一种计及需求侧竞价的发电机组竞价方法、装置及存储介质与流程

本发明涉及电力系统技术领域，尤其是涉及一种计及需求侧竞价的发电机组竞价方法、装置及存储介质。

背景技术：

在发电侧单边竞价的现货市场模式下，面对诸多不确定因素和不公开信息，发电机组根据负荷预测、输电约束、历史数据等信息，采用博弈的手段或其它方法确定自身的竞价策略。这种竞价策略很可能出现发电机组利用其市场力操控市场价格而牟取高额利润的情况。因此，随着我国电力现货市场改革进程的推进，计及需求侧竞价的现货市场模式终将推行。

现有的发电机组竞价模型主要关注发电商如何在发电侧单边竞价的市场模式下寻找自身的纳什均衡解。但在实际中，发电商不仅要了解竞争对手的信息，还要具备对于需求侧信息的认知能力。由于现有技术对信息处理能力有限，没有考虑在计及需求侧竞价的现货市场模式下如何制定自己的竞价策略，因此需要新的技术方案为发电机组参与计及需求侧竞价的现货市场提供技术手段。

技术实现要素：

针对上述技术问题，本发明提供了一种计及需求侧竞价的发电机组竞价方法、装置及存储介质，通过提高对机组自身的成本、其他竞争对手的投标策略、用户负荷需求和网络约束等信息的处理能力，为发电机组参与计及需求侧竞价的现货市场提供技术手段。所述技术方案如下：

第一方面，本发明实施例提供了一种计及需求侧竞价的发电机组竞价方法，步骤包括：

分别输入发电侧发电机组和需求侧用户的申报电价和申报电量；

基于所述申报电价和申报电量建立计及需求侧竞价的博弈模型；

以各发电机组的决策变量组合成均衡点，并设置决策变量初值后运行所述博弈模型以进行博弈计算；

在所述博弈计算过程中，即将进行下一轮计算时，各发电机组根据本轮的计算结果，利用策略优化算法进行独立优化决策；

根据利用策略优化算法计算所得的最优策略，更新所述均衡点的最优值；

若各发电机组在相邻两次得到的最优策略相同，则输出竞价结果；否则，继续进行下一轮的博弈计算。

在本发明第一方面的第一种可能的实现方式中，所述利用策略优化算法进行独立优化决策，具体为：

以发电机组的策略变量作为各粒子的位置变量，并进行种群初始化；

以机组的收益值为各粒子的适应度，通过对比各粒子的适应度选择粒子群算法或混沌萤火虫算法，更新各粒子的位置变量；

若所述策略变量达到最佳值或者更新次数达到最大值，则停止更新，输出优化结果。

在本发明第一方面的第二种可能的实现方式中，以机组的收益值为各粒子的适应度，通过对比各粒子的适应度选择粒子群算法或混沌萤火虫算法，更新各粒子的位置变量，具体如下：

在每一次迭代更新时，将各粒子的适应度和前两次迭代更新的全局最优解的适应度进行比较，若前两次迭代的全局最优解的适应度更大，则采用混沌萤火虫算法进行更新；若前两次迭代的全局最优解的适应度更小，则采用粒子群算法进行更新。

在本发明第一方面的第三种可能的实现方式中，若选择粒子群算法更新各粒子的位置变量，则，粒子群中各粒子的速度位置更新如下：

其中，分别为迭代iter和iter+1次时粒子l的速度；分别为迭代iter和iter+1次时粒子l的位置；c1、c2为学习因子；r1、r2均为[0,1]之间的随机量；分别为迭代iter次时粒子l个体和全局最优值。

在本发明第一方面的第四种可能的实现方式中，若选择混沌萤火虫算法更新各粒子的位置变量，则，粒子群中各粒子的速度位置更新如下：

其中，分别为迭代iter和iter+1次时粒子l的位置；为粒子l的混沌序列函数；ε为设定好的控制混沌行为系数；α为常数，一般为0至1内的随机数；e为由均匀分布得到的随机数向量；β为吸引系数；g^iter-2为iter-2次的全局最优解的适应度。

在本发明第一方面的第五种可能的实现方式中，所述利用策略优化算法进行独立优化决策，还包括：

对各粒子的位置变量进行校正；若越下限，则令越上限，则令其中，表示迭代更新iter+1次粒子l的位置；表示预设下限值，表示预设上限值。

在本发明第一方面的第六种可能的实现方式中，所述分别输入发电侧发电机组和需求侧用户的申报电价和申报电量，之前的步骤还包括：

生成发电机组的竞价函数：

λis＝ki(2aiqis+bi)(4)

其中，λis为机组i的各段报价价格，qi为机组i的中标电量，qis表示已知各机组容量分段情况，bi为发电机组i的成本系数，ki则为机组i的报价策略。

第二方面，本发明实施例提供了一种计及需求侧竞价的发电机组竞价装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的计及需求侧竞价的发电机组竞价方法。

第三方面，本发明实施例提供了一种计及需求侧竞价的发电机组竞价装置，包括：

输入模块，用于分别输入发电侧发电机组和需求侧用户的申报电价和申报电量；

模型生成模块，用于基于所述申报电价和申报电量建立计及需求侧竞价的博弈模型；

博弈计算模块，用于以各发电机组的决策变量组合成均衡点，并设置决策变量初值后运行所述博弈模型以进行博弈计算；

策略优化模块，用于在所述博弈计算过程中，即将进行下一轮计算时，各发电机组根据本轮的计算结果，利用策略优化算法进行独立优化决策；

信息共享模块，用于根据利用策略优化算法计算所得的最优策略，更新所述均衡点的最优值；

输出模块，用于若各发电机组在相邻两次得到的最优策略相同，则输出竞价结果；否则，继续进行下一轮的博弈计算。

第五方面，本发明实施例提供了一种计及需求侧竞价的发电机组竞价方法的存储介质，所述计及需求侧竞价的发电机组竞价方法的存储介质用于存储一个或多个计算机程序，所述一个或多个计算机程序包括程序代码，当所述计算机程序在计算机上运行时，所述程序代码用于执行上述的计及需求侧竞价的发电机组竞价方法。

相比于现有技术，本发明实施例具有如下有益效果：

本发明提供一种计及需求侧竞价的发电机组竞价方法、装置及存储介质，所述计及需求侧竞价的发电机组竞价方法，根据发电侧发电机组和需求侧用户的申报电价和申报电量等用电数据，首先构建含计及需求侧竞价的非合作信息完全的发电机组竞价的博弈模型，然后利用策略优化算法求解所述博弈模型。向所述博弈模型输入所述用电数据能够反映了机组自身的成本、用户负荷需求和网络约束等信息，以及通过求解所述博弈模型，能够将竞争对手的投标策略、复杂的投标过程以博弈计算的方式处理并得出计算结果，所述计算结果能够为发电机组参与计及需求侧竞价的现货市场提供数据参考。

附图说明

图1是本发明实施例中的一种计及需求侧竞价的发电机组竞价方法的步骤流程图；

图2是本发明实施例中的一种计及需求侧竞价的发电机组竞价方法的均衡点判断示意图；

图3是本发明实施例中的一种计及需求侧竞价的发电机组竞价方法的发电机组报价曲线图；

图4是本发明实施例中的一种计及需求侧竞价的发电机组竞价方法的用户报价曲线图；

图5是本发明实施例中的一种计及需求侧竞价的发电机组竞价方法的运行策略优化算法的步骤流程图；

图6是本发明实施例中的一种计及需求侧竞价的发电机组竞价装置的模块图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明提供一种示例性实施例，一种计及需求侧竞价的发电机组竞价方法，步骤包括：

s101、分别输入发电侧发电机组和需求侧用户的申报电价和申报电量；

s102、基于所述申报电价和申报电量建立计及需求侧竞价的博弈模型；

s103、以各发电机组的决策变量组合成均衡点，并设置决策变量初值后运行所述博弈模型以进行博弈计算；

具体地，以各机组的决策变量ki组合成均衡点，并设置其初值(k10,k20,…,ki0)，各决策变量初值均在其策略空间内随机选定初值。

s104、在所述博弈计算过程中，即将进行下一轮计算时，各发电机组根据本轮的计算结果，利用策略优化算法进行独立优化决策；

在本实施例中，所述策略优化算法为混合混沌萤火虫-粒子群算法；

s105、根据利用策略优化算法计算所得的最优策略，更新所述均衡点的最优值；

具体地，所述更新所述均衡点的最优值即将利用策略优化算法计算所得中各发电机组的最优策略kit告知其余发电机组；

s106、若各发电机组在相邻两次得到的最优策略相同，则输出竞价结果；否则，继续进行下一轮的博弈计算。

请参见图2，具体地，输出竞价结果需要先判断是否找到nash均衡点。若各发电机组在相邻2次得到的最优解相同，即则表明在该策略下，任何发电机组都不能通过独立改变策略而获得更多的收益，达到了nash均衡，输出结果；否则继续进行迭代更新。

可以理解的是，所述竞价结果包括均衡点的最优值，nash均衡点同时输出对应的各发电机组的中标电量、节点电价和收益等信息。

请参见图3，所述分别输入发电侧发电机组和需求侧用户的申报电价和申报电量，之前的步骤还包括：

生成发电机组的竞价函数：

机组i的成本函数ci为二次函数，具体如下：

式(1)中的ai、bi、ci为发电机组i的成本系数，qi为机组i的中标电量。在各个机组报价策略中，虽然每个机组都可以选择自身成本系数进行自身的报价策略，但由于成本系数存在三个参数，在实践上很难应用在竞价策略中。因此，本方案基于各机组的成本系数，通过引进k参数进行单参数话，具体如下：

式(2)中，ki则为机组i的报价策略。若ki等于1为按照边际成本报价；若ki小于1，则其为低于边际成本报价；若ki大于1，则其为高于边际成本报价；此外，ki一般需要满足报价上下限，具体如下：

式(3)中的及为第机组i的报价上下限值。

假设市场规则中允许各机组三段报价，则在已知各机组容量分段情况qis，其各段报价为：

λis＝ki(2aiqis+bi)(4)

其中，λis为机组i的各段报价价格，qi为机组i的中标电量，qis表示已知各机组容量分段情况，bi为发电机组i的成本系数，ki则为机组i的报价策略。

请参见图4，需求侧的竞价反映在整体需求的价格弹性上，不考虑大用户与发电机组的直接交易，需求侧竞价函数为线性需求函数。此外，在本实施例中，重点研究的是发电侧市场主体的博弈竞价，因此需求侧用户的竞价申报信息为已知量，即图中ρj、pj。

所述基于所述申报电价和申报电量建立计及需求侧竞价的博弈模型，具体为：

各发电机组分别建立自身利益最大化的双层模型，包括上层模型；

所述上层模型为机组i利益最大化模型，为其自身售电收入减去自身成本：

maxinci＝ρiqi-ci(qi)

式(5)中，ρi和qi分别为机组i所在节点的节点电价和中标电量，ci(qi)为中标电量对应的成本；neq及nieq为上层模型的等式约束条件个数和上层函数的不等式约束条件个数；gm为第m个等式约束条件，其对应为式(1)(2)和(4)；hj为第j不等式约束条件，其对应为式(3)；在各上层模型中，报价策略ki为决策变量。

可以理解的是，与单边的发电侧竞价市场模式相比，计及需求侧竞价的模式，市场的目标函数发生了变化，交易方式也发生了变化。需求侧竞价对市场交易的影响不仅在于使资源和利益得到了重新分配，还表现在其对市场交易主体的影响，即主要表现在考虑需求侧竞价后，发电机组对其竞价策略的调整上。因此在含需求侧竞价的非合作完全信息环境下，各发电机组分别建立自身利益最大化的双层模型。

各发电机组分别建立自身利益最大化的双层模型，包括下层模型；

所述下层模型采取不计及网损的安全经济调度出清模型求解节点电价和中标电量，具体可表述如下：

式(6)中，λis、qis分别为发电机组i在第s段的报价和报量；ρjs、pjs分别为用户j在第s段的报价和报量；t为线路l的潮流转移系数；fl为流入线路l的潮流；及为机组i的最小及最大发电量；及为线路l的最小及最大潮流；l为线路支路数；b为负荷节点数；其中三个等式约束及第四个等式约束条件分别为系统负荷平衡约束及线路潮流约束。

可以理解的是，若各发电机组和各需求侧用户的报价策略信息递交给调度中心后，调度中心则可按照进行安全经济调度出清，即为下层模型。不计及网损的节点电价由燃料成本和电网阻塞成本组成，其主要优点是：一是能够采用最优潮流方法处理网络阻塞；二是合理地反映节点负荷的发电边际成本存在不公平问题。

请参见图5，在本实施例中，所述计及需求侧竞价的发电机组竞价方法，利用策略优化算法进行独立优化的具体流程包括：

初始化种群各粒子；

各粒子适应度对比判断；

粒子更新；

粒子校正；

终止条件判断。

所述利用策略优化算法进行独立优化决策，具体为：

以发电机组的策略变量作为各粒子的位置变量，并进行种群初始化；

具体地，表述如下：

式(7)中的为第l个粒子的初始值；和分别为机组i决策变量ki的最小值和最大值；ri,l为[0,1]之间的随机量。

以机组的收益值为各粒子的适应度，通过对比各粒子的适应度选择粒子群算法或混沌萤火虫算法，更新各粒子的位置变量；

若所述策略变量达到最佳值或者更新次数达到最大值，则停止更新，输出优化结果。

在具体的本实施例中，假设博弈计算中各发电机组第t轮优化的结果为(k1t,k2t,…,kit)，在第t轮优化时，各发电机组根据上一轮的优化结果(k1t-1,k2t-1,…,kit-1)，通过混合混沌萤火虫-粒子群算法(此处以选取m个粒子，迭代更新n次)进行独立优化决策ki，即

具体地，以机组i的收益值inci为各粒子的适应度；在每一次迭代时，将各粒子的适应度和前两次迭代更新的全局最优解的适应度进行比较，若前两次迭代的全局最优解的适应度更大，则采用混沌序列萤火虫算法进行粒子更新；若前两次迭代的全局最优解的适应度更小，则采用经典粒子群算法进行粒子更新。具体可以描述如下：

其中，为迭代iter次粒子l的适应度；g^iter-2为iter-2次的全局最优解的适应度。

若则采用粒子群算法更新策略；否则，采用混沌序列萤火虫算法更新策略。

若选择粒子群算法更新各粒子的位置变量，则，粒子群中各粒子的速度位置更新如下：

其中，分别为迭代iter和iter+1次时粒子l的速度；分别为迭代iter和iter+1次时粒子l的位置；c1、c2为学习因子，为算法给定的设置值；r1、r2均为[0,1]之间的随机量；分别为迭代iter次时粒子l个体和全局最优值。

若选择混沌萤火虫算法更新各粒子的位置变量，则，粒子群中各粒子的速度位置更新如下：

其中，分别为迭代iter和iter+1次时粒子l的位置；为粒子l的混沌序列函数；ε为设定好的控制混沌行为系数；α为常数，一般可以0至1内的随机数；e为由均匀分布得到的随机数向量；β为吸引系数。

可以理解的是，在每一次迭代中，混沌萤火虫算法对种群全局最优个体的位置用正弦定理进行微小扰动，这可以帮助其跳出局部极值区域，可有效提高整个算法的性能。

所述利用策略优化算法进行独立优化决策，还包括：

对各粒子的位置变量进行校正；若越下限，则令越上限，则令其中，表示迭代更新iter+1次粒子l的位置；表示预设下限值，表示预设上限值。

可以理解的是，在粒子群算法和萤火虫算法在移动过程中，可能出现震荡和摇摆，这有可能造成粒子位置出现越限，因此需要对粒子位置进行校正。

本实施例提出一种基于混合混沌萤火虫-粒子群算法求解竞价双层博弈模型，混合混沌萤火虫-粒子群算法根据混沌序列方法对种群每一次迭代全局最优个体的位置用正弦定理进行微小扰动，这可以帮助其跳出局部极值区域，相比传统的智能算法，提高了求解的收敛性。

本发明提供一种示例性实施例，一种计及需求侧竞价的发电机组竞价装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的计及需求侧竞价的发电机组竞价方法。

请参见图6，本发明提供一种示例性实施例，一种计及需求侧竞价的发电机组竞价装置，包括：

输入模块101，用于分别输入发电侧发电机组和需求侧用户的申报电价和申报电量；

模型生成模块102，用于基于所述申报电价和申报电量建立计及需求侧竞价的博弈模型；

博弈计算模块103，用于以各发电机组的决策变量组合成均衡点，并设置决策变量初值后运行所述博弈模型以进行博弈计算；

具体地，以各机组的决策变量ki组合成均衡点，并设置其初值(k10,k20,…,ki0)，各决策变量初值均在其策略空间内随机选定初值。

策略优化模块104，用于在所述博弈计算过程中，即将进行下一轮计算时，各发电机组根据本轮的计算结果，利用策略优化算法进行独立优化决策；

信息共享模块105，用于根据利用策略优化算法计算所得的最优策略，更新所述均衡点的最优值；

具体地，所述更新所述均衡点的最优值即将利用策略优化算法计算所得中各发电机组的最优策略kit告知其余发电机组；

输出模块106，用于若各发电机组在相邻两次得到的最优策略相同，则输出竞价结果；否则，继续进行下一轮的博弈计算。

具体地，输出竞价结果需要先判断是否找到nash均衡点。若各发电机组在相邻2次得到的最优解相同，即则表明在该策略下，任何发电机组都不能通过独立改变策略而获得更多的收益，达到了nash均衡，输出结果；否则继续进行迭代更新。

可以理解的是，所述竞价结果包括均衡点的最优值，nash均衡点同时输出对应的各发电机组的中标电量、节点电价和收益等信息。

所述计及需求侧竞价的发电机组竞价装置，还包括：

竞价函数生成模块，用于：

机组i的成本函数ci为二次函数，具体如下：

式(1)中的ai、bi、ci为发电机组i的成本系数，qi为机组i的中标电量。在各个机组报价策略中，虽然每个机组都可以选择自身成本系数进行自身的报价策略，但由于成本系数存在三个参数，在实践上很难应用在竞价策略中。因此，本方案基于各机组的成本系数，通过引进k参数进行单参数话，具体如下：

式(2)中，ki则为机组i的报价策略。若ki等于1为按照边际成本报价；若ki小于1，则其为低于边际成本报价；若ki大于1，则其为高于边际成本报价；此外，ki一般需要满足报价上下限，具体如下：

式(3)中的及为第机组i的报价上下限值。

假设市场规则中允许各机组三段报价，则在已知各机组容量分段情况qis，其各段报价为：

λis＝ki(2aiqis+bi)(4)

其中，λis为机组i的各段报价价格，qi为机组i的中标电量，qis表示已知各机组容量分段情况，bi为发电机组i的成本系数，ki则为机组i的报价策略。

需求侧的竞价反映在整体需求的价格弹性上，不考虑大用户与发电机组的直接交易，需求侧竞价函数为线性需求函数。此外，在本实施例中，重点研究的是发电侧市场主体的博弈竞价，因此需求侧用户的竞价申报信息为已知量，即图中ρj、pj。

所述模型生成模块，还用于：

各发电机组分别建立自身利益最大化的双层模型，包括上层模型；

所述上层模型为机组i利益最大化模型，为其自身售电收入减去自身成本：

maxinci＝ρiqi-ci(qi)

式(5)中，ρi和qi分别为机组i所在节点的节点电价和中标电量，ci(qi)为中标电量对应的成本；neq及nieq为上层模型的等式约束条件个数和上层函数的不等式约束条件个数；gm为第m个等式约束条件，其对应为式(1)(2)和(4)；hj为第j不等式约束条件，其对应为式(3)；在各上层模型中，报价策略ki为决策变量。

可以理解的是，与单边的发电侧竞价市场模式相比，计及需求侧竞价的模式，市场的目标函数发生了变化，交易方式也发生了变化。需求侧竞价对市场交易的影响不仅在于使资源和利益得到了重新分配，还表现在其对市场交易主体的影响，即主要表现在考虑需求侧竞价后，发电机组对其竞价策略的调整上。因此在含需求侧竞价的非合作完全信息环境下，各发电机组分别建立自身利益最大化的双层模型。

各发电机组分别建立自身利益最大化的双层模型，包括下层模型；

所述下层模型采取不计及网损的安全经济调度出清模型求解节点电价和中标电量，具体可表述如下：

式(6)中，λis、qis分别为发电机组i在第s段的报价和报量；ρjs、pjs分别为用户j在第s段的报价和报量；t为线路l的潮流转移系数；fl为流入线路l的潮流；及为机组i的最小及最大发电量；及为线路l的最小及最大潮流；l为线路支路数；b为负荷节点数；其中三个等式约束及第四个等式约束条件分别为系统负荷平衡约束及线路潮流约束。

可以理解的是，若各发电机组和各需求侧用户的报价策略信息递交给调度中心后，调度中心则可按照进行安全经济调度出清，即为下层模型。不计及网损的节点电价由燃料成本和电网阻塞成本组成，其主要优点是：一是能够采用最优潮流方法处理网络阻塞；二是合理地反映节点负荷的发电边际成本存在不公平问题。

所述策略优化模块，还包括：

初值设置模块，用于以发电机组的策略变量作为各粒子的位置变量，并进行种群初始化；

具体地，表述如下：

式(7)中的为第l个粒子的初始值；和分别为机组i决策变量ki的最小值和最大值；ri,l为[0,1]之间的随机量。

判断模块，用于以机组的收益值为各粒子的适应度，通过对比各粒子的适应度选择粒子群算法或混沌萤火虫算法，更新各粒子的位置变量；

优化更新模块，用于若所述策略变量达到最佳值或者更新次数达到最大值，则停止更新，输出优化结果。

在具体的本实施例中，假设博弈计算中各发电机组第t轮优化的结果为(k1t,k2t,…,kit)，在第t轮优化时，各发电机组根据上一轮的优化结果(k1t-1,k2t-1,…,kit-1)，通过混合混沌萤火虫-粒子群算法(此处以选取m个粒子，迭代更新n次)进行独立优化决策ki，即

具体地，所述判断模块，还用于：

以机组i的收益值inci为各粒子的适应度；在每一次迭代时，将各粒子的适应度和前两次迭代更新的全局最优解的适应度进行比较，若前两次迭代的全局最优解的适应度更大，则采用混沌序列萤火虫算法进行粒子更新；若前两次迭代的全局最优解的适应度更小，则采用经典粒子群算法进行粒子更新。具体可以描述如下：

其中，为迭代iter次粒子l的适应度；g^iter-2为iter-2次的全局最优解的适应度。

若则采用粒子群算法更新策略；否则，采用混沌序列萤火虫算法更新策略。

所述优化更新模块，还包括：

粒子群算法更新模块，用于若选择粒子群算法更新各粒子的位置变量，则，粒子群中各粒子的速度位置更新如下：

其中，分别为迭代iter和iter+1次时粒子l的速度；分别为迭代iter和iter+1次时粒子l的位置；c1、c2为学习因子，为算法给定的设置值；r1、r2均为[0,1]之间的随机量；分别为迭代iter次时粒子l个体和全局最优值。

所述优化更新模块，还包括：

混沌萤火虫算法更新模块，用于若选择混沌萤火虫算法更新各粒子的位置变量，则，粒子群中各粒子的速度位置更新如下：

其中，分别为迭代iter和iter+1次时粒子l的位置；为粒子l的混沌序列函数；ε为设定好的控制混沌行为系数；α为常数，一般可以0至1内的随机数；e为由均匀分布得到的随机数向量；β为吸引系数。

可以理解的是，在每一次迭代中，混沌萤火虫算法对种群全局最优个体的位置用正弦定理进行微小扰动，这可以帮助其跳出局部极值区域，可有效提高整个算法的性能。

所述计及需求侧竞价的发电机组竞价装置，还包括：

校正模块，用于对各粒子的位置变量进行校正；若越下限，则令越上限，则令其中，表示迭代更新iter+1次粒子l的位置；表示预设下限值，表示预设上限值。

可以理解的是，在粒子群算法和萤火虫算法在移动过程中，可能出现震荡和摇摆，这有可能造成粒子位置出现越限，因此需要对粒子位置进行校正。

本实施例提出一种基于混合混沌萤火虫-粒子群算法求解竞价双层博弈模型，混合混沌萤火虫-粒子群算法根据混沌序列方法对种群每一次迭代全局最优个体的位置用正弦定理进行微小扰动，这可以帮助其跳出局部极值区域，相比传统的智能算法，提高了求解的收敛性。

本发明提供一种示例性实施例，一种计及需求侧竞价的发电机组竞价方法的存储介质，所述计及需求侧竞价的发电机组竞价方法的存储介质用于存储一个或多个计算机程序，所述一个或多个计算机程序包括程序代码，当所述计算机程序在计算机上运行时，所述程序代码用于执行所述的计及需求侧竞价的发电机组竞价方法。

本申请实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。