中长期交易机制下售电公司购电策略优化贾晨1,2，杜欣慧11. 太原理工大学 电气与动力工程学院，山西 太原 030024；2. 国网山西省电力公司太原供电公司，山西 太原 030012摘 要随着电力体制改革的不断推进，售电公司作为新的市场主体，准确把握市场机遇，明确市场交易策略尤为重要。为此，立足于中长期电力交易机制，全面考虑多样化市场交易品种，引入合同转让交易和偏差电量考核作为市场化电力电量平衡机制，建立售电公司购电策略优化模型，以售电公司收益最大化为目标，采用混合自适应细菌觅食优化的改进粒子群算法（ABFO-PSO）进行模型求解，最后通过算例分析，验证所建模型和方法的有效性；该研究可为售电公司参与市场竞争提供参考。关键词电力市场；售电公司；中长期交易；购电策略；粒子群算法中图分类号 TM73 文献标志码 A DOI 10.11930/j.issn.1004-9649.2018050690 引言现阶段中国电力中长期交易市场已逐步形成并完善，电力中长期市场交易量大、交易周期长、覆盖面广，是目前电力市场交易的重点，更是系统安全稳定运行的基础[1]。在此背景下，售电公司如何利用市场运营规则调整申报电价、合理分配购电比例，从而获取最大售电收益，是售电公司在进行购电决策时关注的重点[2]。近年来，针对售电公司购售电决策开展了大量研究，文献[3]考虑DG和可中断负荷对系统运营的影响，建立模拟日前和实时市场的电力零售公司两阶段运营模型；文献[4]提出包含用户需求响应和储能设备的智能电网环境下售电公司面临的能源定价和经济调度的两阶段两层模型；文献[5-6]利用市场份额模拟售电公司之间的竞争，建立多市场环境下售电公司的最优购电和定价策略；文献[7]实现配售一体化的售电公司最优购电决策；文献[8]建立包含电动汽车需求调度的售电公司购电组合策略，为聚合电动汽车充电负荷的售电公司购电优化提供新思路；文献[9]研究未来电力交易的平衡市场购电组合策略；文献[10]采用区间数描述电力需求和电价的不确定性，模拟负荷调整和负荷转移行为对售电公司的影响。以上研究均以未来现货市场交易为基础，但立足于国内电力交易市场现状，基于中国中长期电力交易机制，考虑多样化交易品种的售电公司购电侧研究较少。针对上述问题，本文结合中长期电力市场交易现状，以双边协商，集中竞价交易为主体，并引入合同转让交易和偏差电量考核机制，对月度市场上售电公司购电策略进行优化研究。模型以售电公司利润最大化为目标函数，以不同市场的申报电量和电价为求解变量，采用混合自适应细菌觅食优化的改进粒子群算法（ABFO-PSO）进行求解。算例分析表明，合理的市场报价和购电比例分配可以为售电公司优化收益和减小偏差考核。1 电力中长期交易机制解读随着电力中长期交易基本规则（暂行）[11]的颁布，湖南、山西、山东、江苏等省陆续出台了地方电力交易基本规则，规则立足于开放的市场设计，从市场成员及其权责边界、交易品种和方式、价格机制、发用电计划及交易时序安排等角度给出交易制度框架，厘清电改发展方向，为下一步扩大市场范围，建立现货市场交易模式提供制度支撑。所谓电力中长期交易，主要是指符合准入条收稿日期2018−05−12； 修回日期2018−08−31。第 52 卷 第 9 期中国电力Vol. 52, No. 92019 年 9 月ELECTRIC POWER Sept. 2019140件的市场主体，通过多种交易方式开展的多年、年、季、月、周等日以上的电力交易。其中，月度交易是电力中长期交易的重点，是指在年度合同分解到月的基础上，依次开展的月度双边和集中竞价交易，交易品种包括省内直接交易、跨省跨区交易和合同转让交易等。以山西省电力中长期交易为例，以售电公司作为市场主体的电力交易过程分为事前、事中、事后3个阶段，包括合同签订、市场交易、安全校核、调度执行、计量结算、偏差处理等环节[12]，各阶段的交易组织流程如图1所示。在交易完成后，由电力交易中心统一抄表计费，按照用户实际用电量与协议电价向用户收取电费并核算，确定售电公司的实际偏差考核费用及售电收益。2 售电公司购电策略优化决策模型2.1 优化决策的目标函数假定售电公司采用整体打包代理方式，捆绑用户总负荷以形成规模优势参与市场竞价。同时采用双边协商、集中竞价、合同转让等方式进行市场购电，售电公司赚取购售差价的同时，用户也可享受到低于当前目录电价的直接交易电价。本文以售电公司购售电利润最大化为求解的目标函数。R_ total Fse CbnCcbCctWdp（1）R_ total式中为售电公司年利润；Fse为售电收益；Cbn、Ccb、Cct分别为售电公司进行双边协商交易、集中竞价交易和合同转让交易的购电成本；Wdp为售电公司承担的偏差电量考核费用。（1）售电收益。由于现阶段山西省购售电业务只开放于工业用户，故本文针对售电公司不同电压等级的工业用户提供不同的电价方案，认为用户以全电量参与市场交易，则售电收益可表示为Fse ∑t0BBBBBBBI1∑m11I1seQI1setI2∑m21I2seQI2setI3∑m31I3seQI3set1CCCCCCCA（2）式中I1，I2，I3为3种类型的售电公司用户数量；λse为对应售电价格；Qset为不同时间段内用户实际用电量。（2）双边协商交易的购电成本。售电公司在获知用户电量需求的情况下，首先采用双边协商交易和发电商就交易电量和电价进行商定，包含年双边协商分解到月和月度双边协商，相应的购电费用为Cbn ∑tN1∑i1Pbn;iQbn;it（3）式中N1为与该售电公司进行双边协商交易的发电企业数量；Pbn,i为与第i个发电企业的双边协商交易电价；Qbn,it为对应交易电量。（3）集中竞价交易的购电成本。集中竞价交易是电力中长期交易的一个重要内容，可以通过合理的价格波动引导市场投资和电力资源优化配置。以山西省集中交易规则为例，采用高低匹配法进行月度集中撮合交易，即在集中竞价交易前，由购售电双方在电力交易平台上申报本月集中交易电量和电价，经安全校核后，确定最终的成交对象、成交电量与成交价格等，交易月结月清[13]。交易匹配规则见图2，购售电双方分别按照申报电价由高到低和由低到高排序并按照排序形成匹配对，分别依次出清，直至电量为零或价差为负时停止交易，成交电价为双方报价的均价。由此可见，售电公司在集中竞价市场申报电价和电量的高低至关重要。可认为售电公司在集中市场申报电量全部成交，且售电公司与每个发事前客户评估用户电量预测事中双边协商集中竞价电量监测与预警事后结算清算市场交易与用户签订委托代理协议申报不同市场交易电价与电量形成交易意向并通过安全校核抄表计费电费核算用户扩展电量互保合同转让 图 1 售电公司交易流程Fig. 1 The trading process of electricity retailers第 9 期 贾晨等中长期交易机制下售电公司购电策略优化141电企业成交的概率相等，即售电公司以所有发电企业报价的均值作为其对应成交的发电企业报价。此时的成交电价和购电成本Ccb为Pcb;jt 120BBBBB∑ssPfcb;jtPgcbt1CCCCCA（4）Ccb ∑tN2∑j1Pcb;jtQcb;jt（5）Pfcb;jPgcb式中Pcb,jt为最终与发电企业j的成交电价；πs为不同场景发生的概率；t为模拟发电企业j的市场申报电价；t为售电公司的市场申报电价；N2为与该售电公司进行集中竞价交易的发电集团数量；Qcb,jt为对应的成交电量。（4）合同转让交易的购电成本。为减小偏差电量考核带来的风险，售电公司需要通过电量监测和预警装置及时掌握用户用电情况，并采取措施控制偏差，减少损失。这里采用合同转让交易，当售电公司一方因特殊原因无法履行合同电量时，由另一方代用部分或全部电量，并于事后一周内补充转让交易合同，报电力交易中心。假定合同转让交易采用双边协商方式，买卖双方自主协商交易电量和电价，合同转让交易费用为Cct ∑tN3∑k1Pct;ktQct;kt（6）式中N3为与售电公司进行合同转让交易的发电企业数量；Pct,kt为与发电商k的合同转让交易电价；Qct,kt为对应交易电量，当售电公司电量短缺时，Qct,kt＞0，电量剩余时，Qct,kt＜0。（5）偏差电量考核费用。偏差电量考核机制是现阶段中国现货市场建立前的过渡性方案，也是中长期交易市场中售电公司面临的风险之一[14]，因其可执行性高和效果显著，受到了越来越多的重视。由于各地的市场交易规则不同，偏差电量的考核方式也不尽相同，包含参与偏差考核电量的多少，考核主体和结算方式的差异等。山西省电力中长期交易规则（暂行）[15]中最新规定了山西省电力市场偏差电量结算机制，采用预挂牌月平衡偏差处理方式，电量无论是正偏差还是负偏差都要接受惩罚。本文采用的偏差考核为全电量考核方式，售电公司承担全部偏差考核责任。惩罚费用的结算方式为2以内的偏差电量免于支付偏差考核费用，超过2时，若售电公司代理用户实际用电量超过申报的计划用电量，则超用部分按月度集中竞价交易的最高成交价结算；若小于申报的计划用电量，则按照月度集中竞价交易的最高成交价的一定比例支付考核费用。Wdp8∑tSdp1tQdp1t∑Qset＞1 ∑Qft0 1 ∑Qft≤∑Qset≤1 ∑Qft∑tSdp2tQdp2t∑Qset＜1 ∑Qft（7）8Qdp1t ∑Qset 1 ∑QftQdp2t 1 ∑Qft ∑Qset（8）式中Qf为售电公司计划用电量；Qse为实际用电量；α为免考核电量范围；Sdp1和Sdp2分别为2种情况对应的考核电价；Qdp1和Qdp2为2种情况对应的考核电量。2.2 优化决策的约束条件中长期交易机制下售电公司购电策略优化的约束条件如下。（1）电量平衡约束为I1∑m11QI1setI2∑m21QI2setI3∑m31QI3set N1∑i1Qbn;it N2∑j1Qcb;jt N3∑k1Qct;kt ∑Qset ∑Qft（9）（2）双边协商交易约束为电量0电价售电公司申报电价发电企业申报电价成功交易图 2 集中竞价交易示意Fig. 2 Centralized auction trading schematic中国电力第 52 卷1420≤Qbn;it≤∑Qft（10）（3）集中交易市场报价约束为Pgcbmin≤Pgcbt≤Pgcbmax（11）（4）合同转移交易约束为Qctmin≤N3∑k1Qct;kt≤Qctmax（12）PcttActN3∑k1Qct;ktBct（13）Qctmax jmaxQft Qsetj（14）Qctmin jmaxQft Qsetj（15）（5）偏差电量考核约束为Sdp1t maxPcb;jt（16）Sdp2t maxPcb;jt（17）Pgcbmax Pgcbmin式中和分别为售电公司在集中市场报价的上下限；Qctmax、Qctmin分别为合同转让交易电量的上下限；Act、Bct为合同转让交易价格系数；β、γ为出现正偏差和负偏差时的电价结算系数。2.3 优化决策的模型求解售电公司中长期购电策略优化的模型求解是一个基于多变量的非线性随机优化问题，本文采用ABFO-PSO混合算法进行优化求解。3 ABFO-PSO混合算法3.1 粒子群算法粒子群算法（PSO）是一种全局优化的启发式搜索算法，源于对鸟群和鱼群觅食运动行为的模拟。粒子以一定的速度更新当前最优粒子和最优种群，通过自己的经验和同伴中最好的经验反复迭代进行下一步的运动，最终得到一组较为合理的结果。PSO算法的更新公式为Vi Vic1randpbesti Xic2randgbesti Xi（18）Xi XiVi（19）式中Vi为第i个粒子的速度；Xi为第i个粒子的位置；pbesti为第i个粒子经历的最好位置；gbesti为群体中全部粒子经历的最好位置；rand为属于[0, 1]的随机数；c1、c2为学习因子；ω为惯性权重系数。3.2 细菌觅食算法细菌觅食算法（BFO）[16]是一种模拟大肠杆菌觅食行为的仿生随机搜索算法。该算法模拟了细菌觅食的4个主要操作趋化、聚集、复制和迁徙，将每个细菌的位置看作待优化问题的解，通过反复迭代寻优，求得一组最优解，其中，细菌觅食的趋化操作包括游动和翻转。3.3 基于自适应细菌觅食优化的改进粒子群算法传统的PSO算法原理简单，易于实现且搜索速度非常快，但局部搜索能力较差，搜索精度不高；而BFO的趋化过程可以在局部范围内进行非常细致的搜索，避免错过更优解所在的区域，但环境感知能力较弱且收敛速度慢。因此，在PSO算法进行局部搜索时，引入BFO算法的趋化因子，使得粒子在到达新的区域后持续搜索以找到所在区域的最优解。本文将2种算法结合，取长补短，增强算法的局部搜索能力[17]。其中，趋化过程公式为ij1;k;l ij;k;lCi ∆i√∆Ti∆i（20）式中θij,k,l为第l次迁徙、k次复制和j次趋化过程中第i个细菌的位置；Ci为游动步长；Δi为翻转过程的一个随机单位向量。此外，在局部搜索过程中，若选择的Ci较大，粒子同样容易错过最优值，若较小，会降低计算效率；且固定的Ci无法体现不同适应度的细菌所具有的不同能量，降低了BFO的局部搜索精度。因此，本文将自适应步长思想引入到BFO算法中，形成ABFO算法，赋予细菌记忆灵敏度，根据不同细菌的适应度和循环次数动态调整趋化过程的游动步长。自适应步长调整公式为Seni JiJmaxrand Xmax Xmin（21）Ci Ci Seni stepmax stepistepmax（22）式中Seni为不同细菌的灵敏度；Xmax和Xmin为变量的边界；J为适应度大小；step为游动次数。ABFO-PSO混合算法流程如图3所示，采用该混算法进行购电策略优化的求解步骤如下。（1）输入售电公司的各类交易电价及用户电量等数据，设定ABFO-PSO混合算法的种群规模、最大迭代次数等参数。第 9 期 贾晨等中长期交易机制下售电公司购电策略优化143（2）随机初始化粒子的位置和速度，利用目标函数评价粒子的适应度值。（3）更新粒子的位置和速度，并计算适应度值，保留当前全局最优的购电策略gbest和个体最优的购电策略pbest。（4）随机翻转粒子并游动1步，判断更新后的适应度值与翻转后的适应度值大小，若翻转后的粒子适应度更好，则在在该方向持续游动，并在游动过程中自适应调整游动步长Ci，直至满足最大前进步数Ns，否则转向步骤（5）。（5）持续翻转，判断是否满足最大趋化次数Nc，若满足，转至步骤（3），若不满足，转至步骤（4）。（6）判断迭代次数是否满足预先设定的最大迭代次数，若是转向步骤（7），否则转向步骤（3）。（7）输出此时的全局最优解gbest即为售电公司最优购电策略，并输出此时的目标函数。4 算例分析4.1 数据来源本文以12个月为交易优化周期，以山西省某售电公司为优化对象。通过对当地售电公司的实际市场调研，选择该公司3种类型的售电价分别为514元/MWh、458元/MWh和437元/MWh，假设售电公司提前签订了2个双边协商电价，分别为319元/MWh和324元/MWh，合同转让交易价格系数Act35元/MWh，Bct37.25元/MWh。此外，售电公司在集中竞价市场的报价上下限设定为[300,350]元/MWh，取α0.02，β1，γ3[14]。考虑到参与月度集中竞价的发电企业数量多，且不同企业报价影响因素复杂，时间跨度长，因此难以采用确定的模型描述[18]。参考2017年山西省电力市场的交易价格数据，以该省某发电企业一年的报价为期望，以3.152为方差，采用蒙特卡洛法模拟生成50组场景作为市场中发电企业的报价。采用基于最小二乘支持向量机，灰色预测等一般中长期电量预测方法分别预测售电公司8个不同用户的用电量，同时用蒙特卡洛技术生成服从正态分布N0,1.635 92的预测误差百分数[9]。如图4所示，实线为用户预测用电量，虚线为叠加预测误差的模拟实际用电量。4.2 结果分析为验证本文选用算法的有效性，分别采用PSO算法，BFO算法和ABFO-PSO混合算法分别对目标函数进行寻优。算法的参数设置为种群粒子数为80，最大迭代次数为200，学习因子c1c22，惯性权重ω0.729，最大趋化次数Nc20，最大前进步数Ns5。目标函数Fmin{−Rtotal}，并构造罚函数处理约束条件，独立运行20次后的优化结果如图5所示，3种算法开始计算粒子适应度值速度更新和位置更新边界条件处理适应度值计算随机翻转游动适应度更好判断趋化代数满足终止条件结束否是否否是是自适应趋化步长更新粒子个体极值及群体极值初始化Nc，Ns，C及粒子初始位置和初始速度图 3 ABFO-PSO算法流程Fig. 3 ABFO-PSO algorithm flow2 4 6 8 10 12月份05001 0001 5002 0002 500用电量/MWh用户实际用电量；用户预测用电量图 4 用户电量需求Fig. 4 Consumers electricity demand中国电力第 52 卷144最终都能收敛到一个最优值。其中，PSO算法收敛速度最快，但收敛精度不够理想；BFO算法经过多次趋化操作，后期收敛到一个较好的结果；ABFO-PSO算法结合了两者的优点，其优化结果不仅能够保证算法精度还能在一定程度上提升优化速度。对售电公司而言，其报价的制定基本与市场上发电企业的报价趋势保持一致，如图6所示，蓝线为模拟的发电企业报价，红线为优化得到的售电公司在集中竞价市场的申报电价。当发电企业电价较高时提升报价，防止竞价失败，当发电企业电价较低时降低报价，从而减少购电成本。优化得到的售电公司在不同市场的期望交易电量如图7所示，可以看出，在5月和11月由于集中竞价交易价格较高，售电公司在双边协商市场购买更多的电量，其余月份更倾向于在价格信号透明、交易成本较低的集中竞价市场购买电量。合同转让交易电价计入了购售双方的转让费用，成本较高，且预计产生的偏差电量相对较小，因此售电公司需要综合考虑各种因素，确定合同转让交易的最优交易量，在电量短缺时部分买入部分电量，在电量剩余时售出部分电量。实际上，由于用户用电量关联因素众多且差异较大，故用户实际用电量往往不等于计划用电量，导致售电公司必须承担偏差电量考核带来的风险。表1所示为由于电量预测误差引起的售电公司偏差电量考核结果，免考核电量为市场计划购电量的2，在5月、9月、10月和12月由于偏差电量大于免考核电量，故考核电量不为0，售电公司需承担一定的考核费用。对比图7的优化结果，在偏差电量较大时，售电公司进行一定量的合同转让交易，如在5月、10月和12月，售电表 1 市场竞价偏差电量考核结果Table 1 Energy deviation penalty results of market bid-ding月份偏差电量/MWh免考核电量/MWh考核电量/MWh考核费用/万元1 19.49 149.55 0.00 0 2 64.01 128.05 0.00 0 3 –79.39 164.29 0.00 0 4 150.14 192.13 0.00 0 5 –440.93 194.42 –246.51 23.646 –182.73 199.16 0.00 0 7 –21.97 165.98 0.00 0 8 60.04 174.26 0.00 0 9 374.82 189.91 184.91 5.7510 –220.54 193.11 –27.43 2.5711 –143.94 178.43 0.00 0 12 –186.09 147.63 –38.46 3.57−1.30−1.35−1.40−1.45−1.50−1.55−1.60−1.65 0 50 100 150 200迭代次数适应度/107ABFO-PSO算法；BFO算法；PSO算法图 5 适应度曲线对比Fig. 5 Fitness curve comparison2 4 6 8 10 12月份300报价/元MWh−1图 6 集中竞价交易电价Fig. 6 Centralized auction trading price1 2 3 4 5 6 7 8 9 10 11 12月份02 0004 0006 0008 00010 000双边协商；集中竞价；合同转让购电量/MWh−2 000图 7 市场购电量优化结果Fig. 7 Optimization results of purchasing electricity第 9 期 贾晨等中长期交易机制下售电公司购电策略优化145公司选择售出部分电量，9月份则相反。图8为售电公司收益的计算结果。为了更客观地分析购电模式差异对售电公司运营收益的影响，表2展示了4种不同购电模式下售电公司的年期望交易利润，可以看出，当不考虑集中竞价交易时，售电公司期望收益最低，且计入合同转让交易的收益大于未计入合同转让交易的收益。可见，全面考虑多种交易模式，并合理分配其购电比例，能够在一定程度上提升售电公司盈利能力，有利于更好地参与市场竞争。5 结语本文建立了含双边协商交易，集中竞价交易，合同转让交易和偏差电量考核机制的售电公司中长期购电策略优化研究模型，采用ABFO-PSO混合算法求解得到售电公司市场申报电价和不同市场的期望交易电量，为售电公司进行实际市场交易提供科学的决策依据。优化结果表明合理分配不同市场的购电比例，对于售电公司优化收益，规避偏差电量考核具有重要意义。在未来更加开放的电力市场中，现货市场将成为电力交易的一个重要形式。后续将进一步完善现货和中长期交易相结合的售电公司购售电决策研究，为售电公司积极参与电力市场交易提供更多支撑。参考文献李学农, 袁汉杰, 王维超. 基于负荷聚类的中长期电力交易设想[J]. 电网与清洁能源, 2017, 3312 77–82.LI Xuenong, YUAN Hanjie, WANG Weichao. Assumption ofmedium and long-term electricity transaction based on user loadclustering [J]. Power System and Clean Energy, 2017, 331277–82.[1]胡晨, 杜松怀, 苏娟, 等. 新电改背景下我国售电公司的购售电途径与经营模式探讨[J]. 电网技术, 2016, 4011 3293–3299.HU Chen, DU Songhuai, SU Juan, et al. Preliminary research oftrading approach and management modes of Chinese electricity retailcompanies under new electricity market re[J]. Power SystemTechnology, 2016, 4011 3293–3299.[2]ALGARNI A A S, BHATTACHARYA K. A generic operationsframework for discos in retail electricity markets[J]. IEEETransactions on Power Systems, 2009, 241 356–367.[3]WEI W, LIU F, MEI S. Energy pricing and dispatch for smart gridretailers under demand response and market price uncertainty[J].IEEE Transactions on Smart Grid, 2017, 63 1364–1374.[4]罗琴, 宋依群, 徐剑, 等. 基于AHP-Logit模型的竞争性售电公司决策研究[J]. 华东电力, 2013, 4111 2373–2377.LUO Qin, SONG Yiqun, XU Jian, et al. An AHP-Logit baseddecision-making scheme for competitive electricity retailer[J]. EastChina Electric Power, 2013, 4111 2373–2377.[5]HATAMI A R, SEIFI H, SHEIKH-EL-ESLAMI M K. Optimalselling price and energy procurement strategies for a retailer in anelectricity market[J]. Electric Power Systems Research, 2009, 791246–254.[6]邹鹏, 李春晖, 郭静, 等. 考虑可中断负荷的配售电公司最优购售电策略[J]. 南方电网技术, 2017, 112 71–77.ZOU Peng, LI Chunhui, GUO Jing, et al. Optimal marketing strategyof distribution and retail companies considering interruptible load[J].Southern Power System Technology, 2017, 112 71–77.[7]BALRAM P, LE A T, TJERNBERG L B. Stochastic programmingbased model of an electricity retailer considering uncertaintyassociated with electric vehicle charging[C]//European EnergyMarket. IEEE, 2013 948−951.[8]杨萌, 艾欣, 唐亮, 等. 计及风险规避的售电公司平衡市场优化交易策略研究[J]. 电网技术, 2016, 4011 3300–3308.[9]表 2 不同模式下售电公司收益对比Table 2 Profits comparison of electricity retailers underdifferent scenarios优化情况不考虑集中竞价交易不考虑双边协商交易不考虑合同转让交易考虑全部交易类型期望收益/万元1 414.90 1 612.96 1 507.09 1 629.362 4 6 8 10 12月份6080100120140160180收益/万元图 8 售电公司期望收益Fig. 8 Expected profits of electricity retailers中国电力第 52 卷146YANG Meng, AI Xin, TANG Liang, et al. Optimal trading strategyin balancing market for electricity retailer considering riskaversion[J]. Power System Technology, 2016, 4011 3300–3308.陈玮, 梁博淼, 蒙文川, 等. 计及负荷和电价不确定性的电力零售公司购电组合优化[J]. 电力建设, 2016, 377 54–61.CHEN Wei, LIANG Bomiao, MENG Wenchuan, et al. Optimalportfolio strategies of purchasing electricity for electricity retailcompanies considering load and electricity price uncertainties[J].Electric Power Construction, 2016, 377 54–61.[10]国家发展改革委, 国家能源局. 电力中长期交易基本规则暂行发改能源〔2016〕2784号[A].2016.[11]谷峰. 电力市场顶层设计与交易现实的博弈妥协解读电力中长期交易基本规则[J]. 中国电力企业管理, 20171 32–35.GU Feng. The top of the electricity market design and trading realityof the game and compromise-interpreting the basic rules of mediumand long term transactions[J]. China Power Enterprise Management,20171 32–35.[12]刘妍, 谭建成. 南方区域大用户参与电力市场交易的现状及展望[J]. 南方电网技术, 2017, 1111 68–74.LIU Yan, TAN Jiancheng. Present situation and prospect of largeconsumers participation in power market transaction in southernregion[J]. Southern Power System Technology, 2017, 1111 68–74.[13]郭曼兰, 陈皓勇, 张聪, 等. 偏差电量考核机制下售电公司的最优经营策略[J]. 电力系统自动化, 2017, 4120 17–25.GUO Manlan, CHEN Haoyong, ZHANG Cong, et al. Optimal[14]marketing strategy of retailers under energy deviation penalty[J].Automation of Electric Power Systems, 2017, 4120 17–25.山西省人民政府办公厅. 山西省电力中长期交易规则暂行[A].2017.[15]DASGUPTA S, DAS S, ABRAHAM A, et al. Adaptivecomputational chemotaxis in bacterial foraging optimization ananalysis[J]. IEEE Transactions on Evolutionary Computation, 2009,134 919–941.[16]杨萍, 孙延明, 刘小龙, 等. 基于细菌觅食趋化算子的PSO算法[J].计算机应用研究, 2011, 2810 3640–3642.YANG Ping, SUN Yanming, LIU Xiaolong, et al. Particle swarmoptimization based on chemotaxis operation of bacterial foragingalgorithm[J]. Application Research of Computers, 2011, 28103640–3642.[17]周明, 聂艳丽, 李庚银, 等. 电力市场下长期购电方案及风险评估[J]. 中国电机工程学报, 2006, 266 116–122.ZHOU Ming, NIE Yanli, LI Gengyin, et al. Long-term electricitypurchasing scheme and risk assessment in power markets[J].Proceedings of the CSEE, 2006, 266 116–122.[18]作者简介贾晨1993，女，硕士研究生，从事电力市场研究，E-mail ；杜欣慧1965，女，通信作者，博士，教授，从事电力市场运行与控制研究，E-mail 。（责任编辑 张重实）Optimization of Electricity Purchasing Strategy for Electricity Retailers underthe Medium and Long-Term Trading MechanismJIA Chen1,2, DU Xinhui11. College of Electrical 2. State Grid Taiyuan Power Supply Company, Taiyuan 030012, ChinaAbstract With the continuous advancement of power system re, as a new market entity, it is particularly important forelectricity retailers to grasp the business opportunities accurately and understand market trading strategies clearly. Therefore, basedon the medium-term and long-term electricity trading mechanism, by taking full account of the diversity of power market and trade,this paper introduces the contract transfer transaction and the energy deviation penalty assessment as the market power balancemechanism, then establishes the optimization decision model of electricity purchasing strategies for electricity retailers. Aiming at themaximization of the profit, a hybrid adaptive bacterial foraging , i.e., particle swarm optimization algorithm ABFO-PSO isadopted to solve the problem. Finally, the validity of the model and is verified through case studies. The study can providethe reference for electricity retailers to