留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

电力市场环境下考虑可再生能源保障性消纳的电价风险评估

何洁 金骆松 赵雯 黄恒孜 李思颖 桑茂盛 丁一

何洁, 金骆松, 赵雯, 等. 电力市场环境下考虑可再生能源保障性消纳的电价风险评估[J]. 现代电力. doi: 10.19725/j.cnki.1007-2322.2021.0111
引用本文: 何洁, 金骆松, 赵雯, 等. 电力市场环境下考虑可再生能源保障性消纳的电价风险评估[J]. 现代电力. doi: 10.19725/j.cnki.1007-2322.2021.0111
HE Jie, JIN Luosong, ZHAO Wen, etc. Electricity Price Risk Assessment Considering Guaranteed Accommodation of Renewable Energy in Electricity Market[J]. Modern Electric Power. doi: 10.19725/j.cnki.1007-2322.2021.0111
Citation: HE Jie, JIN Luosong, ZHAO Wen, etc. Electricity Price Risk Assessment Considering Guaranteed Accommodation of Renewable Energy in Electricity Market[J]. Modern Electric Power. doi: 10.19725/j.cnki.1007-2322.2021.0111

电力市场环境下考虑可再生能源保障性消纳的电价风险评估

doi: 10.19725/j.cnki.1007-2322.2021.0111
详细信息
    作者简介:

    何洁(1984),女,高级工程师,研究方向为电力市场与电网运行,E-mail:86895687@qq.com

    金骆松(1976),男,高级工程师,研究方向为电力经济、电力供需,E-mail:jincyy@139.com

    赵雯(1989),女,中级工程师,研究方向为电力市场,E-mail:184164042@qq.com

    黄恒孜(1990),女,中级工程师,研究方向为电力经济,E-mail:404096913@qq.com

    李思颖(1998),女,硕士研究生,研究方向为电力市场,E-mail:siying.li@zju.edu.cn

    桑茂盛(1995),男,博士研究生,研究方向为电力市场、综合能源系统优化,E-mail:11810023@zju.edu.cn

    丁一(1978),男,教授,博士生导师,研究方向为电力市场、电力系统可靠性,E-mail:yiding@zju.edu.cn

  • 中图分类号: TM73

Electricity Price Risk Assessment Considering Guaranteed Accommodation of Renewable Energy in Electricity Market

  • 摘要: 由于以风电、光伏为主的可再生能源出力的不确定性,高比例可再生能源的接入会给电力市场出清电价带来风险。基于此,将风电、光伏可再生能源保障性消纳纳入电力市场出清模型,提出考虑可再生能源不确定性的电价风险评估方法。首先,利用多场景技术刻画可再生能源出力的不确定性,生成具有代表性的有限场景集合。其次,建立可再生能源参与的电力市场出清模型并提出节点电价计算方法。然后,提出电价风险评估指标体系,从系统层面和节点层面评估可再生能源出力不确定性引发的电价风险。最后,通过改进的IEEE30节点算例系统验证所提方法的有效性。分析结果表明,所提方法能够有效评估可再生能源不确定性带来的系统电价风险以及节点电价风险,对可再生能源参与电力市场的相关研究具有一定的参考价值。
  • 图  1  各场景风电和光伏出力比较

    Figure  1.  Comparison of the output of wind power and PV generation in different scenarios

    图  2  不同可再生能源渗透率下期望系统电价

    Figure  2.  Expected system price under different renewable energy penetration

    图  3  不同可再生能源渗透率下期望节点电价

    Figure  3.  Expected nodal price under different renewable energy penetration

    图  5  不同可再生能源渗透率下节点尖峰电价概率

    Figure  5.  Probability of system peak price under different renewable energy penetration

    图  4  不同可再生能源渗透率下节点电价标准差

    Figure  4.  Standard deviation of nodal price under different renewable energy penetration

    图  6  不同预测误差下期望系统电价

    Figure  6.  Expected system price under different forecasting deviations

    图  7  不同预测误差下期望节点电价

    Figure  7.  Expected nodal price under different forecasting deviations

    图  8  不同预测误差下系统电价标准差

    Figure  8.  System price standard deviation under different forecasting deviations

    图  10  不同预测误差下节点尖峰电价概率

    Figure  10.  Probability of system peak price under different forecasting deviations

    图  9  不同预测误差下节点电价标准差

    Figure  9.  Nodal price standard deviation under different forecasting deviations

    表  1  不同可再生能源渗透率下部分时段系统电价标准差

    Table  1.   Standard deviation of system price under different renewable energy penetration in partial time intervals

    时段/h电价标准差
    环境1环境2环境3环境4环境5
    100.000.000.000.000.95
    110.000.000.000.430.89
    120.950.000.955.290.00
    130.000.000.007.170.00
    140.000.000.007.170.00
    150.880.000.887.1727.54
    160.007.890.007.1727.54
    172.860.000.007.170.95
    183.560.000.000.580.88
    193.970.009.720.309.77
    203.971.413.970.509.72
    下载: 导出CSV

    表  2  不同可再生能源渗透率下系统尖峰电价概率

    Table  2.   Probability of system peak price under different renewable energy penetration

    环境系统尖峰电价概率$\zeta_{p}$/%
    121.64
    239.63
    38.48
    44.05
    53.30
    下载: 导出CSV

    表  3  系统尖峰电价概率

    Table  3.   Probability of system peak price

    预测误差增量/%系统尖峰电价概率$\zeta_{p}$/%
    08.48
    59.60
    1010.29
    下载: 导出CSV
  • [1] 陈国平, 董昱, 梁志峰. 能源转型中的中国特色新能源高质量发展分析与思考[J]. 中国电机工程学报, 2020, 40(17): 5493−5506.

    CHEN Guoping, DONG Yu, LIANG Zhifeng. Analysis and reflection on high-quality development of new energy with Chinese characteristics in energy transition[J]. Proceeding of the CSEE, 2020, 40(17): 5493−5506(in Chinese).
    [2] 陈国平, 梁志峰, 董昱. 基于能源转型的中国特色电力市场建设的分析与思考[J]. 中国电机工程学报, 2020, 40(2): 369−379.

    CHEN Guoping, LIANG Zhifeng, DONG Yu. Analysis and reflection on the marketization construction of electric power with Chinese characteristics based on energy transformation[J]. Proceeding of the CSEE, 2020, 40(2): 369−379(in Chinese).
    [3] 中华人民共和国中央人民政府. 习近平在第七十五届联合国大会一般性辩论上发表重要讲话[EB/OL](2020-09-22)[2021-01-22]. http://www.gov.cn/xinwen/2020-09/22/content_5546168.htm.
    [4] 水电水利规划设计总院, 中国可再生能源发展报告2019[R]. 2020.
    [5] 国家发改委能源研究所, 中国2050高比例可再生能源发展情景暨路径研究[R]. 2015.
    [6] 国家发展和改革委员会, 中共中央, 国务院关于进一步深化电力体制改革的若干意见(中发[2015]9号)[EB/OL]. [2016-12-14]. http//tgs.ndrc.gov.cn/zywj/201601/t20160129_773852.html.
    [7] 国家发展改革委, 国家能源局, 关于开展电力现货市场建设试点工作的通知[EB/OL]. [2018-01-16]. http://www.ndrc.gov.cn/gzdt/201709/t20170905_860117.html.
    [8] 宋永华, 包铭磊, 丁一, 等. 新电改下我国电力现货市场建设关键要点综述及相关建议[J]. 中国电机工程学报, 2020, 40(10): 3172−3187.

    SONG Yonghua, BAO Minglei, DING Yi, et al. Review of Chinese electricity spot market key issues and its suggestions under the new round of Chinese power system reform[J]. Proceedings of the CSEE, 2020, 40(10): 3172−3187(in Chinese).
    [9] 陈启鑫, 刘学, 房曦晨, 等. 考虑可再生能源保障性消纳的电力市场出清机制[J/OL]. 电力系统自动化, http://doi.org/10.7500/AEPS20200702006.

    CHEN Qixin, LIU Xue, FANG Xichen, et al. Electricity market clearing mechanism considering guaranteed accommodation of renewable energy[J/OL]. Automation of Electric Power Systems, http://doi.org/10.7500/AEPS20200702006(in Chinese).
    [10] YANG Zhifang, BOSE A, ZHONG Haiwang, et al. LMP revisited: a linear model for the loss-embedded LMP[J]. IEEE Transactions on Power Systems, 2017, 32(5): 4080−4090.
    [11] 广东电力交易中心. 广东电力市场2019年半年报告[EB/OL]. [2019-8-22]. http://www.360doc.com/content/19/0822/17/34546942856469323.shtml.
    [12] CAISO. Annual report on market issues and performance, department of market monitoring-California ISO, 2018[ EB/OL]. [2019-5-16]. http://www.caiso.com.
    [13] 路嘉琦, 李强, 宋少群, 等. 基于概率边际电价的价格风险管理机制设计[J]. 电网技术, 2020, 44(12): 4565−4574.

    LU Jiaqi, LI Qiang, SONG Shaoqun, et al. Price risk management mechanism based on probabilistic LMP[J]. Power System Technology, 2020, 44(12): 4565−4574(in Chinese).
    [14] WANG Peng, GOEL L, DING Yi. The impact of random failures on nodal price and nodal reliability in restructured power systems[J]. Electric Power Systems Research, 2004, 71(2): 129−134.
    [15] ZHAO Qian, WANG Peng, GOEL L, et al. Impacts of contingency reserve on nodal price and nodal reliability risk in deregulated power systems[J]. IEEE Transactions on Power Systems, 2013, 28(3): 2497−2506.
    [16] ZHAO Qian, WANG Peng, DING Yi, et al. Impacts of solar power penetration on nodal prices and nodal reliability[C]//2010 Conference Proceedings IPEC, Singapore, 2010: 1134−1139.
    [17] ZHAO Qian, WANG Peng, GOEL L, et al. Impacts of renewable energy penetration on nodal price and nodal reliability in deregulated power system[C]//2011 IEEE Power and Energy Society General Meeting, Detroit, MI, USA, 2011: 1−6.
    [18] SHANG Nan, YE Chengjin, DING Yi, et al. Risk-based optimal power portfolio methodology for generation companies considering cross-region generation right trade[J]. Applied energy, 2019, 254: 1−17.
    [19] 王静, 徐箭, 廖思阳, 等. 计及新能源出力不确定性的电气综合能源系统协同优化[J]. 电力系统自动化, 2019, 43(15): 2−9.

    WANG Jing, XU Jian, LIAO Siyang, et al. Coordinated optimization of integrated electricity-gas energy system considering uncertainty of renewable energy output[J]. Automation of Electric Power Systems, 2019, 43(15): 2−9(in Chinese).
    [20] PINSON P, GIRARD R. Evaluating the quality of scenarios of short-term wind power generation[J]. Applied Energy, 2012, 6(8): 12−20.
    [21] VAPNIK V N. The nature of statistical learning theory[M]. Berlin, Germany: Springer-Verlag, 1995.
    [22] HEITSCH Holger, ROMISCH Werner. Scenario reduction algorithms in stochastic programming[J]. Computational Optimization and Applications, 2003, 24(2-3): 187−206.
    [23] DUPACOVA Jitka, GROWE-KUSKA Nicole, ROMISCH Werner. Scenario reduction in stochastic programming[J]. Mathematical Programming, 2003, 95(3): 493−511.
    [24] 王志成, 王秀丽, 王帅. 考虑实时市场平衡费用的含风电日前市场电能–备用联合出清模型[J]. 中国电力, 2020, 53(9): 19−27.

    WANG Zhicheng, WANG Xiuli. WANG Shuai. Day-ahead market energy-reserve joint clearing model considering real-time market balancing cost under participation of wind power generation[J]. Electric Power, 2020, 53(9): 19−27(in Chinese).
    [25] LI Wenyuan. Risk assessment of power systems: models, methods, and applications[M]. 2nd ed. Piscataway, USA: Wiley-IEEE Press, 2014: 1−84.
    [26] 余娟, 马梦楠, 郭林, 等. 含电转气的电–气互联系统可靠性评估[J]. 中国电机工程学报, 2018, 38(3): 708−715.

    YU Juan, MA Mengnan, GUO Lin, et al. Reliability evaluation of integrated electrical and natural-gas system with power-to-gas[J]. Proceedings of the CSEE, 2018, 38(3): 708−715(in Chinese).
    [27] 江岳文, 陈梅森. 基于鲁棒后悔度的日前市场购电联合优化[J]. 电工技术学报, 2019, 34(9): 1971−1983.

    JIANG Yuewen, CHEN Meisen. Joint optimization of electricity purchase in the day-ahead market based on robust regret[J]. Transactions of China Electrotechnical Society, 2019, 34(9): 1971−1983(in Chinese).
    [28] 桑茂盛, 包铭磊, 丁一, 等. 考虑天然气网影响的电网脆弱线路辨识[J]. 电力系统自动化, 2019, 43(21): 34−43.

    SANG Maosheng, BAO Minglei, DING Yi, et al. Identification of vulnerable lines in power grid considering impact of natural gas network[J]. Automation of Electric Power Systems, 2019, 43(21): 34−43(in Chinese).
  • [1] 黄欣, 蒋凯, 郇嘉嘉, 赵敏彤, 刘念.  可再生能源消纳责任权重制下计及源荷储互动的电力市场均衡研究 . 现代电力, doi: 10.19725/j.cnki.1007-2322.2021.0095
    [2] 郑云飞, 熊志, 王博, 潘兴亚, 潘笑.  考虑最优消纳区间的区域能源聚合商博弈策略 . 现代电力, doi: 10.19725/j.cnki.1007-2322.2021.0062
    [3] 杨雍琦, 薛万磊, 赵昕, 祁泽, 赵会茹.  基于贝叶斯最优最劣法和云模型的售电公司信用风险评价模型研究 . 现代电力, doi: 10.19725/j.cnki.1007-2322.2021.0148
    [4] 任曦骏, 朱刘柱, 谢道清, 叶斌, 许中平, 张沛, 朱驻军.  可再生能源参与电力现货市场关键问题的研究 . 现代电力, doi: 10.19725/j.cnki.1007-2322.2020.0388
    [5] 谢敬东, 陆文奇, 吕志伟.  电力市场环境下的微电网双层经济运营优化模型 . 现代电力, doi: 10.19725/j.cnki.1007-2322.2020.0102
    [6] 丁筱, 郭创新.  考虑市场环境的多微网分散协同调度方法 . 现代电力, doi: 10.19725/j.cnki.1007-2322.2019.0284
    [7] 王昊昊, 周天, 赵宇, 汪马翔, 张昊天, 李吉晨.  大规模可再生能源电网多源实时互补有功控制的评述 . 现代电力,
    [8] 王辉, 廖昆, 陈波波, 金彬斌.  低碳形势下基于区块链技术的含微电网电力市场交易出清模型 . 现代电力,
    [9] 殷红旭, 刘春秀, 赵金勇, 耿洪彬, 李仟成.  基于自适应模型预测控制的区域能源互联网两阶段协同调度 . 现代电力,
    [10] 白佩琳, 雷霞, 何建平.  多微电网系统的竞价机制设计 . 现代电力,
    [11] 买坤, 边晓燕, 张小平, 李东东.  基于信息物理融合系统的能源路由器 . 现代电力,
    [12] 孟 明, 陈世超, 赵树军, 李振伟, 卢玉舟.  新能源微电网研究综述 . 现代电力,
    [13] 任 艺, 李庚银, 周 明.  售电公司购售电决策及风险管理评述 . 现代电力,
    [14] 蒋泽辉, 赵 涛, 王 娟, 王 悦.  全国性碳交易市场对电力行业的潜在影响——基于多Agent模型 . 现代电力,
    [15] 梁彦杰, 王皓怀, 王 坚, 张德亮, 郭少青, 薛艳军.  电力市场改革下南方电网调度运行面临的技术挑战与发展方向 . 现代电力,
    [16] 赵 菁, 刘 敏, 王宏亮, 林 成, 欧阳可凤, 康 鹏, 王玉萍, 张 勇.  考虑双边效益的可中断电价建模和应用研究 . 现代电力,
    [17] 陈坤, 谭忠富, 戈通, 黄锦鸿, 陈守军.  电网企业多区域多时段多品种购电组合优化模型研究 . 现代电力,
    [18] 艾欣, 董春发.  储能技术在新能源电力系统中的研究综述 . 现代电力,
    [19] 匡卫洪, 陈皓勇, 荆朝霞, 田丽莎, 谭 科, 屈少青.  电力市场综合模拟系统——实现、分析与评价 . 现代电力,
    [20] 黄海伦, 严 正.  电力市场环境下电力交易风险管理研究综述 . 现代电力,
  • 加载中
计量
  • 文章访问数:  200
  • HTML全文浏览量:  119
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-05-07

电力市场环境下考虑可再生能源保障性消纳的电价风险评估

doi: 10.19725/j.cnki.1007-2322.2021.0111
    作者简介:

    何洁(1984),女,高级工程师,研究方向为电力市场与电网运行,E-mail:86895687@qq.com

    金骆松(1976),男,高级工程师,研究方向为电力经济、电力供需,E-mail:jincyy@139.com

    赵雯(1989),女,中级工程师,研究方向为电力市场,E-mail:184164042@qq.com

    黄恒孜(1990),女,中级工程师,研究方向为电力经济,E-mail:404096913@qq.com

    李思颖(1998),女,硕士研究生,研究方向为电力市场,E-mail:siying.li@zju.edu.cn

    桑茂盛(1995),男,博士研究生,研究方向为电力市场、综合能源系统优化,E-mail:11810023@zju.edu.cn

    丁一(1978),男,教授,博士生导师,研究方向为电力市场、电力系统可靠性,E-mail:yiding@zju.edu.cn

  • 中图分类号: TM73

摘要: 由于以风电、光伏为主的可再生能源出力的不确定性,高比例可再生能源的接入会给电力市场出清电价带来风险。基于此,将风电、光伏可再生能源保障性消纳纳入电力市场出清模型,提出考虑可再生能源不确定性的电价风险评估方法。首先,利用多场景技术刻画可再生能源出力的不确定性,生成具有代表性的有限场景集合。其次,建立可再生能源参与的电力市场出清模型并提出节点电价计算方法。然后,提出电价风险评估指标体系,从系统层面和节点层面评估可再生能源出力不确定性引发的电价风险。最后,通过改进的IEEE30节点算例系统验证所提方法的有效性。分析结果表明,所提方法能够有效评估可再生能源不确定性带来的系统电价风险以及节点电价风险,对可再生能源参与电力市场的相关研究具有一定的参考价值。

English Abstract

何洁, 金骆松, 赵雯, 等. 电力市场环境下考虑可再生能源保障性消纳的电价风险评估[J]. 现代电力. doi: 10.19725/j.cnki.1007-2322.2021.0111
引用本文: 何洁, 金骆松, 赵雯, 等. 电力市场环境下考虑可再生能源保障性消纳的电价风险评估[J]. 现代电力. doi: 10.19725/j.cnki.1007-2322.2021.0111
HE Jie, JIN Luosong, ZHAO Wen, etc. Electricity Price Risk Assessment Considering Guaranteed Accommodation of Renewable Energy in Electricity Market[J]. Modern Electric Power. doi: 10.19725/j.cnki.1007-2322.2021.0111
Citation: HE Jie, JIN Luosong, ZHAO Wen, etc. Electricity Price Risk Assessment Considering Guaranteed Accommodation of Renewable Energy in Electricity Market[J]. Modern Electric Power. doi: 10.19725/j.cnki.1007-2322.2021.0111
    • 自21世纪以来,全球气候与环境条件对人类社会提出了巨大考验,低碳化成为世界能源产业发展的必然趋势[1-2]。当前,我国也正处于能源转型的关键时期,习近平总书记关于“CO2排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的庄严承诺为新时代我国能源低碳转型指明了方向[3]。低碳化趋势和能源转型目标的提出将促使高比例可再生能源接入电网,截至2019年底,风电、光伏发电装机合计414 GW,占全国发电总装机的20.6%[4]。未来,以风电、光伏为主的可再生能源将逐渐成为我国主要的能源供应形式[5]

      与此同时,2015年3月《中共中央国务院关于进一步深化电力体制改革的若干意见》(中发[2015]9号文)发布以来[6],我国新一轮电力体制改革开展迅猛。在9号文及相关配套文件的指导下,全国各省结合政策要求和自身实际情况稳步推进电力市场化建设,广东、浙江等8个试点省份已建立省级电力市场,电力市场化改革成效显著[7]。随着电力市场建设的持续推进,市场在资源优化配置中的作用愈加明显,通过市场化机制实现可再生能源优先或保障性消纳,是我国电力市场建设的重要任务[8-9]。然而,以风电、光伏为代表的可再生能源发电在降低系统发电成本、减少碳排放的同时,其出力不确定性和间歇性的特点也可能会给电力市场运营带来不可忽视的影响。

      电力市场环境下的电价机制与传统计划体制下的电价机制存在很大差异,国外如美国PJM、ERCOT等电力市场以及我国试点省份大多采用节点边际电价,因为其能够反映电力供需和网络阻塞信号[10]。为了保证可再生能源优先消纳,在多数电力市场出清模型中,将可再生能源预测出力作为边界条件进行出清计算。以广东电力现货市场规则为例[11],为了保障可再生能源消纳,在实时电力市场对日前可再生能源出力边界进行调整。但是,可再生能源出力边界条件的变化可能会使实时电力市场出清电价发生变化,导致电价波动剧烈[12]。因此,随着可再生能源占比的逐渐增大,亟需重视由可再生能源出力不确定性造成的电力市场出清电价风险[13]

      当前,针对电力市场环境下的电价进行风险分析的研究工作已经开展较多。文献[14]研究了发电机组或输电线路随机故障对节点电价的影响,并提出了期望节点电价以及期望失负荷等量化评估指标;文献[15]提出了考虑应急备用的节点电价和节点可靠性分析方法,分别用于评估节点电价风险和市场运行可靠性;文献[16-17]进一步考虑风电、光伏等分布式可再生能源给电力市场节点电价的影响,并通过算例分析验证了可再生能源对市场运行带来的经济效益和环境效益,但是所考虑的可再生能源发电规模较小且被视为用户侧负荷进行建模;文献[18]考虑现货市场电价波动以及系统元件故障等风险因素,提出了发电公司电源投资优化方案;文献[13]提出了概率边际电价的概念,分析了风电不确定性引起的实时市场价格波动风险并提出了价格管理机制,但是没有从节点层面评估电价风险。上述文献对电力市场环境下的电价波动以及电力系统可靠性问题进行了深入研究,而鲜有兼顾电力市场整体和节点层面的高比例可再生能源的参与对出清电价造成风险的分析,目前也尚无有效的量化评估方法和指标体系。

      对此,本文提出考虑可再生能源参与的电价风险评估方法,针对电力市场环境下可再生能源保障性消纳引发的电价风险进行量化分析,旨在促进可再生能源消纳的同时,也重点关注由此造成的电价风险,为可再生能源参与电力市场提供一定的理论指导。

    • 可再生能源的不确定性主要是指出力的预测偏差[19],因此,本文采用多场景技术描述风电、光伏可再生能源出力的不确定性,主要算法步骤如下:

      1)采用预测箱对风电、光伏历史发电数据进行统计,根据每个预测箱的历史实际数据分布情况,拟合得到累积经验分布函数。

      2)按照文献[20],通过递归估计协方差矩阵${{\bf{\Sigma }}_T}$,描述可再生能源出力的时间相关性。递归方程如式(1)所示

      $${{\bf{\Sigma }}_t} = \varepsilon {{\bf{\Sigma }}_{t - 1}} + (1 - \varepsilon ){{\bf{X}}_{t - T}}{\bf{X}}_{t - T}^{T}\;\;\;\forall t = 1,2, \cdots ,T$$ (1)

      式中:${{\bf{\Sigma }}_t}$${{\bf{\Sigma }}_{t - 1}}$分别表示时刻$t$$t - 1$的协方差矩阵,为$T \times T$阶矩阵;$\varepsilon $表示遗忘因子;${{\bf{X}}_{t - T}}$表示可再生能源在历史时刻$t - T$的实际出力(经累积经验分布函数转化为服从正态分布的样本[19]),为$T$维向量;$T$为预测周期。

      3)基于估计的协方差矩阵${{\bf{\Sigma }}_T}$,采用蒙特卡洛模拟法进行随机采样,生成服从标准正态分布$N(0,{{\bf{\Sigma }}_T})$$T$维随机数。

      4)根据累积正态分布函数,得到每个随机数对应的累积概率。

      5)基于累积经验分布逆函数[21],得到对应累积概率的实际可能出力,即出力场景。

      6)采用快速前推法[22]对大量场景进行削减,使得最终保留的场景子集与未削减前的场景集合之间的概率距离最小[23],如式(2)所示。

      $${\rm{min}}\;\sum\limits_{i \in I} {{p_i}\left( {\mathop {\min }\limits_{j \in J} {{\left\| {{P_i} - {P_j}} \right\|}_2}} \right)} $$ (2)

      式中:${p_i}$表示场景$i$发生的概率;${P_i}$${P_j}$表示可再生能源在场景$i$和场景$j$下输出功率的时间序列;$I$$J$分别表示被削减的场景子集和最终保留的场景子集。

      基于上述可再生能源出力场景生成算法,可以得到有限数量的具有较大概率值的典型场景集合,以逼近原始场景集合。

    • 首先,建立考虑可再生能源保障性消纳的电力市场出清优化模型,目标函数为总购电成本费用与弃风弃光以及失负荷惩罚费用之和最小[24]

      $${\rm{min}}\;f_s^{} = \sum\limits_{t = 1}^T {\sum\limits_{j = 1}^{{N_{\rm{e}}}} {\left\{ \begin{array}{l} {C_j}\left( {P_{{\rm{G}},s,j}^t} \right) + {r_w}\left(W_{s,j}^{{\rm{pre,}}t} - W_{s,j}^t\right) + \\ \;\;\;\; {r_s}\left(S_{s,j}^{{\rm{pre}},t} - S_{s,j}^t\right) + r\Delta P_{{\rm{D}},s,j}^t \end{array} \right\}} } $$ (3)

      式中:$P_{{\rm{G}},s,j}^t$为节点$j$上发电机组在场景$s$的有功中标出力;${C_j}\left( \cdot \right)$为节点$j$上发电机组的购电费用,为$P_{{\rm{G}},s,j}^t$的函数(一般为一次或二次函数);$W_{s,j}^{{\rm{pre,}}t}$$S_{s,j}^{{\rm{pre}},t}$分别表示节点$j$上风电和光伏在场景$s$的有功出力预测值;$W_{s,j}^t$$S_{s,j}^t$分别表示节点$j$上风电和光伏在场景$s$的有功中标出力;$\Delta P_{{\rm{D}},s,j}^t$表示节点$j$上在场景$s$的有功负荷削减量;${r_w}$${r_s}$$r$分别为弃风、弃光、失负荷惩罚价格;${N_{\rm{e}}}$为电网节点的数量;$T$为交易周期。

      模型满足以下约束条件[14-15]

      1)节点功率平衡方程:各节点的净注入有功/无功功率等于净流出有功/无功功率。

      $$\begin{split} P_{{\rm{G}},s,j}^t +& W_{s,j}^t + S_{s,j}^t - P_{{\rm{D}},j}^t= \\ &V_{s,j}^t\sum\limits_{k = 1}^{{N_{\rm{e}}}} {V_{s,k}^t\left({G_{jk}}\cos \theta _{s,jk}^t + {B_{jk}}\sin \theta _{s,jk}^t\right)} \end{split} $$ (4)
      $$\begin{split} Q_{{\rm{G}},s,j}^t -& Q_{{\rm{D}},j}^t= \\ &V_{s,j}^t\sum\limits_{k = 1}^{{N_{\rm{e}}}} {V_{s,k}^t\left({G_{jk}}\sin \theta _{s,jk}^t - {B_{jk}}\cos \theta _{s,jk}^t\right)} \end{split} $$ (5)

      式中:$P_{{\rm{D}},j}^t$表示节点$j$上有功负荷;$Q_{{\rm{G}},s,j}^t$为节点$j$上发电机组在场景$s$的无功出力;${Q_{{\rm{D}},j}}$为节点$j$上无功负荷;$V_{s,j}^t$为节点$j$在场景$s$的电压幅值;$\theta _{s,jk}^t$为节点$j$$k$在场景$s$的相角差;${G_{jk}}$${B_{jk}}$分别为节点导纳矩阵第$j$行第$k$列元素的实部和虚部。

      2)常规机组出力限制:各机组的有功/无功中标出力不能超过其出力上限和下限,各机组在相邻时段的出力变化量不能超过其上下爬坡限制。

      $$P_{{\rm{G}},j}^{\min } \leqslant P_{{\rm{G}},s,j}^t \leqslant P_{{\rm{G}},j}^{\max }$$ (6)
      $$Q_{{\rm{G}},j}^{\min } \leqslant Q_{{\rm{G}},s,j}^t \leqslant Q_{{\rm{G}},j}^{\max }$$ (7)
      $$\Delta P_{{\rm{G}},j}^{{\rm{low}}} \leqslant P_{{\rm{G}},s,j}^t - P_{{\rm{G}},s,j}^{t - 1} \leqslant \Delta P_{{\rm{G}},j}^{{\rm{upp}}}$$ (8)

      式中:$P_{{\rm{G}},j}^{\min }$$P_{{\rm{G}},j}^{\max }$分别表示节点$j$上发电机组的有功出力下限和上限;$Q_{{\rm{G}},j}^{\min }$$Q_{{\rm{G}},j}^{\max }$分别表示节点$j$上发电机组的无功出力下限和上限;$\Delta P_{{\rm{G}},j}^{{\rm{low}}}$$\Delta P_{{\rm{G}},j}^{{\rm{upp}}}$分别表示节点$j$上发电机组有功出力的下爬坡限制和上爬坡限制。

      3)风电、光伏出力限制。风电、光伏机组的有功出力不能超过其出力预测值。

      $$0 \leqslant W_{s,j}^t \leqslant W_{s,j}^{{\rm{pre,}}t}$$ (9)
      $$0 \leqslant S_{s,j}^t \leqslant S_{s,j}^{{\rm{pre}},t}$$ (10)

      4)线路传输容量限制。各线路的潮流不能超过其传输容量。

      $$F_l^{\min } \leqslant F_{s,l}^t \leqslant F_l^{\max }$$ (11)

      式中:$F_{s,l}^t$为线路$l$在场景$s$流过的潮流;$F_l^{\min }$$F_l^{\max }$表示线路$l$的最小传输容量和最大传输容量。

      5)节点电压限制。各节点的电压幅值不能超过其上下限。

      $$V_j^{\min } \leqslant V_{s,j}^t \leqslant V_j^{\max }$$ (12)

      式中:$V_j^{\min }$$V_j^{\max }$分别表示节点$j$的电压幅值下限和上限。

      6)负荷削减量限制。各负荷节点的负荷削减量不能超过其初始负荷。

      $$0 \leqslant \Delta P_{{\rm{D}},s,j}^t \leqslant P_{{\rm{D}},j}^t$$ (13)

      上述电力市场出清模型(式(3)-(13))是一个复杂的非线性优化问题,内点法在求解非线性优化问题方面具备收敛性强、计算速度快等优点[2526],因此,可以采用内点法对上述模型进行求解,得到电力市场出清结果。

      基于上述电力市场出清模型,得到拉格朗日函数${L_s}$,可以计算节点有功电价$\ \rho _{{\rm{p}},s,j}^t$、节点无功电价$\ \rho _{{\rm{p}},s,j}^t$[14]

      $$\rho _{{\rm{p}},s,j}^t = \frac{{\partial {L_s}}}{{\partial P_{{\rm{D}},j}^t}} = \lambda _{{\rm{p}},s,j}^t$$ (14)
      $$ \rho _{{\rm{q}},s,j}^t = \frac{{\partial {L_s}}}{{\partial Q_{{\rm{D}},j}^t}} = \lambda _{{\rm{q}},s,j}^t $$ (15)

      式中:$\lambda _{{\rm{p}},s,j}^t$$\lambda _{{\rm{q}},s,j}^t$分别表示节点有功功率平衡方程(4)和无功功率平衡方程(5)的拉格朗日乘子。

      进一步计算系统平均有功电价$\ \rho _{{\rm{p}},s}^t$和系统平均无功电价$\ \rho _{{\rm{q}},s}^t$

      $$\rho _{{\rm{p}},s}^t = {{\sum\limits_{j = 1}^{{N_{\rm{e}}}} {\rho _{{\rm{p}},s,j}^t} } \Big/ {{N_{\rm{e}}}}}$$ (16)
      $$\rho _{{\rm{q}},s}^t = {{\sum\limits_{j = 1}^{{N_{\rm{e}}}} {\rho _{{\rm{q}},s,j}^t} }\Big/{{N_{\rm{e}}}}}$$ (17)
    • 2.1节可以计算得到各场景s下的节点有功电价$\ \rho _{{\rm{p}},s,j}^t$和节点无功电价$\ \rho _{{\rm{q}},s,j}^t$、系统平均有功电价$\ \rho _{{\rm{p}},s}^t$和系统平均无功电价$\ \rho _{{\rm{q}},s}^t$。由于可再生能源出力具有波动性和间歇性,某些场景下某些时段电价可能会很高,或者不同场景下电价波动较大,都可能会造成电价风险。因此,本文建立电价风险评估体系,包括:节点电价风险指标体系和系统电价风险指标体系,分别评估节点电价和系统电价的风险。另外,本文主要研究有功电价,无特别说明,电价风险指标均指有功电价。

      1)节点电价风险指标体系。

      期望节点电价$\ \bar \rho _{{\rm{p}},j}^{}$[14]:用于评估各节点电价在所有可能发生场景下的期望水平。

      $$\bar \rho _{{\rm{p}},j}^t = \sum\limits_{s = 1}^{{N_{\rm{s}}}} {{p_s}\rho _{{\rm{p}},s,j}^t} $$ (18)
      $$\bar \rho _{{\rm{p}},j}^{} = {\sum\limits_{t = 1}^T {\bar \rho _{{\rm{p}},j}^t} } \Big/T$$ (19)

      式中:${N_{\rm{s}}}$为通过场景生成算法最终保留的场景数;${p_s}$表示场景$s$发生的概率。

      节点电价标准差$\sigma _{{\rm{p}},j}^{}$[14]:用于评估各节点电价在所有可能发生场景下的波动情况。

      $$\sigma _{{\rm{p}},j}^t = \sqrt {\sum\limits_{s = 1}^{{N_{\rm{s}}}} {{p_s}{{(\rho _{{\rm{p}},s,j}^t - \bar \rho _{{\rm{p}},j}^t)}^2}} } $$ (20)
      $$\sigma _{{\rm{p}},j}^{} = {{\sum\limits_{t = 1}^T {\sigma _{{\rm{p}},j}^t} }\Big/T}$$ (21)

      节点尖峰电价概率${\zeta _{{\rm{p}},j}}$:用于评估各节点电价在所有可能发生场景下出现较高值的可能性。

      $$\zeta _{{\rm{p}},j}^{} = \displaystyle\sum\limits_{s = 1}^{{N_{\rm{s}}}} {{p_s}\frac{{\displaystyle\sum\limits_{t = 1}^T {1\left( {\rho _{{\rm{p}},s,j}^t > \rho _{\rm{p}}^{{\rm{cap}}}} \right)} }}{T}} $$ (22)

      式中:$\ \rho _{\rm{p}}^{{\rm{cap}}}$为设定的电价阈值;$1\left( {\rho _{{\rm{p}},s}^t > \rho _{\rm{p}}^{{\rm{cap}}}} \right)$为符号函数,当随机事件$\ \rho _{{\rm{p}},s}^t > \rho _{\rm{p}}^{{\rm{cap}}}$发生时,函数取值为1,否则为0。

      2)系统电价风险指标体系。

      期望系统电价$\ \bar \rho _{\rm{p}}^t$:用于评估系统平均电价在所有可能发生场景下的期望水平。

      $$\bar \rho _{\rm{p}}^t = \sum\limits_{s = 1}^{{N_{\rm{s}}}} {{p_s}\rho _{{\rm{p}},s}^t} $$ (23)

      系统电价标准差$\sigma _{\rm{p}}^t$:用于评估系统平均电价在所有可能发生场景下的波动情况。

      $$\sigma _{\rm{p}}^t = \sqrt {\sum\limits_{s = 1}^{{N_{\rm{s}}}} {{p_s}{{(\rho _{{\rm{p}},s}^t - {{\bar \rho }_{\rm{p}}})}^2}} } $$ (24)

      系统尖峰电价概率${\zeta _{\rm{p}}}$:用于评估系统平均电价在所有可能发生场景下出现较高值的可能性。

      $${\zeta _{\rm{p}}} = \sum\limits_{s = 1}^{{N_{\rm{s}}}} {{p_s}\frac{{\displaystyle\sum\limits_{t = 1}^T {1\left( {\rho _{{\rm{p}},s}^t > \rho _{\rm{p}}^{{\rm{cap}}}} \right)} }}{T}} $$ (25)
    • 为了验证本文所提出的电价风险评估方法的有效性,采用改进的IEEE30节点系统作为算例系统进行分析。该系统包含6台常规机组、30个节点、41条线路。负荷数据、机组参数以及报价信息参考文献[27],线路容量参数参照文献[28]。在第20节点和第28节点处分别接入一个风电厂和一个光伏电站,发电容量依据不同的分析环境进行设定。考虑到风电、光伏的边际发电成本很小,报价参数按照最低来设置。风电和光伏历史数据参照文献[19],并折算为本算例数量级。另外,为了保障可再生能源的消纳,且尽量避免系统失负荷,将弃风弃光惩罚价格和失负荷惩罚价格设为远大于发电机组报价的数,其中,所有节点的弃风、弃光惩罚价格统一设为1000元/MW·h,失负荷惩罚价格统一设为5000元/MW·h。

    • 为了研究不同可再生能源渗透率对电价风险的影响,本文设定5种分析环境,各分析环境下风电、光伏发电容量设置如下。

      环境1:风电容量50 MW,光伏容量0 MW;

      环境2:风电容量0 MW,光伏容量50 MW;

      环境3:风电容量50 MW,光伏容量50 MW;

      环境4:风电容量70 MW,光伏容量70 MW;

      环境5:风电容量100 MW,光伏容量100 MW。

      首先计算各环境下的系统电价风险值。根据风电和光伏历史数据[19],利用第1节提出的可再生能源出力场景生成算法得到最终5个典型场景下的风电、光伏出力及场景概率,归一化的风电、光伏出力结果如图1所示,出力真实值可根据各环境设定的风电、光伏发电容量折算得到。

      图  1  各场景风电和光伏出力比较

      Figure 1.  Comparison of the output of wind power and PV generation in different scenarios

      不同可再生能源渗透率下的期望系统电价$\ \bar \rho _{\rm{p}}^t$、系统电价标准差$\sigma _{\rm{p}}^t$与系统尖峰电价概率${\zeta _{\rm{p}}}$的计算结果分别如图2表1表2所示。电价阈值$\ \rho _{\rm{p}}^{{\rm{cap}}}$根据可再生能源出力预测值得到的市场出清电价最高值而定。

      图  2  不同可再生能源渗透率下期望系统电价

      Figure 2.  Expected system price under different renewable energy penetration

      表 1  不同可再生能源渗透率下部分时段系统电价标准差

      Table 1.  Standard deviation of system price under different renewable energy penetration in partial time intervals

      时段/h电价标准差
      环境1环境2环境3环境4环境5
      100.000.000.000.000.95
      110.000.000.000.430.89
      120.950.000.955.290.00
      130.000.000.007.170.00
      140.000.000.007.170.00
      150.880.000.887.1727.54
      160.007.890.007.1727.54
      172.860.000.007.170.95
      183.560.000.000.580.88
      193.970.009.720.309.77
      203.971.413.970.509.72

      表 2  不同可再生能源渗透率下系统尖峰电价概率

      Table 2.  Probability of system peak price under different renewable energy penetration

      环境系统尖峰电价概率$\zeta_{p}$/%
      121.64
      239.63
      38.48
      44.05
      53.30

      图2可以看出,可再生能源机组接入电网后,系统整体的电价水平也有所下降,且渗透率越高,电价降低越明显。其中,环境5中的期望电价降低最为明显,这是因为可再生能源相比常规机组发电成本较低,随着渗透率的增大,可再生能源出力也不断增大,而环境5中的可再生能源出力最大,代替高成本机组发电,导致期望系统电价也随之下降。

      表1可以看出,在不同可再生能源渗透率下,系统电价标准差也存在差异,可再生能源渗透率越高,系统电价标准差越大。比较环境1和环境2,可以看出环境1下的电价标准差更大,表明风电比光伏更容易导致电价的波动性,这是因为在本算例中,风电的预测误差标准差比光伏更大。另外,可以看出在15~20 h时段内,系统电价标准差相对较高,这是因为这段时间内为可再生能源出力的高峰期,电价对可再生能源出力的波动性较为敏感。

      与系统电价标准差不同,系统尖峰电价概率与可再生能源渗透率的关系恰好相反。由表2可以看出,随着可再生能源渗透率的提高,系统尖峰电价概率逐渐降低。这是因为可再生能源发电占比的增大,导致电价水平整体下降,因此出现尖峰电价的概率也相应变小。

      上述重点对系统电价风险指标进行分析,进一步从节点层面研究可再生能源对电价风险的影响,计算各环境下的节点电价风险指标,不同可再生能源渗透率下的期望节点电价$\ \bar \rho _{{\rm{p}},j}^{}$和节点电价标准差$\sigma _{{\rm{p}},j}^{}$分别如图35所示。

      图  3  不同可再生能源渗透率下期望节点电价

      Figure 3.  Expected nodal price under different renewable energy penetration

      图  5  不同可再生能源渗透率下节点尖峰电价概率

      Figure 5.  Probability of system peak price under different renewable energy penetration

      图3可以看出,不同环境下各节点的期望电价水平不同,表明系统存在网络阻塞情况,导致不同节点之间的电价存在差异。另外,随着可再生能源渗透率的提高,各节点的期望电价水平有所下降。由图5可以看出,随着可再生能源渗透率的提高,节点出现尖峰电价的概率也有所下降。另外,由图3可以看出,18-20、25-30节点受到可再生能源的影响最明显,电价降低程度最直观。由图4也可以看出,这些节点的电价标准差也远大于其他节点,对可再生能源渗透率的变化也很敏感。根据系统拓扑可知,这些节点处于可再生能源接入点及其附近的位置,表明越靠近可再生能源接入点,节点电价风险可能更高。因此,随着可再生能源发电比例的提高,应重点关注可再生能源接入点附近的节点电价,避免电价剧烈波动。

      图  4  不同可再生能源渗透率下节点电价标准差

      Figure 4.  Standard deviation of nodal price under different renewable energy penetration

      综上所述,随着可再生能源渗透率的提高,可以在一定程度上降低系统和节点的期望电价水平、以及出现尖峰电价的概率,但是可能会增大电价波动程度,对于可再生能源出力高峰时段,系统电价波动较为明显;在靠近可再生能源接入点附近的节点,电价波动程度较为明显。

    • 为了研究不同可再生能源出力预测偏差对电价风险的影响,在3.2节中环境3(风电、光伏发电容量各为50 MW)的基础上,将可再生能源出力预测偏差标准差分别增大5%和10%,计算得到系统电价风险和节点电价风险指标如图610表3所示。

      图  6  不同预测误差下期望系统电价

      Figure 6.  Expected system price under different forecasting deviations

      图  7  不同预测误差下期望节点电价

      Figure 7.  Expected nodal price under different forecasting deviations

      图  8  不同预测误差下系统电价标准差

      Figure 8.  System price standard deviation under different forecasting deviations

      图  10  不同预测误差下节点尖峰电价概率

      Figure 10.  Probability of system peak price under different forecasting deviations

      表 3  系统尖峰电价概率

      Table 3.  Probability of system peak price

      预测误差增量/%系统尖峰电价概率$\zeta_{p}$/%
      08.48
      59.60
      1010.29

      根据图69可以看出,随着可再生能源出力预测偏差的不断增大,期望系统电价和期望节点电价也略微增大,但是增幅不明显,而系统电价标准差在负荷高峰时段增长较大,大多数节点的电价标准差也明显增大。与此同时,根据表3图10可知,可再生能源出力预测偏差增大也会提高系统尖峰电价概率和节点尖峰电价概率,这是因为由可再生能源出力不足造成的功率缺额由高价机组弥补,导致电价飙升。综上所述,可再生能源出力预测偏差对电价风险的影响主要体现在电价波动程度上,对电价的期望水平影响较小。随着预测误差精度的降低,虽然电价整体的期望水平不会明显变化,但是可能会造成电价波动更加剧烈,增大电价飙升可能性,带来电价风险。因此,提高对可再生能源出力预测的精度,有利于稳定电价水平,降低电价风险。

      图  9  不同预测误差下节点电价标准差

      Figure 9.  Nodal price standard deviation under different forecasting deviations

    • 本文所提出的电价风险评估方法可以量化系统整体的电价风险,得到各时段电价的期望水平、波动情况及出现较高值的可能性;同时,也可以从节点层面量化评估各节点的电价风险指标,识别出对可再生能源不确定性较为敏感的关键节点。在促进可再生能源消纳的同时,也要关注由此造成的电价风险,通过提高可再生能源出力预测精度等措施,有效减小出力的不确定性,降低电价风险。

WeChat 关注分享

返回顶部

目录

    /

    返回文章
    返回