梅文卿，劉曉峰*，王嘉誠，譚夢玲

（1.南京師范大學(xué) 電氣與自動化工程學(xué)院，南京 210023； 2.國網(wǎng)九江供電公司， 江西 九江 332099）

0 引言

隨著經(jīng)濟(jì)的快速發(fā)展，電力需求快速增長，新型電力系統(tǒng)加速構(gòu)建，電網(wǎng)的傳統(tǒng)運(yùn)行方式很難解決潛在的供需失衡問題，需求響應(yīng)可以通過轉(zhuǎn)移或減少用電高峰時段的用電量來降低電網(wǎng)運(yùn)行壓力，提高電網(wǎng)運(yùn)行的穩(wěn)定性［1-2］。中小型負(fù)荷可以通過削減負(fù)荷、轉(zhuǎn)移負(fù)荷的方式參與市場交易，但中小型負(fù)荷分布不集中，單個需求側(cè)資源容量小，彈性水平低，一般情況下很難滿足需求響應(yīng)的最低要求［3-4］，須通過負(fù)荷聚合商（Load Aggregator，LA）的聚合，才能達(dá)到電力市場的準(zhǔn)入門檻［5-7］。在電力市場中，LA 代理一定區(qū)域內(nèi)的用戶參與市場，整合需求響應(yīng)資源賣給電力調(diào)度部門，從中獲取利潤。

LA及其上級系統(tǒng)中存在多個利益主體，他們的決策行為將影響電力市場的運(yùn)行效率和穩(wěn)定性，因此，關(guān)于各LA 以及上級電網(wǎng)之間的博弈行為和均衡策略成為目前國內(nèi)外學(xué)者研究的熱點(diǎn)。文獻(xiàn)［1］構(gòu)建了以LA 利潤最大化為目標(biāo)，考慮LA 博弈行為的用戶負(fù)荷雙層模型，并給出了納什均衡解的存在性證明。文獻(xiàn)［8］建立了市場側(cè)投標(biāo)和用戶側(cè)調(diào)度雙向模型，在市場側(cè)以售電凈收益最大進(jìn)行投標(biāo)，在用戶側(cè)以成本最小為目標(biāo)制定日前調(diào)度計劃。文獻(xiàn)［9］提出了日前電力批發(fā)市場和需求響應(yīng)資源市場參與者之間的互動博弈模型并分析證明了納什均衡的存在。文獻(xiàn)［10］構(gòu)建了微網(wǎng)雙層優(yōu)化模型，將LA 作為用戶與微網(wǎng)的中介并進(jìn)行了兩階段優(yōu)化。為實現(xiàn)LA 參與下的系統(tǒng)整體最優(yōu)，以上研究均對LA 及其他主體的市場報價策略進(jìn)行了優(yōu)化，但未計及LA 在資源調(diào)控過程中對用戶響應(yīng)定價策略的優(yōu)化。

關(guān)于LA 在用戶側(cè)調(diào)度的方式是目前國內(nèi)外學(xué)者研究的熱點(diǎn)。文獻(xiàn)［11］通過對海量柔性負(fù)荷的聚類構(gòu)建了用電滿意度函數(shù)，對各類負(fù)荷進(jìn)行優(yōu)先級劃分，再以LA 收益最大為目標(biāo)進(jìn)行柔性負(fù)荷的調(diào)度。文獻(xiàn)［12］提出了一種LA 多類型需求側(cè)資源激勵補(bǔ)償價格制定模型，構(gòu)建了含樓宇空調(diào)和電動汽車的LA 激勵補(bǔ)償價格個性化制定單層優(yōu)化模型，驗證了LA 通過激勵價格制定增加了自身利潤。文獻(xiàn)［13］對以電動汽車充放電負(fù)荷及空調(diào)負(fù)荷為代表的柔性負(fù)荷的可調(diào)度潛力及聚合調(diào)度策略進(jìn)行了研究，按物理特性和出行規(guī)律對需求側(cè)柔性負(fù)荷進(jìn)行量化建模，分類進(jìn)行補(bǔ)償和控制，充分發(fā)揮各自的調(diào)度潛力。但在實際情況中，用戶側(cè)資源響應(yīng)的不確定性以及用戶的不同偏好使得其參與電網(wǎng)調(diào)節(jié)的作用難以發(fā)揮，為了有效挖掘不同偏好用戶的需求響應(yīng)潛力并最大限度提高LA 的收益，本文提出一種基于價格激勵的需求響應(yīng)機(jī)制。

為提高LA 在日前市場的自主性和智能性，已有文獻(xiàn)大多引入了博弈論。但并非所有博弈都存在納什均衡，其收斂性難以保證，這極大地限制了博弈論在LA 日前市場投標(biāo)中的應(yīng)用，鑒于此，本文提出了一種基于勢博弈的LA動態(tài)定價模型。

勢博弈是非合作博弈的一種特殊形式，具有優(yōu)先遞增的屬性，這個性質(zhì)保證了純策略納什均衡的存在。該方法的特點(diǎn)是不受參與者人數(shù)的限制，也就是說所有的博弈參與者都可以自主決定參與或退出博弈，不會引發(fā)收斂失敗。新的博弈參與者，只要符合相同的博弈原則，就可以隨時加入。

1 LA參與日前市場投標(biāo)框架

根據(jù)賓夕法尼亞-新澤西-馬里蘭（Pennsylvania-New Jersey-Maryland，PJM）電力市場相關(guān)規(guī)則，LA參與市場投標(biāo)之后，其收益根據(jù)現(xiàn)貨市場價格進(jìn)行計算［12-14］，本文假設(shè)該價格僅與負(fù)荷存在線性關(guān)系［15］，因此，LA作為上級電網(wǎng)與用戶的中間商，既要考慮挖掘不同偏好用戶的需求響應(yīng)潛力，又要考慮其他LA 參與市場競爭之后對市場價格產(chǎn)生的影響。因此，為保證收益最大化，LA 在參與日前市場投標(biāo)時會和其他LA 在上報各時段削減量上進(jìn)行博弈，直至達(dá)到均衡狀態(tài)。

基于上述內(nèi)容，本文建立了考慮用戶響應(yīng)電量的LA 日前市場投標(biāo)博弈雙層交易框架，如圖1所示。

圖1 LA日前市場投標(biāo)博弈雙層交易框架Fig.1 LA double-layer day-ahead market bidding framework

在上層市場側(cè)，上級電網(wǎng)在日前根據(jù)歷史負(fù)荷對次日負(fù)荷進(jìn)行預(yù)測，確定負(fù)荷峰時段以及削減的價格信息并通報給所有LA；在下層用戶側(cè)，用戶與LA簽訂合同，合同內(nèi)容主要涉及約定的參與響應(yīng)補(bǔ)償價格以及響應(yīng)電量。

本文將用戶側(cè)可調(diào)節(jié)電力負(fù)荷聚合作為廣義需 求 側(cè) 資 源（Generalized Demand Side Resource，GDSR），從用戶決策層面，通過考慮用戶響應(yīng)偏好對GDSR 進(jìn)行優(yōu)化控制。各個參與調(diào)度的用戶上報各自的次日預(yù)測電力負(fù)荷，上級電網(wǎng)進(jìn)行整合并挑選出需要削減的時間段發(fā)送給LA，LA 對所管理用戶給出電量削減補(bǔ)償價格，用戶根據(jù)自身的用電習(xí)慣，在LA 給出的削減補(bǔ)償價格下，上報自身的響應(yīng)電量，LA統(tǒng)計此次價格下獲得的所有用戶響應(yīng)電量并進(jìn)行日前市場投標(biāo)。LA以自身收益最大為目標(biāo)，通過調(diào)整補(bǔ)償定價優(yōu)化用戶響應(yīng)電量以提高自身收益。由于LA 對用戶的削減量是用戶自身響應(yīng)的，因此用戶愿意和LA簽訂合同參與需求響應(yīng)。

1.1 用戶響應(yīng)模型

考慮用戶控制GDSR 參與響應(yīng)的方式為用戶與LA簽訂合約削減負(fù)荷，約定參與響應(yīng)補(bǔ)償價格和響應(yīng)電量。在負(fù)荷需要削減的時段，LA對合約用戶調(diào)整原補(bǔ)償價格曲線，用戶對LA 給出的補(bǔ)償價格的響應(yīng)電量達(dá)不到目標(biāo)時，LA會通過改變補(bǔ)償價格來激勵用戶改變響應(yīng)電量，以實現(xiàn)更大的收益。

用戶的效用函數(shù)定量建模為用戶預(yù)測用電需求與實際用電量之間差異的函數(shù)。如果實際用電量等于預(yù)測用電需求，則效用函數(shù)值為0；如果實際用電量小于預(yù)測用電需求，則效用函數(shù)值為正值，意味著負(fù)荷削減對用戶造成了影響；隨著響應(yīng)電量的增加，用戶負(fù)荷減少，用戶的效用函數(shù)會提高，隨用戶響應(yīng)電量的增多，效用函數(shù)提高的速度也會更快。

設(shè)第i個LA 所管理的用戶m在t時段的計劃用電量為Ptload，i，m，響應(yīng)電量為Ptuser，i，m，因此，用電效用函數(shù)S[Ptuser，i，m，Ptload，i，m]應(yīng)滿足以下條件。

如果Ptuser，i，m= 0，則

如果Ptuser，i，m> 0，則

這些條件與文獻(xiàn)［16］中提出的效用函數(shù)條件相似，不同的是本文中提出的條件表示用戶模擬預(yù)測用電量與實際用電量之間差異的滿意程度。本文提出的S[Ptuser，i，m，Ptload，m]函數(shù)表達(dá)式為

式中：β為用戶的偏好系數(shù)，用于區(qū)分不同類型用戶的響應(yīng)偏好，β> 0。

此函數(shù)滿足上面列出的2個條件。從中可以看出，通過調(diào)整偏好系數(shù)，式（3）可以用于表征不同類型的用戶。根據(jù)用戶的性質(zhì)和用電習(xí)慣，可以使用與其相匹配的用電效用函數(shù)。

用戶的收益函數(shù)定義為用戶的削減收益與效用函數(shù)的差值，則第i個LA 所管理的用戶m的收益函數(shù)為

式中：pti為第i個LA 給其所管理用戶的削減補(bǔ)償單價；等號右邊第1 項為用戶的削減收益，第2 項為用戶的用電效用函數(shù)。該收益函數(shù)能反映用戶在收益和舒適度之間的權(quán)衡。

用戶在參與響應(yīng)中受到的調(diào)用功率約束為

為了獲取各個用戶對LA 設(shè)定補(bǔ)償價格的最優(yōu)響應(yīng)，考慮給定不同時段的補(bǔ)償價格pti，用戶m的收益 函 數(shù)Uuser，i，m關(guān) 于 其 響 應(yīng) 電 量的 一 階 偏 導(dǎo)數(shù)為

令一階偏導(dǎo)數(shù)為0，可以得到最優(yōu)響應(yīng)電量為

用 戶m的 收 益 函 數(shù)Uuser，i，m關(guān) 于 其 響 應(yīng) 電 量的二階偏導(dǎo)數(shù)為

由于β> 0，Hessian 矩陣對角元素為負(fù)，非對角元素為零，Hessian 矩陣負(fù)定。因此為在給定價格下用戶m的最優(yōu)響應(yīng)電量，不同類型的用戶最優(yōu)響應(yīng)電量隨著偏好系數(shù)β改變。

因此第i個LA 所管理的用戶m在t時刻的響應(yīng)電量可以描述為

需要支付給用戶的補(bǔ)償成本為

1.2 日前市場價格機(jī)制

上級電網(wǎng)給予LA 的補(bǔ)償費(fèi)用按照各時段所有參與投標(biāo)LA的削減量和市場價格進(jìn)行結(jié)算，設(shè)N個LA在時段t的投標(biāo)削減量為

時段t的市場價格與負(fù)荷呈顯著的線性關(guān)系，即

參數(shù)a和b可由不同負(fù)荷下的電價歷史數(shù)據(jù)通過最小二乘法等方法擬合而得［17］。因此式（14）有助于日前市場價格與投標(biāo)削減量之間的動態(tài)調(diào)節(jié)。根據(jù)式（12）和式（14）可得出第i個LA 的收益函數(shù)為

根據(jù)日前市場的出清規(guī)則，LA進(jìn)行優(yōu)化決策時需將削減時段劃分為T個相等的時段，本文假設(shè)Δt= 0.5 h。

從單個LA 層面看，目標(biāo)是優(yōu)化投標(biāo)策略以獲得最大的利潤，即

從個體層面看，每個LA 在競爭中實現(xiàn)自身利益最大化是合理的，然而從整體看，日前市場的目標(biāo)是最大化所有LA 的整體利潤，提高整個市場的利益。因此，日前市場的優(yōu)化問題可以描述為

通過求解式（17）和（18）即可獲得最優(yōu)解。

2 勢博弈模型構(gòu)建

通常情況下，非合作博弈難以保證存在納什均衡，但是對于該文提出的非合作博弈模型，只需要證明此非合作博弈屬于勢博弈，就可以得出存在純策略納什均衡的結(jié)論。

為了以分布式的方式來實現(xiàn)納什均衡，假設(shè)市場價格不是由市場中的總投標(biāo)量決定的，而是由LA的預(yù)期投標(biāo)量決定的。也就是說，日前市場的價格由以下模型決定

第i個LA的目標(biāo)函數(shù)為

式中：λ為罰函數(shù)項的罰因子。

如果LA 的實際削減量與預(yù)期投標(biāo)量不同將會受到處罰，設(shè)置罰函數(shù)項為λ，λ是一個足夠大的常數(shù)值，從而使罰函數(shù)項在博弈中趨于0，滿足LA的實際削減量與預(yù)期投標(biāo)量相同。

2.1 勢博弈的定義及性質(zhì)

勢博弈是非合作博弈的一個子類，于 1996 年由 Monderer 和 Shapely 首次提出［18］，包括序數(shù)勢博弈、加權(quán)勢博弈和完全勢博弈3 種博弈形式。完全勢博弈作為勢博弈理論中應(yīng)用最廣泛的博弈形式，其定義如下。

勢博弈的定義表明，每個博弈主體單方面改變策略所產(chǎn)生的收益變化都等同于勢函數(shù)函數(shù)值的變化。因此勢博弈理論可以得出以下2 個結(jié)論［19］：（1）每個有限勢博弈必有純策略納什均衡；（2）每個有限勢博弈可以等價于以勢函數(shù)為目標(biāo)函數(shù)，以博弈參與者策略空間{Yi}i∈N為可行域的優(yōu)化模型，當(dāng)勢函數(shù)g取得最優(yōu)值的時候，有限勢博弈也達(dá)到納什均衡，對應(yīng)的優(yōu)化模型取得最優(yōu)解。

結(jié)論（1）保證了有限勢博弈必然會經(jīng)過有限步改進(jìn)收斂至純策略納什均衡。結(jié)論（2）表明可以將LA 日前投標(biāo)決策的博弈模型建為勢博弈模型并且可以通過求解勢函數(shù)的最優(yōu)值來獲得最優(yōu)的決策投標(biāo)量。

2.2 勢博弈模型

由此可見

因此，該博弈是一個勢博弈。

由式（21）—（26）可知，該非合作博弈是以UM為勢函數(shù)的完全勢博弈，根據(jù)勢博弈的性質(zhì)，該完全勢博弈必然存在純策略納什均衡，該非合作博弈可以等價于一個以勢函數(shù)UM為目標(biāo)，以Y為策略空間的模型，當(dāng)勢博弈達(dá)到納什均衡時，其勢函數(shù)UM取得最優(yōu)值，此時任何參與者在其余參與者策略不變的情況下改變自身策略都不會提高自身的收益。

3 分布式優(yōu)化流程

勢博弈的屬性1保證了不管是從勢函數(shù)的層面求解還是從參與者收益函數(shù)的角度優(yōu)化，都能獲得相同的納什均衡解。在勢博弈的框架下既能最大化各個單獨(dú)LA 的收益，也能使系統(tǒng)最優(yōu)。因此基于用戶響應(yīng)機(jī)制的LA 分布式博弈策略更新機(jī)制如下。

（1）準(zhǔn)備階段。各用戶將次日的計劃用電負(fù)荷、柔性負(fù)荷量、用電習(xí)慣上傳至LA，進(jìn)而上傳到售電公司，售電公司根據(jù)歷史數(shù)據(jù)分析市場參數(shù)。

（2）本輪策略的確定。

1）售電公司公布初始需要削減負(fù)荷的時間段并決定各時段預(yù)測削減量，在此預(yù)測削減量的基礎(chǔ)上根據(jù)式（19）計算日前市場價格并公布給LA。

2）LA 公布初始價格策略，用戶以章節(jié)2 所述的收益函數(shù)Uuser，i，m為目標(biāo)，策略空間Yuser，i，m為可行域更 新 自 身 的 響 應(yīng) 電 量Puser，i，m。在 給 定 的 市 場 價 格下，LA 的收益簡化為一個關(guān)于補(bǔ)償價格的二次函數(shù)，因此LA通過更新價格策略吸引用戶更新自身的響應(yīng)電量，以獲得此日前市場價格下的最大收益。

3）LA采用收益最大時的價格策略，匯總出此價格策略下用戶的總響應(yīng)電量作為日前市場投標(biāo)電量并上傳至上級電網(wǎng)。

（3）策略更新階段。上級電網(wǎng)將各LA 上一輪的投標(biāo)量作為新一輪的預(yù)計削減量，計算新一輪的日前市場價格并下發(fā)給各LA。各LA根據(jù)新一輪的日前市場價格重新決策。

（4）反復(fù)執(zhí)行（2）—（3），直到LA 的日前市場投標(biāo)量與上級電網(wǎng)預(yù)測削減量相等，日前市場達(dá)到納什均衡。

具體的優(yōu)化算法流程如圖2所示。

圖2 基于用戶響應(yīng)機(jī)制的LA分布式博弈策略更新流程Fig.2 Updating process of the LA distributed gaming based on demand response mechanism

4 算例仿真分析

4.1 算例數(shù)據(jù)及假設(shè)

本文假設(shè)某地區(qū)有3個LA，每個LA管理10 000個用戶，需求響應(yīng)的調(diào)度周期設(shè)置為0.5 h，需求響應(yīng)在一個夏夜的18：00—06：00 期間執(zhí)行，共有48個時間段參與負(fù)荷削減。電網(wǎng)初始負(fù)荷曲線如圖3所示，需要在18：00—23：00 這10 個時段轉(zhuǎn)移高峰需求，也就是說，LA 必須將消費(fèi)者的需求從時段（18：00—23：00）轉(zhuǎn) 移 到 其 他 時 段（23：00—06：00）。

圖3 電網(wǎng)原始負(fù)荷曲線Fig.3 Original load curve of the power grid

文獻(xiàn)［13］將用戶的用電類型分為3 類：A 類用戶以用電成本最低為目標(biāo)，βA= 1；B 類用戶考慮用電成本與用電方式的均衡，βB= 2；C 類用戶以滿足自身用電需求為主，βC= 3。設(shè)LA1 管理的3 類用戶比例為2∶3∶5，LA2管理的3類用戶比例為3∶5∶2，LA3 管理的3 類用戶比例為5∶2∶3。市場電價參數(shù)a=12 元/（MW·h）2，b=50 元/（MW·h）。仿真系統(tǒng)的硬件環(huán)境為Intel i7-10875H，16GB RAM，軟件平臺為MTLAB2016b。

4.2 算例結(jié)果分析

由于用戶數(shù)量大，若LA 將每個用戶作為一個控制變量會造成變量維數(shù)災(zāi)難，因此本算例中將用電習(xí)慣相同的用戶按照500 戶1 組進(jìn)行統(tǒng)一調(diào)度控制。

圖4 為博弈后3 個LA 在10 個需要進(jìn)行負(fù)荷削減時段（18：00—23：00）的投標(biāo)削減量。從圖4可以看出：3 個LA 總計劃削減量從時段1 的5 542.7 kW逐漸增加到時段4 的8 506.6 kW 左右，然后逐步減少到時段10的4 565.7 kW，削減量與電網(wǎng)預(yù)測的峰值時段負(fù)荷曲線一致，也就是說，電網(wǎng)負(fù)荷水平越高，聚合商削減量越多；另一方面，由于LA3 擁有的A 類用戶最多，因此其在同樣的補(bǔ)償價格下可以收獲更多的響應(yīng)電量，以便最大化自身利潤。調(diào)度后的負(fù)荷曲線如圖5所示，可以看出LA 對電網(wǎng)負(fù)荷起到了很好的削峰填谷作用。

圖4 10個時段下3個LA的投標(biāo)削減量Fig.4 Three bidding reduction volumes of the LA in ten periods

圖5 優(yōu)化前后電網(wǎng)負(fù)荷曲線Fig.5 Load curves before and after the optimization

圖6 為博弈后3 個LA 在需要進(jìn)行負(fù)荷削減的10個時段的用戶補(bǔ)償價格。其中，3個LA 給用戶的平均補(bǔ)償單價分別為0.30，0.28，0.27 元/（kW·h）。對比圖4 可以看出：由于LA1 擁有最少的A 類用戶，所以LA1 需要用更高的價格去吸引用戶的響應(yīng)電量；反之，LA3 只需要用相對較低的電價，就能收獲更多的響應(yīng)電量，以便最大化自身的利潤。當(dāng)電網(wǎng)負(fù)荷高峰時，日前市場價格高，因此LA 會采用相對較高的補(bǔ)償價格吸引用戶以獲取更多的響應(yīng)電量，從而賺取更多的差價，因此LA 的補(bǔ)償價格曲線也與電網(wǎng)高峰負(fù)荷曲線一致。

圖6 10個時段下3個LA的補(bǔ)償價格Fig.6 Three compensation prices for the LA in ten periods

根據(jù)用戶的不同用電習(xí)慣，在同樣的補(bǔ)償價格下，A 類用戶能提供更多的響應(yīng)電量。圖7 是LA1所管理的3 類用戶（500 戶為1 組）在需要進(jìn)行負(fù)荷削減的10 個時段的柔性負(fù)荷量以及響應(yīng)電量。在負(fù)荷高峰時段，由于日前市場電價較高，因此LA 會以更高的價格吸引響應(yīng)電量，A 類用戶在此補(bǔ)償價格的吸引下，最佳響應(yīng)電量超過其允許的最大響應(yīng)電量，因此在負(fù)荷量較高的情況下，A類用戶的響應(yīng)電量一直等于柔性負(fù)荷量。 在負(fù)荷較低的時候，日前市場價格低，LA為了最大化自身利潤會降低補(bǔ)償單價，3類用戶的響應(yīng)電量也隨之降低。

圖7 LA1管理用戶的響應(yīng)電量Fig.7 Response power of the users managed by LA1

為了驗證動態(tài)補(bǔ)償電價用戶響應(yīng)方法對用戶以及LA 的影響，本文將所提方法和常規(guī)方法進(jìn)行對比，設(shè)本文所提出的方法為場景1，常規(guī)方法為場景2。其中常規(guī)方法中，LA 的補(bǔ)償電價為一個常數(shù)。2 種場景下3 個LA 的收益見表1。從表1 可以看出，在本文所提出的場景下，LA1的收益比常規(guī)場景高0.36%，LA2 的收益比常規(guī)場景高0.55%，LA3的收益比常規(guī)場景高1.92%。由此可見在本文提出的場景下，3個LA的收益都有不同程度的提高。

表1 2個不同場景下LA的收益Table 1 Revenue of LA under two scenarios 元

表2 為2 種場景下各類用戶的收益函數(shù)的值。從表2 可以看出，在本文所提場景下，LA1 所管理的3 類用戶的收益函數(shù)相較于常規(guī)場景分別提高了4.52%，5.55%，5.51%，LA2 管理的3 類用戶收益函數(shù)分別提高了0.15%，0.04%，0.06%，LA3 管理的3類用戶收益函數(shù)分別提高了2.93%，2.86%，2.86%。

表2 2個不同場景下用戶收益函數(shù)Table 2 Revenue function of users under two scenarios

以上結(jié)果以及分析充分說明了在本文提出的動態(tài)補(bǔ)償電價響應(yīng)機(jī)制下，不僅參與的LA 收益有所提高，其管理的用戶收益也都有所提高，驗證了該方法的有效性以及優(yōu)越性。

5 結(jié)束語

本文在用戶響應(yīng)機(jī)制以及LA 日前市場投標(biāo)的價格機(jī)制下建立了考慮用戶響應(yīng)的LA 日前市場投標(biāo)的非合作博弈模型，并通過分析將其轉(zhuǎn)化為勢博弈模型，使復(fù)雜的多目標(biāo)優(yōu)化問題簡化為單目標(biāo)凸二次規(guī)劃問題，大大提高了求解效率。經(jīng)過算例分析驗證可以得到以下結(jié)論。

（1）在用戶響應(yīng)以及LA 日前市場投標(biāo)價格機(jī)制下，非合作博弈模型可以通過構(gòu)建勢博弈模型轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，即系統(tǒng)中每個博弈參與者的優(yōu)化目標(biāo)均統(tǒng)一為勢函數(shù)，從而達(dá)到類似于合作博弈的效果，避免了LA在日前市場的惡性競爭。

（2）LA 經(jīng)過負(fù)荷削減可以提高自身的收益，并且削減情況與負(fù)荷曲線一致，可以實現(xiàn)削峰填谷的作用。LA 日前投標(biāo)市場的價格機(jī)制不僅減輕了上級電網(wǎng)的壓力，也有利于提高日前市場的穩(wěn)定性。

（3） 基于動態(tài)價格激勵的需求響應(yīng)機(jī)制可有效實現(xiàn)LA 對其管理用戶可調(diào)負(fù)荷的控制，充分挖掘其潛力， LA與用戶的收益都有所提高。

（4）由于收斂的固有特性，所有的博弈參與者都是獨(dú)立和自治的，他們可以決定是加入博弈還是退出博弈，而不會導(dǎo)致收斂失敗。