基于区块链和需求响应的电力系统减排模型

Power System Emission Reduction Modelling Based on Blockchain and Demand Response

摘要: 随着全球能源转型和碳排放监管的不断加强，电力市场的运行效率和碳排放管理面临着前所未有的挑战。本文提出了一个基于区块链技术的双层博弈优化模型，旨在提升电力市场的运营效率和碳排放管理。模型通过精确调控需求响应机制，优化电力市场中的供需平衡与碳排放分配。上层问题侧重于供给侧的决策，结合传统火电与可再生风电的成本、收益及碳交易因素，推动电力供应商在低碳环境下作出最优选择；下层问题则聚焦于用户侧，通过需求响应机制引导用户根据电力价格波动和可用电量作出灵活调整，促进绿色电力的消费。区块链技术的引入，不仅确保了电力交易和碳排放数据的透明和可追溯，还增强了市场参与者之间的信息对称性，从而提升了系统整体效率。实验结果表明，引入区块链后，用户侧的需求响应能显著提升电力市场的运行效率，为电力市场定价机制和碳排放管理提供了重要的理论支持和实践指导。

Abstract: With the continuous strengthening of global energy transformation and carbon emission regulation, the operational efficiency of the power market and carbon emission management are facing unprecedented challenges. This paper proposes a two-layer game optimization model based on blockchain technology, aiming to enhance the operational efficiency of the power market and carbon emission management. The model precisely regulates the demand response mechanism to optimize the supply-demand balance and carbon emission allocation in the power market. The upper-level problem focuses on the decision-making of the supply side. By considering the costs, revenues, and carbon trading factors of traditional thermal power and renewable wind power, it promotes power suppliers to make optimal choices in a low-carbon environment. The lower-level problem focuses on the user side. Through the demand response mechanism, it guides users to make flexible adjustments according to power price fluctuations and available power, promoting the consumption of green electricity. The introduction of blockchain technology not only ensures the transparency and traceability of power trading and carbon emission data but also enhances the information symmetry among market participants, thus improving the overall system efficiency. Experimental results show that after the introduction of blockchain, the demand response on the user side can significantly improve the operational efficiency of the power market, providing important theoretical support and practical guidance for the pricing mechanism of the power market and carbon emission management.

1. 引言

随着全球气候变化问题日益严峻，许多国家纷纷提出了碳中和目标，力求推动能源系统向低碳化、绿色化转型。我国作为全球电力消费量和碳排放总量最大的国家，电力行业在碳排放中占据了重要地位。为实现“双碳”目标，我国已采取了一系列减排措施，如碳交易、绿证等，以促进能源转型和减排[1]。然而，目前的减排措施主要聚焦于供给侧，忽视了需求侧在碳排放中的重要作用。事实上，需求侧的电力使用行为对碳排放的驱动作用不容忽视[2]。为此，如何调动用户主动参与能源使用行为，尤其是通过需求响应机制，已成为能源转型中的重要议题。

需求响应(Demand Response, DR)作为一种有效的调节手段，可以通过激励用户在高峰期减少用电或在低谷期增加用电，从而平衡供需、提高能源利用效率，并减少碳排放。近年来，学者们针对需求响应策略展开了广泛的研究，提出了多种优化方案。文献[3]提出了一种面向智能电网能源枢纽的优化调度策略，旨在提升能源利用效率和系统稳定性。文献[4]运用多群体非对称演化博弈理论，研究了智能电网中不同用户群体的需求响应行为，为需求侧管理提供了博弈分析框架。文献[5]开发了一种基于智能电网调度的自动需求响应系统，能够实时调节居民用电需求，有效降低峰谷差。文献[6]构建了智能电网实时电价谈判模型，利用博弈论分析了电力供应商和消费者之间的电价谈判机制，为需求响应提供了激励方案。文献[7]研究并设计了智能电网的电力需求响应标准体系，推动了需求响应技术的标准化和规范化发展。然而，现有的需求响应策略仍面临一个重要问题——如何实现用户对电力来源的识别，尤其是在火电和绿电的选择上，缺乏透明且可靠的手段来确保用户做出低碳选择。

区块链技术因其去中心化、信息不可篡改和高度透明的特点，已成为解决这一问题的有效工具。文献[8]提出了一种基于多链式区块链的电力交易决策模型，解决了多类型产消者的电力交易优化问题。文献[9]设计了面向虚拟电厂的隐私保护结算模型，通过区块链确保电力交易的透明性与隐私性。文献[10]研究了基于区块链的清洁能源数据溯源机制，提升了清洁能源交易的可追溯性和信任度。文献[11]提出了基于区块链技术的光伏产消者集群定价博弈模型，为清洁能源供需双方的价格博弈提供了优化方案。文献[12]设计了一种基于云边协同和区块链的分布式能源交易系统，增强了分布式能源交易的安全性和效率。文献[13]进一步提出了基于区块链的分布式电力交易隐私结算模型，有效解决了电力交易过程中的隐私保护问题。

通过区块链，电力交易中的碳排放和电力来源可以得到实时追溯，确保用户能够根据电力来源做出选择，进而影响其需求响应行为。因此，区块链技术在电力市场中的应用，不仅能提高电力交易的效率和透明度，还能有效支持绿色电力的消费，推动碳减排目标的实现。

综上，本文将区块链技术的去中心化和信息开放性特点应用到电力系统的碳交易中，提出了一个基于区块链技术的双层博弈优化模型。该模型的上层问题聚焦于供给侧的决策，考虑火电和风电的成本、收益以及碳交易成本；下层问题则由用户侧的需求响应组成，电力敏感用户和电力不敏感用户根据电力价格和可用电量的变化，优化其电力消费策略。通过引入区块链技术，本文确保了电力交易和碳排放数据的透明性、可靠性和可追溯性，有效提升了电力市场中各参与方的信息对称性。在此基础上，本文进一步分析了碳交易对电力供应链各方行为的影响，并通过双层博弈模型求解最优策略，探讨各参与者在不同电力供应和需求情境下的最优策略，为电力市场的定价机制和碳排放管理提供理论依据和实践指导。

2. 区块链电力交易模型

区块链的实质在于提供了一种去中心化、分布式的账本技术，通过共识算法和加密机制保证了交易和数据的安全性、可信度和不可篡改性。区块链可以为电网市场提供一个开放透明的数据共享平台，使市场在传统电网原有的电力流和资金流的基础上，又增加了每个节点所参与共享的信息流，进一步优化了电网市场的交易模式。本文设计的基于区块链的电力交易模型如图1所示：

Figure 1. Blockchain power transaction structure diagram

图1. 区块链电力交易结构图

首先，共识机制是区块链技术的重要组成部分，所有交易数据都需要经过区块链网络中的各节点共同验证，确保交易的合法性和一致性，从而杜绝数据篡改和欺诈行为。其次，智能合约为电力交易和碳排放管理提供了自动化支持，当电力供应与需求达成协议后，智能合约会自动触发交易结算、碳排放分配等操作，实现了无人工干预的高效管理。此外，区块链的溯源功能使得每一笔电力交易从生产到消费的全过程均可追踪，用户能够清楚识别所使用电力的来源(火电或风电)及其对应的碳排放量。这种透明性不仅提升了用户的低碳消费意愿，还为电力市场的碳排放责任分摊提供了可靠的数据基础。

在节点层设计中，区块链网络中的节点代表了电力市场中的不同参与方，包括电力供应商、电力用户和电力交易平台。电力供应商主要由火电企业和风电企业组成，它们通过区块链平台记录各自的发电数据、碳排放信息以及交易数据，同时根据交易结果获得收益。电力用户则根据区块链平台提供的电力价格、可用电量和电力来源信息进行选择，并通过需求响应机制优化用电行为。电力交易平台作为系统的关键节点，负责撮合交易、结算资金和管理碳排放数据，同时为用户和供应商提供透明、公正的交易环境。这种节点层结构确保了电力市场参与方之间的信息对称性，并通过智能合约的自动执行减少了传统中介的交易成本，提高了系统效率。

在数据流与交易过程中，区块链实现了电力流、资金流和信息流的融合管理。电力流是电力供应商通过电网向用户提供电力的物理过程，与传统电力交易模式一致；资金流是用户根据电价支付电费，直接通过区块链网络向供应商转账，并由智能合约完成自动结算。与传统交易模式相比，信息流的引入是区块链模型的核心优势，区块链能够记录并共享每笔交易的详细信息，包括电力来源、交易时间、交易量和碳排放量等。这种信息流的透明性显著提升了电力市场的透明度，使用户能够更具针对性地选择绿色电力，同时实现对碳排放责任的实时追踪与分配。通过整合电力流、资金流和信息流，区块链电力交易模型不仅提高了电力市场的运行效率，也为低碳电力的推广和碳排放管理提供了技术保障。

3. 电力系统减排模型

3.1. 碳交易市场

碳交易是涉及CO₂排放权的一种交易形式。目前，已有192个国家缔结了《联合国气候变化框架公约的京都议定书》，其中规定了减排目标，涵盖了6种温室气体，其中CO₂排放占比最大。因此，碳交易的计量单位通常以每CO₂排放的量来衡量，成为温室气体排放权交易的标准。在碳交易的执行周期内，首先由能源监管机构确定整体减排目标，然后按照特定的分配方式将碳配额分配给参与碳交易的控排企业。这些控排企业需要在周期结束前清缴碳配额，若不足，需要通过碳交易市场购买，而多余的碳配额则可通过市场售出。碳配额的价格由能源监管机构和市场协同决定，企业共享相同的价格[14]。

企业参与碳交易市场的一个周期T内，主要分为三部分：碳排放量核算，碳配额分配，碳配额清缴。首先是碳排放量的核算，对于电力供应商来说，碳排放的主要来源是火电机组，清洁能源默认不产生碳排放，本文采用碳排放强度的方式来计算火力供电商时段出力产生的碳排放量$E_1\left(P_t\right)$ ：

$E_1\left(P_t\right)={\displaystyle \sum _{i=1}^{N_{\text{G}}}\alpha P_{i,t}}$ (1)

式中：$N_G$ 为火力供电商所拥有的火电机组数量；$\alpha$ 为碳排放强度因子；$P_{i,t}$ 为火电机组在时段的出力。

碳配额的分配方式上，主要有无偿分配，拍卖分配以及混合分配。国内的碳市场还处于初级阶段，一般采用无偿分配，在电力行业的碳配额分配中，无偿分配的方法有历史排放法和基准法，本文采用基准法来计算火力供电商时段分配到的碳配额$E_2\left(P_t\right)$ ：

$E_2\left(P_t\right)={\displaystyle \sum _{i=1}^{N_{\text{G}}}\beta P_{i,t}}$ (2)

式中：$\beta$ 为单位电量碳配额分配系数。

时段企业的碳交易成本计算如下：

$C_{{\text{CO}}_2,t}=\{\begin{array}{l}\left[E_1\left(P_t\right)-E_2\left(P_t\right)\right]\kappa ,E_1\left(P_t\right)-E_2\left(P_t\right)\ge 0\\ -\left[E_2\left(P_t\right)-E_1\left(P_t\right)\right]\kappa ,E_1\left(P_t\right)-E_2\left(P_t\right)<0\end{array}$ (3)

式中：$\kappa$ 为碳配额价格。

3.2. 供给侧收益模型

目前的电力市场中，火力供电商因为供给电力稳定可控占据了大部分的市场份额，假设$t$ 时刻的用户负荷需求为$L_t$ ，火力供电商和风力供电商竞争承担用户负荷需求，为了结论具有一般性，将供电侧视为整体，利润按贡献分配。

传统模式下，火力供电商售出电能收入$I_F$ 与风力供电商售出电能的收入$I_M$ 计算如下：

$I_F=p_b{\displaystyle \sum _{t=1}^T{\displaystyle \sum _{i=1}^{N_G}{P}_{i,t}}}$ (4)

$I_M=p_w{\displaystyle \sum _{t=1}^T{\displaystyle \sum _{j=1}^{N_W}{Q}_{j,t}}}$ (5)

式中：$p_b,p_w$ 分别为火电和风电上网电价；$Q_{j,t}$ 为风力供电商实际出力；$N_W$ 为火力供电商所拥有的火电机组数量；。

风力供电商生产电力采用的是清洁能源，不需要进行碳排放量和分配碳配额的计算，并且可以参与可再生能源激励项目，政府机构首先对当地火力供电商碳排放量进行统计分析，得到电量边际排放因子$F_{\text{OM}}$ 和容量边际排放因子$F_{\text{BM}}$ ，进而对风力供电商使用清洁能源生产电力的减排效果进行量化。风力供电商$t$ 时段得到的激励$I_{\text{E}}$ 计算如下：

$I_{\text{E}}=\eta \left[\lambda F_{\text{OM}}+\left(1-\lambda \right)F_{\text{BM}}\right]{\displaystyle \sum _{j=1}^{N_{\text{W}}}{Q}_{j,}{}_t}$ (6)

式中：$\lambda$ 为比例系数；$\eta$ 为单位激励系数。

不同供电商的发电成本构成不同，火力供电商的发电成本$C_{\text{F}}$ 与燃料、生产技术、启停成本等多种因素相关，可用二次函数进行计算[15]，即：

$C_{\text{F}}={\displaystyle \sum _{t=1}^{\text{T}}{\displaystyle \sum _{i=1}^{N_{\text{G}}}\left(a{P}_{i,t}^2+b{P}_{i,t}+c\right)}}$ (7)

式中：$a,b,c$ 表示成本系数

而风力供电商的发电成本主要与发电设备购，运行维护等固定成本相关，可采用一次函数计算[15],风力供应商发电成本$C_{\text{M}}$ 计算如下：

$C_{\text{M}}={\displaystyle \sum _{t=1}^{\text{T}}{\displaystyle \sum _{j=1}^{N_{\text{W}}}\left(d{Q}_{j,t}+e\right)}}$ (8)

式中：$d,e$ 表示成本系数。

在考虑风力供应商成本时，除了考虑发电成本外，还需要考虑出力偏差成本，以综合分析风电计划出力与实际功率的不一致对电力系统的影响。在制定生产计划时，对当日风电功率进行预测是必要的。然而，由于风电功率预测存在一定误差，可能导致风电计划出力与实际功率不匹配。如果风电的预测功率比实际功率大，那么需要增加常规机组出力，来弥补不足的风电出力；如果风电的预测功率比实际功率小，那么其他的常规机组应当减小出力或者通过增加储能来保证整个系统的稳定。故$t$ 时段风力供应商偏差成本$C_{\text{D},t}$ 为

$C_{\text{D},t}=\{\begin{array}{l}{\displaystyle \sum _{j=1}^{N_{\text{W}}}{C}_{\text{h}}\left(Q_{j,t}-Q_{j,t}^0\right),Q_{j,t}\ge Q_{j,t}^0}\\ {\displaystyle \sum _{j=1}^{N_{\text{W}}}{C}_{\text{h}}\left(Q_{j,t}^0-Q_{j,t}\right),Q_{j,t}<Q_{j,t}^0}\end{array}$ (9)

式中：$Q_{j,t}^0$ 为风力供电商预测出力；$C_{\text{h}}$ 为单位偏差成本。

综上所述，火力供应商的收入为售出电能收益，成本包括火力发电成本与碳交易成本；风力供应商的收入包括售出电能与激励收益，成本为风力发电成本与偏差成本故火力供应商的利润函数$Z_{\text{F}}$ 和风力供应商的利润函数$Z_{\text{M}}$ 计算如下：

$Z_{\text{F}}=I_{\text{F}}-C_{\text{F}}-{\displaystyle \sum _{t=1}^{\text{T}}{C}_{{\text{CO}}_{\text{2}},t}}$ (10)

$Z_{\text{M}}=I_{\text{M}}+I_{\text{E}}-C_{\text{M}}-{\displaystyle \sum _{t=1}^{\text{T}}{C}_{\text{D},t}}$ (11)

3.3. 需求响应模型

用户侧的决策，主要关注电力市场中消费者的需求响应行为及其对电力价格、可用电量及电力绿色属性的响应。在本研究中用户被划分为两类：电力敏感用户和电力不敏感用户，两类用户的用电行为受不同因素驱动，其效用函数的设计也有所差异。

对于电力敏感用户，倾向于在电价较高的时段减少用电需求，并优先选择低碳排放的绿色电力以支持低碳目标，同时在电价低谷时增加用电以优化个人效用，他们的用电决策高度依赖电力价格波动和可用电量的变化。这类用户通常会根据价格信号在不同时段调整用电需求，追求降低用电成本的同时实现效用最大化。其效用函数可表示为：

$U_t^s=m_t\text{}\ln \left(D_t\text{}\right)-n_{t\text{}}{P}_t\text{}{D}_t\text{}-{\gamma }_t\text{}{C}_t\text{}$ (12)

式中：$m_t\text{},n_t,{\gamma }_t$ 为权重因子，反映用户对消费效用、电力成本和碳排放成本的敏感度；$D_t$ 为t时刻用户用电量；$C_t$ 为用户消费电力的碳排放成本；$P_t$ 为用户的用电价格。

对于电力不敏感用户，由于这类用户对价格变化不敏感，因此价格项可简化或省略，其重点在于在满足刚性负荷的前提下选择绿色电力以减少碳足迹，他们的用电行为较为稳定，对价格波动和绿色电力的敏感度较低。这类用户更加关注用电的便利性和舒适度，其效用函数主要体现对基础用电需求的满足，可表示为：

$U_t^n=m_t\text{}\ln \left(D_t-D_0\right)-{\gamma }_t\text{}{C}_t\text{}\text{}$ (13)

式中：$D_0$ 为电力不敏感用户的最低用电需求，即其维持正常生活或生产活动的刚性负荷。

3.4. 双层模型

3.4.1. 目标函数

整个双层博弈模型的总目标是综合供给侧和用户侧的决策，优化电力市场的整体运作效率。总目标是通过最大化供给侧的利润$Z_{up}\text{}\text{}$ 和用户侧的效用$Z_{low}\text{}$ ，同时确保电力系统的碳排放和电力需求满足市场平衡。故总目标函数可以表示为：

$Z_{total}\text{}=Z_{up}\text{}+Z_{low}\text{}$ (14)

上层问题代表供给侧决策，旨在通过优化火电和风电的发电量及其相关决策，最大化供应商的整体效益。供给侧的决策受到以下因素的影响：电力生产成本、碳交易成本、风电的可再生能源特性以及电力市场价格。上层的目标是优化供给侧的发电决策，同时考虑到碳排放对经济收益的影响。具体地，目标函数为：

$Z_{up}\text{}=Z_{\text{F}}\text{}+Z_{\text{M}}$ (15)

下层问题代表用户侧的决策，用户侧模型主要关注电力市场中消费者的需求响应行为及其对电力价格和可用电量变化的响应。在本研究中，用户侧的决策问题由用户根据电力价格、可用电量以及电力供应的绿色属性来优化其电力消费策略。用户在不同时段根据电力价格的波动和供应方的能力，灵活调整自己的用电需求，以实现个人效用的最大化，同时为电力系统的负荷平衡做出贡献。具体来说，用户的目标是通过在电力需求的高峰期减少用电或在低谷期增加用电，来降低电力成本并减少碳排放，同时尽可能选择绿色电力来支持低碳目标。用户侧模型中，电力价格和可用电量是决定用户用电决策的关键因素，而这些信息通过区块链技术提供的透明性和可追溯性得以有效共享和验证。区块链不仅确保了电力供应的来源和碳排放的透明性，还帮助用户识别和选择符合其低碳偏好的电力来源。其目标函数为：

$Z_{low}\text{}=\max \left(U_t^s,U_t^n\right)$ (16)

3.4.2. 约束条件

本文所建模型的规划与运行中需要满足的约束条件包括：

功率平衡约束。为保证电力运行安全稳定，要求周期内的每个时段，发电机组产生的电力与该时段需要满足的电力负荷需求相平衡，约束如下：

${\displaystyle \sum _{i=1}^{N_{\text{G}}}{P}_{i,t}^{}+{\displaystyle \sum _{j=1}^{N_{\text{W}}}{Q}_{j,t}^{}=D_t}}$ (17)

机组发电量限制约束。火电机组发电量不能超过其额定功率，风电机组的发电量要在技术发电量区间之内，约束如下：

$\{\begin{array}{l}0\le P_{i,t}^{}\le P_{i,t}^{\text{max}}\\ 0\le Q_{j,t}^{}\le Q_{j,t}^{\max }\end{array}$ (18)

式中：$P_{i,t}^{\text{max}},Q_{j,t}^{\max }$ 分别是火电和风电最大功率。

发电量偏差约束。风力供应商的发电偏差量不应大于该时段实际发电量和负荷需求，约束如下：

$\left|Q_{j,t}^0-Q_{j,t}^{}\right|\le \min \left\{Q_{j,t}^{\max },D_t\right\}$ (19)

3.4.3. 模型求解

模型求解部分的核心任务是通过优化算法求解供给侧(上层)与用户侧(下层)博弈的最优策略。在本研究中，由于模型具有双层结构，供给侧和用户侧的决策存在相互依赖关系，因此采用迭代优化方法进行求解，以确保两层问题逐步收敛至全局最优解。具体步骤如下：

步骤一：在模型初始化阶段，需要确定供给侧和用户侧的初始参数，包括电力价格、电力敏感用户和电力不敏感用户的效用函数权重、碳排放量、供给侧发电成本和收益等。为了适应两类用户的需求响应特性，初始化时需分别设定电力敏感用户和不敏感用户的效用函数及其相关参数，确保模型能够准确模拟两类用户在电价波动和碳排放变化下的差异化行为。

步骤二：在初始参数确定后，首先对上层问题进行求解，优化供给侧的发电决策变量(包括火电和风电的发电量)。供给侧的目标是通过电力销售收益的最大化，同时平衡碳排放成本和发电成本。因此，在该步骤中，利用供给侧的成本函数与收益函数，通过迭代优化算法计算最佳发电量分配方案，初步确定火电与风电的发电比例。

步骤三：在得到上层优化结果的基础上，求解下层问题，即用户侧的最优用电决策。针对电力敏感用户和电力不敏感用户分别计算其效用函数的最大值。电力敏感用户主要根据电价波动调整用电量，从而优化其用电成本与绿色电力偏好；电力不敏感用户则关注刚性负荷的满足与碳排放的优化。通过迭代方法分别优化两类用户的用电策略，得到其对不同电价水平和电力供应结构的需求响应结果。

步骤四：供给侧与用户侧的决策是相互影响的，因此需要通过上下层问题的交替迭代进行求解。在每轮迭代中，首先基于用户侧的响应结果调整供给侧的发电策略，优化发电量分配和价格策略；然后，再根据供给侧调整后的决策重新优化用户侧的用电行为，得到新的用户响应结果。通过这样的双向优化迭代，逐步逼近供给侧和用户侧的全局最优解。

步骤五：在每轮迭代后，需要检查上下层目标函数的变化是否满足收敛条件。具体来说，如果目标函数的变化幅度小于预设的阈值，或供给侧和用户侧的策略调整幅度均趋于稳定，则认为模型已收敛，停止迭代；否则，继续迭代直到满足收敛标准，最终得到供给侧和用户侧的最优策略。

4. 算例分析

4.1. 参数设置

设定仿真周期T为24小时，每个小时末实时结算碳配额，完成碳交易与电力交易，利用MATLAB对上述模型进行仿真，调用YAMIP工具箱和CPLEX求解器进行求解。假设该地区用电需求全部由火力供电商与风力供电商两者满足，火力供电商包括10台火电机组，装机容量为1662 MW，风力供电商包括三个等效装机容量为100 MW的风电场，其中各时段风力供电商预测出力之和与该地区负荷需求如图2 [16] [17]：

Figure 2. Wind power output and load forecasts

图2. 风电发电量与负荷预测值

考虑到目前国内碳市场尚未完全形成，缺少有效数据，为了验证本文的理论可行性，采用历史文献中的数据为参考设置相关参数，设定火电机组电力边际排放因子0.8042，容量边际排放因子为0.2135，比例系数为25%，碳交易基准价格取0.3元/吨，火力供电商和风力供电商发电相关参数如表1 [15] [18]。

4.2. 结果分析

4.2.1. 用户选择对电力的影响

优化前后对比如图3、图4所示，优化1代表电力敏感用户，优化2代表电力不敏感用户，综合来看风电和火电的用电量分布发生了显著变化，体现了优化策略在提升清洁能源利用率和降低碳排放方面的有效性。

Table 1. Other relevant data

表1. 其他相关数据

参数名称	参数值	参数名称	参数值
a元/KW∙h	0	pw元/KW∙h	0.3
b元/KW∙h	0.001	pb元/KW∙h	0.4
c元/KW∙h	0	β吨/MW∙h	0.45
d元/KW∙h	0.001	α吨/MW∙h	0.63
e元/KW∙h	0.1921	Ch元/KW∙h	0.05
mt	0.25	nt	0.4
γt	0.35	D0 MW	0.3Dt

Figure 3. Comparative graph of wind power consumption

图3. 风电用电量对比图

由图3可知，由图3可知，优化后风电利用率大幅提升，尤其是在高峰时段如第8小时和第13小时之后，风电用电量增长显著，充分发挥了清洁能源的优势。对于电力敏感用户(优化1)，风电的利用率提升更为明显，这表明这些用户对于价格波动较为敏感，能够在电价较低时更多地使用风电，从而最大化经济效益。另一方面，对于电力不敏感用户(优化2)，风电的输出也得到了有效提升，但其用电量在高峰期的波动较小，反映出这类用户对电价波动的响应较弱。优化2下，风电用电量虽然相较优化1有所提升，但其平稳性更强，更适合需要稳定电力供应的用户。同时，优化后的风电输出更加均衡，低负载时段的风电用量也得到明显改善，尤其是在优化1的情况下，风电利用率在低负载时段进一步提升。优化2相较于优化1，在低负载时段的风电用量略有增加，表明电力不敏感用户的需求对风电的调度有更高的稳定性要求。这些变化表明，优化策略不仅提高了风电的调度能力，还在不同用户群体的需求下，最大限度地减少了资源浪费，进一步促进了清洁能源的有效利用。

Figure 4. Comparative chart of thermal power consumption

图4. 火电用电量对比图

由图4可知，火电用电量在优化后显著减少，尤其是在高峰时段，负载压力得到了有效缓解，火电的运行负担逐步降低。对于电力敏感用户(优化1)，火电的用电量明显减少，这表明优化1方案通过灵活调整电力消费策略，降低了高峰时段对火电的依赖，进而减轻了火电厂的负担。与此同时，优化2方案下(电力不敏感用户)，火电的负荷分布也得到了有效优化，尽管这类用户对电价波动的反应较为迟钝，但优化后的系统仍能在低负载时段有效分配火电，减少高峰期火电的激增。这表明，虽然电力不敏感用户的用电行为较为稳定，但优化策略依然能够在维持稳定性的同时，减轻火电的负荷波动。火电的负荷分布更加平滑，不再过于依赖某些时段的高负载运行，这不仅有助于降低火电的碳排放和运行成本，也为系统的整体稳定性提供了支持。特别是在优化1和优化2的实施下，火电的需求更加均衡，减少了大规模的燃煤需求，推动了更清洁的能源结构。

4.2.2. 用户选择对碳排放的影响

通过图5对优化前后电力系统碳排放量的对比分析，可以明显看到优化方案有效降低了碳排放量。优化后的火电碳排放量在高负荷时段显著减少，特别是在第14小时，碳排放量从优化前的较高水平下降了约36%。这种下降主要得益于优化调度，尤其是风电比例的增加，减少了火电的使用，特别是在需求较高的时段。对于电力敏感用户(优化1)，优化方案通过提高风电的利用率，进一步降低了高峰时段对火电的依赖，从而使得碳排放量显著降低。电力敏感用户能够灵活调整用电策略，优先使用低碳能源，减少碳排放，特别是在风电资源丰富的时段。对于电力不敏感用户(优化2)，尽管这类用户对电价波动反应较慢，但优化后的系统依然在需求高峰期间有效平衡风电和火电的比例，降低了火电的使用，从而减少了碳排放量。优化后，碳排放强度趋于平稳，整体波动较小，显示出优化方案在平衡负荷与降低碳排放方面的成效。整体而言，优化方案不仅满足了电力需求，还显著降低了火电的碳排放，为实现低碳能源转型提供了有效支持。优化1和优化2方案均通过不同的用户行为调整，有效推动了低碳电力系统的建设。

Figure 5. Comparison of carbon emissions from thermal power before and after optimisation

图5. 优化前后火电碳排放量对比图

4.2.3. 用户选择对供电商收益影响

通过图6对优化前后供电商收益的对比分析可以看出，优化后的火电收益明显增加，这种增加主要得益于优化方案通过调整火电的出力和减少碳排放成本，提高了火电的经济效益。在电力敏感用户(优化1)和电力不敏感用户(优化2)的选择下，火电的收益增加尤为明显，尤其是在需求较高的时段。优化方案通过合理分配火电和风电的出力，使得火电能够在高需求时段提供充足电力，从而显著提高了火电的收益。对于电力敏感用户(优化1)，风电的收益虽然增幅略小于火电，但仍具有显著提升。优化1中的电力敏感用户倾向于在电价较低时段使用更多风电，从而降低了成本并增加了风电收益。风电收益的增加可以归因于政策激励、成本控制和更优的风电调度策略，使风电能够更好地匹配用户需求，进而提高了风电企业的整体收入。对于电力不敏感用户(优化2)，尽管这些用户的用电行为相对固定，优化方案通过优化风电和火电的调度，仍然能够显著提高风电收益。优化后的电力分配策略更加注重全局优化，减少了风电的偏差成本，提升了风电的激励收入。整体来看，优化前后收益的对比表明，优化后的电力分配策略不仅提升了整体收入，而且更加均衡地提高了火电和风电的收益。优化策略通过减少火电的碳排放成本、提升火电的输出，同时降低风电的偏差成本，显著增加了火电和风电的收益。在实施优化方案后，供电商能够更好地平衡风电和火电之间的出力与收益，从而提高整体市场的竞争力。

Figure 6. Comparative chart of earnings before optimisation

图6. 优化前收益对比图

5. 结论

随着全球气候变化问题的加剧，推动能源系统的低碳化、绿色化转型已成为各国的重要目标。我国电力行业在碳排放中占据重要地位，为实现“双碳”目标，已采取碳交易等措施。然而，现有的减排措施主要集中于供给侧，忽视了需求侧的潜力。本文通过引入用户侧优化，并结合区块链技术，提出了一个双层博弈优化模型，旨在推动电力市场中的低碳选择，并提高能源利用效率。

研究结果表明，区块链技术为电力交易和碳排放数据提供了透明性和可追溯性，确保了用户在选择电力来源时能够做出低碳选择。通过优化火电和风电的调度，结合需求响应机制，优化后的电力供给方案不仅提升了供电商的收益，还促进了绿色电力的消费。具体而言，优化后的方案使供电商的总收益提升，火电和风电的收益均有显著增长，同时降低了碳排放成本。在电力敏感用户和电力不敏感用户的选择下，优化方案有助于提高能源利用效率，并且在两类用户群体中实现了收益的均衡提升。

此外，优化方案推动了火电和风电的协调发展，在满足用户需求的同时，最大化了各方的收益，并促进了电力市场的绿色转型。通过需求响应机制，用户的用电行为能够根据电力价格和供应情况进行动态调整，有助于减少高峰时段的用电压力，并进一步推动低碳电力的使用。

综上所述，本文的研究不仅为电力市场的碳排放管理和定价机制提供了理论依据，也为实际的电力市场改革和绿色能源的推广提供了实践指导。通过区块链技术和需求响应机制的结合，可以有效提升电力市场的效率，推动碳减排目标的实现，助力全球能源系统的低碳化转型。

基金项目

上海理工大学大学生创新训练计划项目(XJ2024137)。