基于区块链的光伏配电网去中心化电能交易机制*

图1 基于区块链的配网电力交易架构

光伏用户内部包括光伏发电机组和自身负荷，在运行过程中，光伏用户优先满足自身负荷消纳。即当光伏发电功率小于负荷所需功率，光伏用户作为消费者向上级电网购电；当光伏发电功率大于负荷所需功率，光伏用户作为生产者以内部电价向柔性负荷售电或以上网电价向大电网售电。一般来说光伏内部电价会低于电网分时电价，在价格优势下才会吸引到更多具备需求响应特性的负荷用户，通过调整内部电价引导用户用电行为，促进对光伏电力的实时消纳，也有利于柔性负荷调整用电策略降低用电成本。

光伏用户在制定较低的内部电价时柔性负荷可获得较低的用电成本，但这与光伏用户获得高售电收益的意愿相悖。购售电双方需要通过协商，制定合理的内部电价与交易电能，保障两者利益均衡。本文设定在协议交易过程中，初始场景双方均只与大电网进行集中交易，之后光伏用户发布电价双方进行协商交易电能计划，当光伏用户增加的售电收益与柔性负荷降低的购电成本相等时，双方达成共识进行交易。

3 基于区块链的市场交易机制设计

在基于区块链的配网市场交易机制中，将智能合约看成购售电方达成共识的过程。柔性负荷在购买电能时往往会根据售电方的电价、供电能力、电能质量等因素选择交易对象，并制定相应的用电策略。上级电网可为用户提供更加稳定可靠的电能，而光伏用户在价格方面具有显著优势，能够根据负荷需求实时调整电价。用户对电力市场主体的偏好会直接影响市场能量需求和售电方的经济利益。光伏用户在基于区块链技术的交易平台中应根据市场供需制定合理的电价机制，以吸引负荷参与电能交易，实现自身能量消纳和效益最优。

考虑到光伏用户的身份随出力大小在电源和负荷之间转化，为便于对分布式主体的角色进行判断，将一个电能交易周期划分为T个时段，时段t∈[1,T]。假设供给侧包含N个售电主体，光伏用户n(n∈N)表示售电来源，需求侧包含M个购电负荷，柔性负荷m∈M。x^t_m_,_n表示用户m在时段t向光伏用户n的购电量，P_n^t为光伏用户n在时段t的实际出力。一般而言，当光伏出力小于用户需求时，光伏发电量紧俏，可适当提升内部电价获取收益；当光伏出力大于用户需求，光伏发电充裕，光伏用户应降低电价引导用户需求响应以提升光伏消纳量。构造光伏内部电价函数

(1)$r_{n}^{t}=r_{{{n}_{0}}}^{t}-\alpha (P_{n}^{t}-\sum\limits_{m=1}^{M}{x_{m,n}^{t}})$

式中，$r_{{{n}_{0}}}^{t}$为光伏用户n在时段t的基准电价；α>0为相关系数，用以调节供需不平衡。

由于光伏发电受环境、天气影响较大，其出力有较强的不确定性，容易在交易过程中出现违约失信行为，会影响电力用户的信任进而降低交易积极性。在智能合约中引入节点信誉值指标，光伏用户的信誉值与其出力偏差相关，可反映交易的违约情况。实际交易场景中出力偏差指交易达成的协议发电功率与实际发电功率的差值。若出力偏差为负，则不影响用户供电，信誉值保持稳定，设为1；若出力偏差为正，代表光伏少发电，影响电力用户用电质量的同时带来经济损失，信誉值随偏差增大而降低，光伏用户除了需要支付相应的违约成本外，还会降低用户对其的偏好程度。

光伏用户n在t时段的信誉值为

(2)$v_n^t=\begin{cases}1\quad u_n^t<0\\ 1-\frac{u_n^t}{h_n^t}\quad u_n^t>0\end{cases}$

式中，$u_{n}^{t}$为第t个交易时段光伏用户协议发电量与实际发电量的偏差值；$h_{n}^{t}$为第t个交易时段光伏用户协议发电量。

4 配网市场交易主体数学模型

4.1 光伏用户模型

本文设定光伏用户为消费者时仅与上级电网购电，不存在与其他光伏用户购电行为。光伏用户为生产者时优先向柔性负荷售电赚取更多收益，若不能实现就地或就近完全消纳，则将多余电能卖给大电网。若光伏用户出现违约行为给柔性负荷带来经济损失时，需要承担一定的违约成本，督促光伏用户提升信用等级。

综上光伏用户的总收益为

(3)${{F}_{\text{PV}}}={{C}_{\text{user}}}+{{C}_{\text{grid}}}-{{C}_{\text{buy}}}-{{C}_{\mathrm{V}}}$

(4)${{C}_{\text{user}}}\text{=}\sum\limits_{t=1}^{T}{\sum\limits_{n=1}^{N}{\sum\limits_{m=1}^{M}{r_{n}^{t}x_{m,n}^{t}}}}$

(5)${{C}_{\text{grid}}}\text{=}\sum\limits_{t=1}^{T}{\sum\limits_{n=1}^{N}{cx_{g,n}^{t}}}$

(6)${{C}_{\text{buy}}}\text{=}\sum\limits_{t=1}^{T}{\sum\limits_{n=1}^{N}{{{d}^{t}}x_{p,n}^{t}}}$

(7)${{C}_{\mathrm{V}}}\text{=}\sum\limits_{t=1}^{T}{\sum\limits_{n=1}^{N}{\sum\limits_{m=1}^{M}{pr_{n}^{t}x_{m,n}^{t}}}}$

式中，C_user为向光伏向柔性负荷售电的收入；$x_{m,n}^{t}$为t时段光伏用户n向用户m售出的电能；C_grid为向上级电网售电的收入；$x_{g,n}^{t}$为光伏用户n为生产者时向上级电网的售电量；C_buy为向光伏购电成本；$x_{p,n}^{t}$为光伏用户n为消费者时的电网购电量；C_V 为违约成本； c为光伏上网电价；d^t为大电网分时电价；p为违约惩罚系数。

光伏用户需要维持自身节点的功率平衡，即

(8)$x_{p,n}^{t}+x_{\text{PV,}n}^{t}=x_{g,n}^{t}+x_{m,n}^{t}+x_{\text{load},n}^{t}$

式中，$x_{pv,n}^{t}$为光伏用户n在时段t的发电量；x^t_load,_n为光伏用户n在时段t的负荷功率。

4.2 柔性负荷模型

电力需求响应用户可根据电价信号改变原有用电习惯，通过增减用电量来满足电网运行需求，促进新能源消纳，减缓净负荷波动。柔性负荷通常包括可转移负荷、可中断负荷和可平移负荷，其中可转移负荷在确保调度周期内总负荷不变时，可任意改变负荷使用时段，且无连续性和时序性限制，响应更加灵活。本文选取可转移负荷用户作为购电方交易主体，主动跟随市场需求进行响应，交易对象包括光伏用户和电网。交易过程中电力用户倾向于选择信誉值大的售电体作为交易对象，定义光伏用户n在t时刻的惩罚电价为

(9)$a_{n}^{t}=\frac{r_{n}^{t}}{v_{n}^{t-1}}$

式中，$v_{n}^{t-1}$为t-1时刻的信誉值，即当前时刻的惩罚电价与上一时刻的信誉值相关。

则柔性负荷购电成本为

(10)${{F}_{\text{D}}}={{C}_{\text{PV}}}+{{C}_{\text{D,grid}}}$

(11)${{C}_{\text{PV}}}=\sum\limits_{t=1}^{T}{\sum\limits_{n=1}^{N}{\sum\limits_{m=1}^{M}{a_{n}^{t}x_{m,n}^{t}}}}$

(12)${{C}_{\text{D,grid}}}=\sum\limits_{t=1}^{T}{\sum\limits_{m=1}^{M}{{{d}^{t}}x_{p,m}^{t}}}$

式中，C_PV、C_D,grid分别为可转移负荷向光伏用户、上级电网的购电成本；$x_{p,m}^{t}$为可转移负荷m在t时刻向电网的购电功率。

交易过程可转移负荷应满足交易周期内用电量不变约束和转移电量上下限约束

(13)$\sum\limits_{t=1}^{T}{x_{\text{alt,}m}^{t}=0}$

(14)$x_{\text{alt,}m}^{\min }\le x_{\text{alt,}m}^{t}\le x_{\text{alt,}m}^{\max }$

式中，$x_{\text{alt},m}^{t}$x^t_alt,_m为用户m在时段t调用的电量；$x_{\text{alt,}m}^{\max }$、$x_{\text{alt,}m}^{\min }$分别为用户m在时段t调用电量的上下限值。

4.3 约束分析

(1) 潮流约束

(15)$\left\{ \begin{align} & {{P}_{i}}={{U}_{i}}\sum\limits_{j=1}^{n}{{{U}_{j}}\left( {{G}_{ij}}\cos {{\delta }_{ij}}+{{B}_{ij}}\sin {{\delta }_{ij}} \right)} \\ & {{Q}_{i}}={{U}_{i}}\sum\limits_{j=1}^{n}{{{U}_{j}}\left( {{G}_{ij}}\sin {{\delta }_{ij}}-{{B}_{ij}}\cos {{\delta }_{ij}} \right)} \\\end{align} \right.$

式中，n为网络支路数；P_i、Q_i分别为各节点注入的有功功率和无功功率。

(2) 安全约束。考虑到配电网的辐射状结构，线路阻塞不再是系统运行的首要约束，节点电压越限成为配网安全校核的主要对象。

(16)${{U}_{i,\min }}\le {{U}_{i}}\le {{U}_{i,\max }}$

式中，${{U}_{i,\max }}$和${{U}_{i,\min }}$分别为节点i电压上、下限值。

4.4 协商求解模型

市场交易中双方进行交易的前提是获得的经济效益不低于独立与上级电网交易时的收益。当光伏用户增加的售电收益与柔性负荷降低的用电成本相等时，双方达成共识进行交易，即

(17)${{F}_{\text{PV}}}-F_{\text{PV}}^{0}={{F}_{\text{D}}}-F_{\text{D}}^{0}$

式中，$F_{\text{PV}}^{0}$、$F_{\text{D}}^{0}$分别为光伏用户和柔性负荷独立运行时的售电收益和购电成本。

光伏用户和柔性负荷根据自身电力供给和负荷需求对电力交易信息不断进行协商和修改，光伏用户及柔性负荷接入点设置为具有动态特性的PQ节点，其有功功率随电价信号动态变化，其中交易电价依据式(1)迭代更新，柔性负荷根据接受到的电价信号做出响应并反馈给光伏用户，往复此过程直至达成交易协议。求解柔性负荷用电计划属于电能优化问题，采用改进权重与免疫算法结合的粒子群算法^[17]完成最优用电策略的搜索。本文侧重于智能合约技术下配网电能交易的逻辑实现，设计基于智能合约的配网电力市场交易流程如图2所示。

图2

图2 基于智能合约的电力市场交易流程

具体流程如下所示。

(1) 电力用户通过区块链平台注册账户，柔性负荷上传各时段的负荷信息及灵活出力范围，光伏用户发布可交易电能，并对全网进行广播。

(2) 智能合约接收外部信息后，可自行判断和更新合约中的信息。首先由购售电独立运行方式求得初始场景经济成本，然后通过不断协商制定合理的需求响应策略，确定购售电双方均满意的交易电价和电能，交易双方达成共识后将交易信息上传至区块链系统进行封装。

(3) 执行交易阶段购售电双方应严格按照协议内容执行电价和交易电能，当出现违约行为时，需要及时更新信誉值并扣除一定的违约费用，本次执行过程结束。

5 仿真及结果分析

智能合约大多采用以太坊、超级账本等平台实现部署与应用，可将其作为一种嵌入式的程序模块，安装到区块链上即可实现调用^[18⇓-20]。本文侧重于智能合约框架下的配网市场交易模型，因此采用Matlab验证该模型在智能合约实现下的可行性。

图3为IEEE-33节点测试系统，节点16、节点20、节点25、节点33接入不同容量的的分布式光伏，依次命名为光伏用户1~4，光伏出力时段为6:00—18:00，共13 h。节点17、节点18、节点22、节点23、节点32作为柔性负荷参与市场交易，依次命名为柔性负荷1~5，本文设定可转移负荷调度容量占最大容量的20%。其余电力用户作为普通节点向大电网购电，不参与分布式电能市场交易。电网电价为分时电价，如表2所示；光伏上网电价为0.35 元/(kW·h)。

图3

图3 IEEE-33节点测试系统

表2 电网分时电价

时段	时段类型	电价/[元/(kW·h)]
11:00—14:00，18:00—21:00	峰时	0.99
7:00—10:00，15:00—17:00	平时	0.74
22:00—6:00	谷时	0.49

新窗口打开| 下载CSV

本文重点对光伏出力时段内(6:00—18:00)光伏用户和柔性负荷的交易行为进行研究分析。

市场主体交易过程中各时段电价如图4所示，可以看出光伏用户内部电价均处于电网分时电价和上网电价包络线内，且其变化趋势基本与电网分时电价一致，即午高峰时段电价始终高于平时段，可保障购售电双方一定的利润收益。其中负荷高峰期光伏用户3电价维持在较高水平，分析由于此节点附近的负荷需求量很大，光伏用户在电量供不应求阶段可提高电价获取高收益。对于其他光伏用户，光伏在中午高峰时段保持大规模出力，而负荷需求逐渐下降，导致光伏出力过剩。因此，光伏用户通过降低电价来吸引用户积极参与交易。

图4

图4 光伏内部交易电价曲线对比

选取柔性负荷用户4、5分析其购电情况，如图5、6所示。可以看出在负荷平时段用户保持着较高水平的购电量，而处于负荷高峰期时购电量逐步下降，说明光伏电价激励政策改变了柔性负荷的用电习惯。除此之外，负荷用户4在交易周期内均需要向上级电网购电，说明同一线路光伏3发电量紧俏，可提升电价增加收益，与上文分析一致。

图5

图5 柔性负荷用户4购电情况

图6

图6 柔性负荷用户5购电情况

上述分析说明在区块链交易平台进行交易能够及时更新市场信息，光伏用户可更准确地根据用户用电行为调整交易电价，增加用户对其的偏好程度，提高售电收益；购电用户也可根据实时电价提高用电决策的精准性和用电福利。

在市场交易中，出力预测偏差会给购售电方双方带来经济损失，并影响电力用户的用电偏好，以光伏用户3为例进行分析，其交易对象主要为同一线路的柔性负荷4。

图7为光伏用户3在交易过程中的信誉值分布，结合图5可以得出，光伏用户在交易过程中除6:00、18:00两个时刻光伏出力较小，充当消费者角色外，其余时刻均有出力盈余可售出电能。由图7可知光伏用户3共出现4次违约交易，共支付违约费用56.91元，其中除11:00外违约程度均较小，此时光伏的惩罚电价仍小于电网分时电价，用户仍有较大倾向选择光伏购电。而11:00光伏出力与协议电量出现较大偏差达到22%，因此电力用户在下一时刻12:00不再选择光伏用户购电，分析可能是由于此时光伏售电已无价格优势，电力用户选择供电更为稳定的电网购电。光伏用户应提升光伏出力预测精度或在协议过程中预留一部分误差电量，避免出现重大违约行为影响电能就地消纳。由此说明在区块链中录入信誉值记录用户诚信度，对用户行为有较好的约束作用。

图7

图7 光伏用户3交易信誉值

集中交易和分布式交易两种场景下得到的光伏用户售电收益和电力用户购电成本如图8所示。结合表3，在分布式交易场景下，售电方光伏用户收益更高，购电方柔性负荷用电成本更低，双方收入增加1 862.3元。由于去中心化的交易方式省去了第三方的管理成本，因此大部分利益仅在交易主体间流动，电力用户整体经济效益均有所提升。

图8

图8 两种交易场景下购/售电方经济效益

表3 两种交易情况下购/售电方经济效益对比

光伏用户	分布式交易/元	集中交易/元	柔性负荷	分布式交易/元	集中交易/元
1	1 244.68	681.67	1	1 662.65	1 916.39
2	624.39	414.30	2	2 638.66	2 816.95
3	1 700.87	985.46	3	1 724.54	2 015.97
4	1 106.62	732.82	4	7 446.35	8 029.12
—	—	—	5	3 020.07	3 576.15
总收益/元	4 676.56	2 814.25	总成本/元	16 492.27	18 354.58

新窗口打开| 下载CSV

分布式交易模型的应用对配电网内整体用电情况也产生了影响，结合图9对比两种交易场景下配电网净负荷波动。光伏白天发电集中出力特性使系统内部平谷时段发生变化，原有的分时电价策略不能很好地引导用户用电。在分布式交易场景下，光伏根据供需自适应调整内部电价，激励柔性负荷将

图9

图9 两种交易场景配电网净负荷波动曲线

用电时段集中在白天光伏高发期，促进了光伏就地消纳，与此同时降低了电网净负荷的波动，晚高峰时段削峰效果显著，有利于电网更加灵活安全的运行。

6 结论

在分布式光伏大规模并网及需求响应业务实施的背景下，配电网需要新的交易机制促进市场主体间的交互。基于区块链技术，构建了一种去中心化的电力市场交易模型，市场主体在不依赖第三方机构的环境下直接交易，可降低交易成本，促进电能供需平衡，主要得出以下结论。

(1) 建立售电方光伏用户电力交易定价策略调整电力交易平衡，有助于柔性负荷对光伏电力的实时消纳，实现了“光伏用户-柔性负荷”两方去中心化交易。

(2) 在交易过程中引入光伏用户信誉值模型，将区块链技术的影响量化在信誉值函数中。对信誉值低的用户进行惩罚，当信誉值降至0.78时，其惩罚电价将高于电网分时电价，下一时段柔性负荷将不再偏向选择光伏用户购电；在信誉值机制下，柔性负荷可以选择更可靠的电源购电，守信的光伏用户也可获得更多利润。

(3) 考虑光伏用户收益和柔性负荷购电成本构建灵活的电能内部交易机制，可获得购售电双方均满意的交易电价和用电策略，在去中心化交易协议中实现交易主体利润最大化，本算例中购售电双方收入增加1 862.3元；同时减缓了配电网内净负荷波动程度，配电网运行将更加安全灵活。

本文所提交易机制并未考虑交易过程中柔性负荷失信行为对交易的影响，后续工作将对负荷侧响应不确定性做深入探讨，同时进一步研究区块链以太坊环境下配电网去中心化交易模型的实际应用。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

HAMOUDA

M R

, NASSAR

M E

, SALAMA

M M A

A novel energy trading framework using adapted blockchain technology

[J]. IEEE Transactions on Smart Grid, 2021, 12(3):2165-2175.

DOI:10.1109/TSG.2020.3045662 URL [本文引用: 1]

[2]

LUO

Fengji

, DONG

Zhaoyang

, LIANG

Gaoqi

et al.

A distributed electricity trading system in active distribution networks based on multi-agent coalition and blockchain

[J]. IEEE Transactions on Power Systems, 2019, 34(5):4097-4108.

DOI:10.1109/TPWRS.59 URL [本文引用: 1]

[3]

WANG

Jian

, WANG

Qianggang

, ZHOU

Niancheng

et al.

A novel electricity transaction mode of microgrids based on blockchain and continuous double auction

[J]. Multidisciplinary Digital Publishing Institute, 2017, 10(12):19712.

DOI:10.12204/j.issn.1000-7229.2020.11.002 [本文引用: 1]

[4]

付晓琳, 王鸿, 王致杰.

基于区块链含电动汽车的微电网组合出力优化策略

[J]. 电力建设, 2020, 41(11):16-26.

文章针对电动汽车充放电交易中车主与服务商之间缺乏信任,大量电动汽车无序充放电造成电网峰上加峰的问题,提出基于电动汽车联盟链的互信交易架构和调度策略。首先,引入区块链中白盒密码、智能合约、阻塞管理对电动汽车链上交易机制执行过程进行分析;然后,搭建了电动汽车双层优化调度模型,外层针对鼓励低电价充电时产生的新充电高峰问题,建立基于区块链的电动汽车出行诚信度模型,综合考虑负荷方差和用户诚信度,优化分时电价定价策略,并将优化后的电价曲线输出到内层模型;内层针对偏差电量消除成本较高的问题,利用电动汽车的移动储能特性,实现供求自平衡。最终采用含激励机制的差分进化演化博弈组合算法进行求解,通过算例仿真验证了所提策略的有效性。

Xiaolin

, WANG

Hong

, WANG

Zhijie

Combined output optimization based on blockchain for micro-grid with electric vehicles

[J]. Electric Power Construction, 2020, 41(11):16-26.

DOI:10.12204/j.issn.1000-7229.2020.11.002 [本文引用: 1]

Blockchain technology has the characteristics of decentralization, non-tampering, multi-party data sharing and common maintenance, which enables two parties that do not understand and trust each other to achieve credible and equivalent power transactions. In view of the lack of trust between vehicle owners and service providers in the charge and discharge of electric vehicles, the disorder charge and discharge of a large number of electric vehicles will cause peaks on the grids’ peak load. A mutual trust transaction architecture and scheduling strategy based on the electric vehicle alliance chain is proposed. Firstly, the white box password, smart contract, and congestion management in the blockchain are introduced to analyze the execution process of the transaction mechanism on the electric vehicle chain; Secondly, a double-layer optimal scheduling model for electric vehicles is built. The outer layer aims at encouraging the new charging peak problem aroused by encouraging to charge at low electricity prices, comprehensively considering the load variance and user creditability, optimizing the time-of-use electricity pricing strategy, and optimizing the electricity price curve export to the inner model. The inner layer aims to eliminate the problem of higher cost for the deviation of electricity, and uses the mobile energy storage characteristics of electric vehicles to achieve self-balance of power supply and demand. Finally, the differential evolutionary game combination algorithm with incentive mechanism is used to solve the problem, and the effectiveness of the proposed strategy is verified by simulation.

[5]

LIU

, ALAHMADI

, NI

et al.

Anonymous reputation system for IIoT-enabled retail marketing atop PoS blockchain

[J]. IEEE Transactions on Industrial Informatics, 2019, 15(6):3527-3537.

DOI:10.1109/TII.9424 URL [本文引用: 1]

[6]

DEVINE

M T

, CUFFE

Blockchain electricity trading under demurrage

[J]. IEEE Transactions on Smart Grid, 2019, 10(2):2323-2325.

DOI:10.1109/TSG.5165411 URL [本文引用: 1]

[7]

杨晓东, 张有兵, 卢俊杰,

等.

基于区块链技术的能源局域网储能系统自动需求响应

[J]. 中国电机工程学报, 2017, 37(13):3703-3716.

YANG

Xiaodong

, ZHANG

Youbing

, LU

Junjie

et al.

Blockchain-based automated demand response method for energy storage system in an energy local network

[J]. Proceedings of the CSEE, 2017, 37(13):3703-3716.

[8]

宋永华, 林今, 胡泽春,

等.

能源局域网:物理架构、运行模式与市场机制

[J]. 中国电机工程学报, 2016, 36(21):5776-5787.

SONG

Yonghua

, LIN

Jin

, HU

Zechun

et al.

Energy distribution network:Infrastructure,operation mode and market mechanism

[J]. Proceedings of the CSEE, 2016, 36(21):5776-5787.

[9]

杨选忠, 张浙波, 赵申轶,

等.

基于区块链的含安全约束分布式电力交易方法

[J]. 中国电力, 2019, 52(10):31-39.

YANG

Xuanzhong

, ZHANG

Zhebo

, ZHAO

Shenyi

et al.

Blockchain-based transactive method in distributed power considering security constraints

[J]. Electric Power, 2019, 52(10):31-39.

[10]

朱文广, 熊宁, 钟士元,

等.

基于区块链的配电网电力交易方法

[J]. 电力系统保护与控制, 2018, 46(24):165-172.

ZHU

Wenguang

, XIONG

Ning

, ZHONG

Shiyuan

et al.

Power trading method for distribution network based on blockchain

[J]. Power System Protection and Control 2018, 46(24):165-172.

[11]

祁兵, 夏琰, 李彬,

等.

基于区块链激励机制的光伏交易机制设计

[J]. 电力系统自动化, 2019, 43(9):132-139.

Bing

, XIA

Yan

, LI

Bin

et al.

Photovoltaic trading mechanism design based on blockchain-based incentive mechanism

[J]. Automation of Electric Power Systems, 2019, 43(9):132-139.

[12]

PECK

M E

, WAGMAN

Energy trading for fun and profit buy your neighbor’s rooftop solar power or sell your own— It’ll all be on a blockchain

[J]. IEEE Spectrum, 2017, 54(10):56-61.

[13]

谢敬东, 周雪梅, 王诗瑶,

等.

基于区块链技术的分布式电力市场交易平台研究

[J/OL]. 电测与仪表, 2021:1-8. [2022-05-06]. http://kns.cnki.net/kcms/detail/23.1202.TH.20210430.1732.012.html.

URL [本文引用: 1]

XIE

Jingdong

, ZHOU

Xuemei

, WANG

Shiyao

et al.

Research on distributed power market trading platform based on blockchain technology

[J/OL]. Electrical Measurement & Instrumentation, 2021:1-8. [2022-05-06]. http://kns.cnki.net/kcms/detail/23.1202.TH.20210430.1732.012.html.

URL [本文引用: 1]

[14]

JINDAL

, AUJLA

G S

, KUMAR

et al.

GUARDIAN:Blockchain-based secure demand response management in smart grid system

[J]. IEEE Transactions on Services Computing, 2020, 13(4):613-624.

DOI:10.1109/TSC.4629386 URL [本文引用: 2]

[15]

YANG

, WANG

, HE

et al.

Automated demand response framework in ELNs:Decentralized scheduling and smart contract

[J]. IEEE Transactions on Systems,Man,and Cybernetics:Systems, 2020, 50(1):58-72.

DOI:10.1109/TSMC.2019.2903485 URL [本文引用: 2]

[16]

DESHPANDE

, GEORGE

, BADIS

et al.

Blockchain based decentralized framework for energy demand response marketplace

[C]// NOMS 2020-2020 IEEE/IFIP Network Operations and Management Symposium, 2020:1-9.

[17]

LIU

, WANG

, MEN

et al.

Microgrid trading game model based on blockchain technology and optimized particle swarm algorithm

[J]. IEEE Access, 2020, 8:225602-225612.

DOI:10.1109/Access.6287639 URL [本文引用: 2]

[18]

颜湘武, 李若瑾.

考虑高耗能点负荷的输电网励磁系统调差系数优化整定

[J]. 电测与仪表, 2021, 58(2):96-100.

YAN

Xiangwu

, LI

Ruojin

Optimization of the adjustment coefficient of excitation system for transmission network considering high energy consumption point load

[J]. Electrical Measurement & Instrumentation, 2021, 58(2):96-100.