在用电需求高速增长的当下,建设以新能源为主体的新型电力系统已成为当前我国电力能源行业发展的首要任务。伴随着大量间歇性、波动性分布式能源的接入,高峰时段下电力供需平衡的问题将为电力系统的安全稳定运行带来更大的挑战。在竞争性电力市场中,需求响应（Demand Response,DR）技术以经济性手段对需求端用电曲线进行调控,通过用户侧资源的自主转移缓解高峰时段供电紧张的问题。相较于传统备用机组,用户侧需求响应资源可以更加灵活、经济地实现区域内电网实时平衡调节需求。因此,充分挖掘用户侧可调潜力与资源灵活优势可有效缓解高比例新能源接入所带来的源荷失配问题。随着电力市场的快速发展,以用户侧代理商、虚拟电厂为代表的第三方新型实体逐步进入交易市场,此类机构一方面需要向下对中小型负荷提供资源聚合、售电管理服务,另一方面需要向上作为市场交易主体参与DR交易竞争,合理有效的竞价策略模型对代理商而言十分重要。此外,多样化负荷行为及市场环境下的不确定性响应特征关联对于DR行为的建模带来巨大挑战,需要涉及到用户用电行为的不确定性预测、DR资源响应激励灵敏度差异化分析、响应缺额或超额情况下的后备方案设计等方面。因此,从用户侧代理商的经济效益出发,构建以收益最大化为目标的DR竞价模型、开展双侧竞价决策优化具有现实意义。本文将目标函数设置为最大化用户侧代理商DR收益期望值,设计计及需求响应不确定性的用户侧代理商竞价模型,并利用深度强化学习优化竞价策略。基于对用户响应行为的考虑,本文首先对DR行为进行建模,以用户群体响应能力的概率预测模型作为基础,构建了计及申报响应量估算模型、激励补贴估算模型、负荷转移收益模型、在险价值系数可信度评价模型的初步竞价模型。同时,为充分考虑市场中不完全竞争条件的影响,本文以系统运营商对需求响应竞价策略的评价模型为衡量指标,针对不同竞争风格的用户侧代理商分别改进了竞价模型,以提升DR业务的中标概率,并且引入后备优化方案以应对响应过程中出现响应量缺额或超额的情况。此外,为了克服传统优化算法在解决多维连续变量规划问题时效率较低、对数据样本数量要求高等的局限性,本文选用深度强化学习对所提竞价模型进行优化,并在算例分析中验证了该算法在解决此类问题中的有效性与优越性。