。它克服了VaR 不满足一致性、不满足次可加性以及尾部损失测量不充分等缺点，能够有效评估场景不确定性带来的损失程度。
对于给定的置信水平θ∈(0,1)，其对应的VaR和CVaR 计算方式为
式中， g ( )ξ 为决定系统风险的随机变量的概率密度函数； f ( x , )ξ 为系统的风险损失函数，x 为待优化变量取值； Φ( x , a)为损失不超过边界值a 的分布函数； p mpro 为场景m 出现的概率；M 为场景总数；ξ m为场景m 下随机变量的值；[ f ( x,ξ m ) -a]+表示max{ f ( x,ξ m) -a, 0}。
本文主要考虑两方面的不确定性，一是能源供给侧新能源机组出力的不确定性，二是需求侧产消者用电负荷的不确定性，并假设新能源出力与负荷预测误差均满足正态分布[31]，预测误差为预测值减去实际值，所以系统功率总预测误差为
式中，
为t 时段第i 个产消者的系统总预测误差；
分别为t 时段第i 个产消者内光伏出力预测误差和风电出力预测误差；
为t 时段第i 个产消者内电负荷的预测误差。则第i 个产消者的风险损失成本为
式中，
为t 时段第i 个产消者的风险损失成本；c PL为失负荷惩罚成本； c EL为弃电惩罚成本。
故第i 个产消者的条件风险价值可以表示为
3 产消者能量共享优化激励策略
3.1 能量共享交易机制
在传统独立运营模式下，产消者的负荷需求只能靠购买能源和自身生产来满足，产消者之间缺乏联系与互动，这就可能会产生部分产消者自身能源生产能力过剩而造成能源使用率低的问题。而且从能源价格上来看，产消者的购电电价要高于其售出电价，这会使得产消者在进行电力交易时处于劣势。考虑到不同产消者能源生产能力和负荷水平不同，尝试将多个产消者联系起来，进行内部的能源传输，而综合能源服务商将根据各个产消者共享能量的情况给予相应的激励补贴。在考虑能量共享交易机制的情况下，将存在以下过程：
（1）综合能源服务商会制定一个能量共享的激励补贴规则，所有产消者将和综合能源服务商签订能量共享合同，以获取相应的经济激励。
（2）各个产消者在参与能量共享时，会重新优化其能源交易量以及能源耦合设备的调用情况，这将使其偏离自身独立运行时的个体最优策略。
（3）综合能源服务商将收集各个产消者的负荷信息以及能量共享信息，并与外部的能源网络进行能量平衡交易。
（4）IESP 以零售价格向各产消者收取能源购买费用，并以盈余价格向各产消者支付新能源回收利益，以及按能量共享补贴规则向各产消者支付激励补贴。
3.2 能量共享模型
在能量共享方案中，IESP 与所有产消者组织成一个利益共同体进行合作，从而优化各个产消者的能量共享功率。能量共享要求产消者偏离个体最优策略以满足其他产消者的能量需求，因此，IESP 需要通过分配共享利益来激励用户共享资源。设IESP给产消者的能量共享激励补贴为 iζ ，则考虑能量共享后第i 个产消者和IESP 的成本分别为
式中，
分别为能量共享模型下IESP 和产消者的成本；Cline 为产消者之间能量共享传输路径的损耗成本； cl ine为损耗成本系数；
分别为t 时段第i 个产消者的电能共享变量和热能共享变量，并设定向外分享能源为正值，接收分享能源为负值。
在考虑产消者之间的能量共享后，能量共享模型的目标函数为利益共同体的整体成本最小化，即
利益共同体的目标成本由产消者成本和 IESP的成本组成，也可看作总运行成本 EC 和总风险成本两部分，其中总运行成本为除去风险成本的其他成本。由于考虑到产消者之间的能量共享，所以式（14）和式（15）的功率平衡约束需要进行相应更新。
式（37）和式（38）分别为电能和热能的共享平衡约束，其拉格朗日乘子分别由
表示，可以理解为共享电能的结算价格和共享热能的结算价格[32]。
3.3 利益分配激励策略
由于能源共享需要用户偏离个体最优调度，从而增加个体成本，因此需要一种有效的利益分配策略来激励用户参与能源共享。在本文中，需要一个激励机制来满足以下性质。
（1）帕累托最优：只存在唯一最优解，且每个参与者的成本不高于原始成本。
（2）个体理性：IESP 和所有产消者都能通过能量共享交易机制削减成本。
（3）合理分配：通过能量共享交易机制产生的收益应该分配给IESP 和每个参与共享的产消者，且产消者贡献越大，获得的激励越多。
本文采用产消者共享能源的等效价值来表示其市场贡献值，即
式中， 
为t 时段产消者i 的市场贡献值。
所以，产消者i 的市场贡献度可以表示为个体贡献值占总贡献值的比例，即
式中，iω 为产消者i 的市场贡献度；σ 为IESP 的回报系数，取值区间为（0,1），这里定义为常数。
根据经济学原理，实施能量共享交易机制所产生的经济效益Δ 为实施能量共享前后的总成本削减量，即
能量共享会使产消者偏离个体最优，导致部分产消者利益受损。而个体理性是能量共享机制实施的前提，所以需要利益再分配。个体理性约束为
式中，Δ IE SP为IESP 参与能量共享获得的经济效益；Δ iPS为产消者i 参与能量共享获得的经济效益。
纳什博弈研究了市场参与各方如何分享他们共同产生的盈余，其中在对称纳什均衡模型中，无论参与方发挥了怎样的作用，他们都将被分配相同的贡献率。然而在实际能量共享机制下，各个产消者的贡献度不同，需要通过差异化分配激励来满足各方利益。
针对此利益再分配问题，基于产消者贡献度建立非对称纳什博弈模型，目标函数为最大化Cobb-Douglas 效用函数[32]，即
等式两边求对数得
式（45）是凹函数，针对iζ 求一阶KKT 条件为
对式（46）所涵盖的N 个公式求和可以解得
可以看到 iζ 由两部分组成， iω Δ 是每个产消者参与能量共享后根据市场贡献获得的共享利益，而另一部分是产消者因为参与能量共享而导致的成本增加量。所以IESP 在利益再分配时不仅考虑了产消者的市场贡献，也考虑了产消者的成本变化。将iζ 代入式（45）可得
这是关于Δ 的递增函数，所以非对称纳什博弈模型的目标函数等价于最大化共享利益。根据式（41），当无共享模型成本已知时，优化目标等价于求共享模型下整体成本最小化。可以看到，通过此方法获得的激励机制可以同时满足前文所述三条性质。
4 算例仿真
本文基于综合能源市场，以1 个IESP 和3 个产消者为主体构建算例场景进行仿真，模型求解流程由附图1 给出。在Matlab 环境下，通过YALMIP工具箱调用gurobi 求解器，对所提策略进行求解。
附 录
附图1 模型求解流程
App.Fig.1 Model solving process
4.1 仿真参数设置
设一天分为T=24 h，某典型地区光伏和风机出力预测值如附图2 所示，并假设所有产消者距离相近，单位装机容量的新能源预测值相同。所有产消者的电负荷、热负荷和气负荷的预测值如附图3 所示[33]。以风电、光伏和电负荷预测值为基础数据，取每个时刻的预测值为均值，标准差分别设为0.15、0.1 和0.05，依据正态分布和拉丁超立方抽样分别得到1 000 个出力场景和负荷场景，然后采用K-Means聚类算法将场景数削减至10 个，从而构建出100 组典型场景[4]。置信度取0.95，三个产消者的风险权重都取值0.5，各时段能源价格如附图4 所示，其他参数见附表1。
附表1 参数设置
App.Tab.1 Parameter setting
对象 参数 数值光伏容量/kW 3 000产消者1风机容量/kW 3 000储能容量/kW 1 000光伏容量/kW 6 000产消者2储能容量/kW 500风机容量/kW 6 000产消者3储能容量/kW 500 e ia 0.005～0.006 e ib 0.1～0.2 0.007～0.008产消者参数g ia g ib 0.2～0.3 h ia 0.009～0.010 h ib 0.3～0.4 v 0.1 min 储能参数v 0.9 max e 1k 0.002 0.003激励价格系数g 1k h 1k 0.004 k 0.3 2 c /(元/kW) 2 PL 风险惩罚系数c /(元/kW) 0.5置信度 θ 0.95 EL风险权重 β 0.5转移负荷补贴系数 mov π 0.1联络线成本 cline 0.1回报系数 σ 0.2
附图2 新能源出力预测值
App.Fig.2 Predicted value of new energy output
附图3 各产消者负荷值
App.Fig.3 Load value of each prosumer
附图4 能源价格
App.Fig.4 Energy prices
图4 产消者储能变化情况
Fig.4 Prosumers’ energy storage changes
4.2 参与各方优化结果分析
为了验证所提优化策略的有效性和经济性，本文设置了四个对比模型进行仿真实验，具体设置见表1。
表1 四种对比模型设置
Tab.1 Four comparison model settings
模型 综合需求响应 能量共享1 × ×2 √ ×3 × √4 √ √
仿真结果主要从IESP 和产消者的经济成本来展示所提优化策略的优势，四种模型下各参与主体的净成本或净利润见表2。
表2 经济效益分析
Tab.2 Economic benefit analysis
模型产消者1成本/元产消者2成本/元产消者3成本/元IESP利润/元整体成本/元1 51 807 35 755 13 712 49 046 52 228 2 41 673 31 325 9 448 39 361 43 085 3 51 421 35 514 13 442 49 270 51 108 4 41 013 30 904 8 805 39 792 40 930
由表2 可以看出，四种模型中同时引入综合需求响应和能量共享机制的模型4 整体成本最小，其次是只引入综合需求响应的模型2，然后是只引入能量共享机制的模型3。这是因为产消者通过参与综合需求响应削减了部分负荷需求，并转移了能源价格较高时段的部分负荷，不仅降低了自身的购能成本，还获得了额外的需求响应激励补贴，所以整体成本下降较大。而能量共享主要作用于产消者之间不同能量的互补协调，进而影响利益共同体整体对外的能源需求，且能量共享激励补贴由IESP 下发给用户，所以整体成本下降较小。此外分别对比模型1、3 以及模型2、4 可以看出，引入能量共享机制后，产消者与IESP 将构成利益共同体，不仅使整体成本有所下降，其内部各参与方也都满足个体理性原则，即产消者的成本降低，IESP 的利润增加。
模型4 中产消者1 的电能功率平衡图、热能功率平衡图和气能功率平衡图如图3 所示。出于篇幅考虑，产消者2 和产消者3 的能源功率平衡图见附图5 和附图6。在电能共享上，可以看出在1:00～8:00 零售电价较低时段，产消者1 不足的电能均通过向IESP 购买或CHP 生产获得，虽然产消者3 在t=2:00、t=3:00 时刻有富余电能，但此时能量共享并不能带来收益，所以富余的电能由IESP 回收。而在t=16:00、t=17:00 时刻零售电价较高，产消者2 和产消者3 有富余电能，均向产消者1 共享了电能。总体来看，产消者1 主要为共享电能接受者，产消者3 主要为共享电能提供者，产消者2 都有体现。而且产消者1 和产消者3 在能量共享机制中更为活跃，这也呼应了表2 中他们的成本下降值要大于产消者2 的成本下降值。在热能共享上，可以看到产消者1和产消者2 主要为共享热能接受者，产消者3 主要为共享热能提供者，而且因为产消者3 的新能源出力较为丰富，所以其热能均是由电锅炉设备生产提供的。除此以外，还可以看到在接收共享能量的时段，产消者的负荷相应都有下降，这也说明在产消者能源不充足时，综合需求响应也是一种缓解用能紧张的手段。综合需求响应能够和能量共享策略一起优化产消者的能源运行方案。
图3 产消者1 的能源功率平衡图
Fig.3 Power balance diagram of prosumer 1
附图5 产消者2 的能源功率平衡图
App.Fig.5 Power balance diagram of prosumer 2
附图6 产消者3 的能源功率平衡图
App.Fig.6 Power balance diagram of prosumer 3
模型1 和模型3 中各个产消者的电储能荷电状态变化如图4 所示。可以看出模型1 中各个产消者对储能设备的使用较为频繁和充分，这是因为储能可以在一定程度上平衡新能源出力的波动性。而在引入了能量共享机制后，产消者对储能设备的依赖度大幅下降，这也是因为能量共享代替了储能设备的功能，且更具经济性。
4.3 能量共享激励机制的影响分析
为了验证本文所提能量共享激励策略的必要性和合理性，本文以模型2 为参照对比，并在模型4的基础上设置了三种能量共享利益分配模式，具体为：模式1——无能量共享，为参照对比模式；模式2——有能量共享，但共享利益不分配，即IESP 不对产消者下发能量共享激励补贴 iζ ；模式3——有能量共享，共享利益均等分配，即各产消者的iω 值相等；模式4——有能量共享，共享利益自适应分配，即本文3.3 节所提激励策略。
四种模式下产消者的总净成本及变化率见表3。可以看到，在模式2 的运营方式下，产消者的总净成本下降，且下降幅度要高于模式3 和模式4。这是因为产消者之间的能量共享满足了彼此的能源需求，减少了与IESP 的能源交易。但在这一过程中，必定有一些产消者牺牲了自身利益，若没有激励则无法促成能量共享的实施，这也反映了建立一个公平有效的利益分配机制的重要性，这一点将在图5和图6 中展示。在引入了利益分配机制后，产消者的净成本也有明显下降，确保了产消者参与能量共享的积极性。值得注意的是，不同的利益分配机制只会影响不同产消者获得的激励补贴，而IESP 只会获得固定的利益份额，所以产消者总的净成本下降幅度相同。
表3 不同模式下产消者的总净成本
Tab.3 Total net cost of prosumers under different modes
模式 净成本/元 变化率(%)1 82 446 —2 80 562 -2.29 3 80 895 -1.88 4 80 895 -1.88
图5 不同模式下产消者的净成本
Fig.5 The net cost of each prosumer in different modes
图6 不同模式下产消者成本节省量与市场贡献度
Fig.6 Prosumers’ cost saving and market contribution in different modes
为了进一步研究不同模式对产消者个体经济成本的影响，四种模式下各个产消者的净成本情况如图5 所示。可以看出，在模式2 中，由于能量共享产生的收益没有分配，导致产消者1 的净成本有明显下降，而产消者3 的净成本明显上升，这也将打击产消者3 参加能量共享的积极性。在模式3 和模式4 下，所有产消者的净成本均有所下降，满足了产消者参与能量共享后的个体理性，而这两种模式的主要区别在于不同产消者分配得到的激励不同，这也有关于激励的公平分配问题。
利益均等分配和利益自适应分配两种模式下各产消者净成本节省量与其市场贡献度之间的关系如图6 所示。可以看出，在模式3 中，产消者的成本节省量与其市场贡献度没有关联，如产消者2 与产消者1 和3 的市场贡献度差距较大，却节省了同样的成本，这显然是不公平的，会严重影响其他产消者参与能量共享的积极性。而在模式4 中，自适应利益分配机制实现了产消者的多贡献多获益，实现了市场参与各方的公平性，有利于促进产消者积极参与能量共享。
4.4 风险参数对结果的影响分析
风险权重β 反映了决策者对风险成本关注水平的高低，因此有必要研究风险权重对优化结果的影响。以表1 中的模型3 和模型4 为仿真对象，分别改变其风险权重值，分析它们对优化成本的影响，具体结果如图7 所示。
不同风险权重下利益共同体的总运行成本和总风险成本如图7 所示。可以看出，当未考虑不确定性风险时，利益共同体的总运行成本较低，总风险成本很高。开始考虑风险后，利益共同体的总运行成本有所上升，而总风险成本会快速下降，且随着风险权重的提高，总运行成本和总风险成本则逐渐趋于稳定。这是因为开始考虑风险后，利益共同体为了规避较高的风险损失，会重新规划自身的决策方案，预留容错空间，导致了总体运行成本的升高。而随着风险权重的提高，风险成本的下降值越来越小，这也说明了不确定性带来的风险损失是难以避免的，不能过分关注风险，而要在整体经济性和风险规避中做出权衡。另外，模型3 和模型4 的曲线走势大致相同，且总风险成本曲线几乎重合，这说明综合需求响应只影响最终的运行成本值，而对规避风险的效率并无提升。
图7 不同风险权重下的成本值
Fig.7 Cost value under different risk weights
4.5 IESP 回报系数的影响分析
IESP 的回报系数决定了IESP 通过协助产消者能量共享获得的收益，也间接影响了产消者能量共享得到的效益，在模型4 的基础上改变回报系数，得到产消者和IESP 的成本削减量如图8 所示。
图8 产消者和IESP 的成本削减量与回报系数的关系
Fig.8 Cost savings of the IESP and prosumers give different σ
由图8 中可以看出，随着IESP 回报系数的提高，IESP 能够获得更高的经济效益，而各个产消者的成本节省量在不断削减。利益共同体的整体成本节省量维持在2 156 元，也表明了本文所提优化策略既实现了利益共同体的经济最优化，又能影响各参与方的利益分配。另外，各产消者的市场贡献度也可由成本节省曲线的斜率计算获得，这点也可由式（47）得到印证，即产消者通过参与能量共享实际节省的成本与其市场贡献度成正比。
4.6 价格因素的影响分析
价格是能源交易的敏感因素，直接影响着产消者、IESP 与能源市场的能源交易行为，进而会对产消者之间的能量共享策略造成影响，所以有必要分析价格变化对共享策略的影响。本文涉及 
共六个价格因素，分别将某一价格上调20%，其他价格固定不变，求得各个产消者对电能共享和热能共享的市场贡献值，与价格未调整前的贡献值进行比较，若贡献值增加，则表示正相关；若贡献值下降，则表示负相关。具体结果见表4。
表4 能源价格对共享策略的影响
Tab.4 Impact of energy price on sharing strategy
注：“+”代表正相关，“-”代表负相关，“×”代表影响较弱。
价格因素产消者1 产消者2 产消者3 整体电 热 电 热 电 热 电 热in e,t p × + + - - × + ×in g,t p + × + + + + + +out e,t p - - × × - - - -r p × × + × - × × ×e,t r p × - × + × × × ×g,t s p × × × × × × × ×e,t
由表4 可知，IESP 与产消者之间的能源价格对共享策略的影响较小，且几乎不会影响整体的能量共享效果。而能源市场与IESP 之间的价格则对共享策略影响较大，这也是因为在实施能量共享策略时，IESP 与产消者组成了利益共同体，所以外部的能源价格影响较大。具体来看，当IESP 的购电价格上升时，整体电能共享会更加活跃，热能共享则变化较小。当IESP 的购气价格上升时，整体电能共享和热能共享都会更加活跃，以便充分调动利益共同体内部资源，从而减少对外部能源的依赖。当IESP向外部的售电价格上升时，整体电能共享和热能共享水平将会下降，产消者将会更加愿意将富余的电能输送给外部网络。
5 结论
本文针对综合能源市场下多个产消者之间的能源共享问题提出了一种考虑CVaR 和综合需求响应的产消者能量共享激励策略，建立了独立运行模式下的各参与者成本模型和能量共享模型，提出了利益分配激励策略，并通过算例仿真验证了所提模型的经济性和有效性。本文主要得出以下结论：
1）构建了一种综合能源环境下的产消者能量共享架构，将IESP 与产消者组成利益共同体，促使产消者能够通过综合能源的转换以及多种能量的共享优化自身能源运行计划，降低运行成本。
2）算例分析表明，本文所提出的能量共享激励策略能兼顾各方利益诉求，保障参与各方的公平性，有效降低了产消者和IESP 的运行成本。
3）通过分析风险参数对优化结果的影响，可知产消者在优化调度时需要适当考虑风险损失，但过度考虑风险只会损害自身成本，要在经济性和风险水平中做好权衡。
4）通过分析价格因素对优化结果的影响，可知能源市场与IESP 之间的交易价格对能量共享策略影响较大，所以不同区域在实施能量共享方案时，要充分考虑本地能源市场的价格政策。
综上所述，本文提出的考虑CVaR 和综合需求响应的产消者能量共享优化激励策略有助于实现产消者在综合能源背景下的友好发展，能够为产消者对经济性和风险性的权衡提供参考。下一步的研究将考虑产消者和综合能源市场之间的交易机制，以促进供需两侧协同优化的持续发展。
[1] 陈玥, 刘锋, 魏韡, 等. 需求侧能量共享：概念、机制与展望[J]. 电力系统自动化, 2021, 45(2): 1-11.Chen Yue, Liu Feng, Wei Wei, et al. Energy sharing at demand side: concept, mechanism and prospect[J].Automation of Electric Power Systems, 2021, 45(2):1-11.
[2] 姜云鹏, 任洲洋, 李秋燕, 等. 考虑多灵活性资源协调调度的配电网新能源消纳策略[J]. 电工技术学报, 2022, 37(7): 1820-1835.Jiang Yunpeng, Ren Zhouyang, Li Qiuyan, et al. An accommodation strategy for renewable energy in distribution network considering coordinated dispatching of multi-flexible resources[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 1820-1835.
[3] 任景, 薛晨, 马晓伟, 等. 源荷联动调峰辅助服务市场两阶段模型[J]. 电力系统自动化, 2021, 45(18):94-102.Ren Jing, Xue Chen, Ma Xiaowei, et al. Two-stage model of peak regulation ancillary service market with source-load interaction[J]. Automation of Electric Power Systems, 2021, 45(18): 94-102.
[4] 潘虹锦, 高红均, 刘畅, 等. 综合能源服务商-多用户利益共同体协调运营优化策略研究[J]. 中国电机工程学报, 2021, 41(9): 3195-3207.Pan Hongjin, Gao Hongjun, Liu Chang, et al. Research on coordinated operation optimization strategy of integrated energy service provider and multi-users interest community[J]. Proceedings of the CSEE, 2021,41(9): 3195-3207.
[5] 陈永龙, 朱金大, 杨冬梅, 等. 基于多方利益博弈的园区级综合能源系统经济优化运行技术研究[J].高电压技术, 2021, 47(1): 102-110.Chen Yonglong, Zhu Jinda, Yang Dongmei, et al.Research on economic optimization operation technology of park-level integrated energy system based on multi-party interest game[J]. High Voltage Engineering, 2021, 47(1): 102-110.
[6] 刘起兴, 胡亚平, 许丹莉, 等. 计及综合能源服务商调节域的综合需求响应市场机制[J]. 电网技术,2021, 45(5): 1932-1941.Liu Qixing, Hu Yaping, Xu Danli, et al. Integrated demand response market mechanism considering adjustable region of integrated energy service providers[J]. Power System Technology, 2021, 45(5):1932-1941.
[7] Sheikhi A, Bahrami S, Ranjbar A M. An autonomous demand response program for electricity and natural gas networks in smart energy hubs[J]. Energy, 2015,89: 490-499.
[8] 祁兵, 郑顺林, 孙毅, 等. 考虑需求侧动态及耦合特性的激励型综合需求响应优化建模[J]. 中国电机工程学报, 2022, 42(5): 1783-1798.Qi Bing, Zheng Shunlin, Sun Yi, et al. A model of incentive-based integrated demand response considering dynamic characteristics and multi-energy coupling effect of demand side[J]. Proceedings of the CSEE, 2022, 42(5): 1783-1798.
[9] 孙毅, 胡亚杰, 郑顺林, 等. 考虑用户响应特性的综合需求响应优化激励策略[J]. 中国电机工程学报, 2022, 42(4): 1402-1412.Sun Yi, Hu Yajie, Zheng Shunlin, et al. Integrated demand response optimization incentive strategy considering users' response characteristics[J].Proceedings of the CSEE, 2022, 42(4): 1402-1412.
[10] 刘静琨, 张宁, 康重庆. 电力系统云储能研究框架与基础模型[J]. 中国电机工程学报, 2017, 37(12):3361-3371, 3663.Liu Jingkun, Zhang Ning, Kang Chongqing. Research framework and basic models for cloud energy storage in power system[J]. Proceedings of the CSEE, 2017,37(12): 3361-3371, 3663.
[11] 康重庆, 刘静琨, 张宁. 未来电力系统储能的新形态: 云储能[J]. 电力系统自动化, 2017, 41(21): 2-8,16.Kang Chongqing, Liu Jingkun, Zhang Ning. A new form of energy storage in future power system: cloud energy storage[J]. Automation of Electric Power Systems, 2017, 41(21): 2-8, 16.
[12] Akter M N, Mahmud M A, Haque M E, et al. An optimal distributed energy management scheme for solving transactive energy sharing problems in residential microgrids[J]. Applied Energy, 2020, 270:115133.
[13] Liu Nian, Wang Jie, Wang Lingfeng. Hybrid energy sharing for multiple microgrids in an integrated heatelectricity energy system[J]. IEEE Transactions on Sustainable Energy, 2019, 10(3): 1139-1151.
[14] Cui Shichang, Wang Yanwu, Li Chaojie, et al.Prosumer community: a risk aversion energy sharing model[J]. IEEE Transactions on Sustainable Energy,2020, 11(2): 828-838.
[15] Mediwaththe C P, Shaw M, Halgamuge S, et al. An incentive-compatible energy trading framework for neighborhood area networks with shared energy storage[J]. IEEE Transactions on Sustainable Energy,2020, 11(1): 467-476.
[16] 唐家俊, 张智, 杨莉, 等. 考虑地域优势及合作成本的增量配售电公司联盟策略[J]. 电力系统自动化, 2021, 45(20): 84-92.Tang Jiajun, Zhang Zhi, Yang Li, et al. Alliance strategy for incremental distribution and retail companies considering geographical advantage and cooperation cost[J]. Automation of Electric Power Systems, 2021, 45(20): 84-92.
[17] 麻秀范, 余思雨, 朱思嘉, 等. 基于多因素改进Shapley 的虚拟电厂利润分配[J]. 电工技术学报,2020, 35(增刊2): 585-595.Ma Xiufan, Yu Siyu, Zhu Sijia, et al. Profit allocation to virtual power plant members based on improved multifactor shapley value method[J]. Transactions of China Electrotechnical Society, 2020, 35(S2): 585-595.
[18] Wang Hao, Huang Jianwei. Incentivizing energy trading for interconnected microgrids[J]. IEEE Transactions on Smart Grid, 2018, 9(4): 2647-2657.
[19] 金国彬, 潘狄, 陈庆, 等. 考虑源荷不确定性的直流配电网模糊随机日前优化调度[J]. 电工技术学报, 2021, 36(21): 4517-4528.Jin Guobin, Pan Di, Chen Qing, et al. Fuzzy random day-ahead optimal dispatch of DC distribution network considering the uncertainty of source-load[J].Transactions of China Electrotechnical Society, 2021,36(21): 4517-4528.
[20] 马瑞, 金艳, 刘鸣春. 基于机会约束规划的主动配电网分布式风光双层优化配置[J]. 电工技术学报,2016, 31(3): 145-154.Ma Rui, Jin Yan, Liu Mingchun. Bi-level optimal configuration of distributed wind and photovoltaic generations in active distribution network based on chance constrained programming[J]. Transactions of China Electrotechnical Society, 2016, 31(3): 145-154.
[21] 夏鹏, 刘文颖, 张尧翔, 等. 考虑风电高阶不确定性的分布式鲁棒优化调度模型[J]. 电工技术学报,2020, 35(1): 189-200.Xia Peng, Liu Wenying, Zhang Yaoxiang, et al. A distributionally robust optimization scheduling model considering higher-order uncertainty of wind power[J].Transactions of China Electrotechnical Society, 2020,35(1): 189-200.
[22] 刘怀东, 冯志强, 王锦桥, 等. 计及条件风险价值的综合能源系统经济调度[J]. 电网技术, 2018,42(5): 1385-1392.Liu Huaidong, Feng Zhiqiang, Wang Jinqiao, et al.Economic dispatch of integrated energy systems considering conditional value-at-risk[J]. Power System Technology, 2018, 42(5): 1385-1392.
[23] 帅轩越, 王秀丽, 吴雄, 等. 计及条件风险价值下基于合作博弈的多微网协同优化调度[J]. 电网技术, 2022, 46(1): 130-137.Shuai Xuanyue, Wang Xiuli, Wu Xiong, et al.Cooperative optimal scheduling of multi-microgrids based on cooperative game considering conditional value at risk[J]. Power System Technology, 2022,46(1): 130-137.
[24] 车泉辉, 娄素华, 吴耀武, 等. 计及条件风险价值的含储热光热电站与风电电力系统经济调度[J].电工技术学报, 2019, 34(10): 2047-2055.Che Quanhui, Lou Suhua, Wu Yaowu, et al. Economic dispatching for power system of concentrated solar power plant with thermal energy storage and wind power considering conditional value-at-risk[J].Transactions of China Electrotechnical Society, 2019,34(10): 2047-2055.
[25] 张虹, 葛得初, 侯宁, 等. 基于WCVaR 模型的分布式发电系统供需互动能量管理研究[J]. 中国电机工程学报, 2019, 39(15): 4468-4477.Zhang Hong, Ge Dechu, Hou Ning, et al. Research on the interactive energy management of supply and demand in a distributed generation system based on the WCVaR model[J]. Proceedings of the CSEE, 2019,39(15): 4468-4477.
[26] 文云峰, 瞿小斌, 肖友强, 等. 耦合能量枢纽多区域电—气互联能源系统分布式协同优化调度[J].电力系统自动化, 2019, 43(9): 22-30.Wen Yunfeng, Qu Xiaobin, Xiao Youqiang, et al.Distributed coordinated optimal dispatch of multiregional electricity-gas integrated energy systems with energy hubs[J]. Automation of Electric Power Systems, 2019, 43(9): 22-30.
[27] Nguyen T A, Crow M L. Stochastic optimization of renewable-based microgrid operation incorporating battery operating cost[J]. IEEE Transactions on Power Systems, 2016, 31(3): 2289-2296.
[28] Li Pan, Wang Hao, Zhang Baosen. A distributed online pricing strategy for demand response programs[J]. IEEE Transactions on Smart Grid, 2019,10(1): 350-360.
[29] 孙宇军, 王岩, 王蓓蓓, 等. 考虑需求响应不确定性的多时间尺度源荷互动决策方法[J]. 电力系统自动化, 2018, 42(2): 106-113, 159.Sun Yujun, Wang Yan, Wang Beibei, et al. Multi-time scale decision method for source-load interaction considering demand response uncertainty[J].Automation of Electric Power Systems, 2018, 42(2):106-113, 159.
[30] Rockafellar R T, Uryasev S. Conditional value-at-risk for general loss distributions[J]. Journal of Banking &Finance, 2002, 26(7): 1443-1471.
[31] 王昀, 谢海鹏, 孙啸天, 等. 计及激励型综合需求响应的电-热综合能源系统日前经济调度[J]. 电工技术学报, 2021, 36(9): 1926-1934.Wang Yun, Xie Haipeng, Sun Xiaotian, et al. Dayahead economic dispatch for electricity-heating integrated energy system considering incentive integrated demand response[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1926-1934.
[32] Wang Jianxiao, Zhong Haiwang, Qin Junjie, et al.Incentive mechanism for sharing distributed energy resources[J]. Journal of Modern Power Systems and Clean Energy, 2019, 7(4): 837-850.
[33] 崔明勇, 宣名阳, 卢志刚, 等. 基于合作博弈的多综合能源服务商运行优化策略[J]. 中国电机工程学报, 2022, 42(10): 3548-3564.Cui Mingyong, Xuan Mingyang, Lu Zhigang, et al.Operation optimization strategy of multi integrated energy service companies based on cooperative game theory[J]. Proceedings of the CSEE, 2022, 42(10):3548-3564.