多风险下风电商并网动态决策优化模型

2015-07-18叶涛雷霞杨毅戴诗容

电力系统及其自动化学报 2015年12期

关键词：竞价出力时段

叶涛，雷霞，杨毅，戴诗容

（西华大学电气与信息学院，成都610039）

多风险下风电商并网动态决策优化模型

叶涛，雷霞，杨毅，戴诗容

（西华大学电气与信息学院，成都610039）

采用条件风险价值作为风险计量指标，针对风电出力及市场电价随机性的多风险特点，分析了风电发展进入优势期参与实时市场并网交易的市场结构，建立了风电商计及多风险的动态决策优化模型。该模型考虑了风电商各时段决策对后续竞拍环境的动态响应，采用序列运算理论描述市场电价的不确定性，以核密度估计方法对出力进行估计，通过调整竞价决策来获得全时段总收益最大化的目标。通过算例仿真以及与静态决策优化模型的对比，验证了该模型的有效性和实用性。

多风险；序列运算理论；核密度估计；多时段优化；动态响应；竞拍决策

风能的利用在解决资源枯竭、缓解供电压力的同时具有良好的环境效应[1]。由于出力的随机性，风电并网风险的形式复杂多样，形成了并网收益多风险、多时段的特点。随着风力能源的不断发展，单机容量与并网容量越来越大，对风电商预测和管理风险提出了更高的要求[2-7]。

合理的竞拍决策是管理风险的重要手段[8]，文献[9-10]采用效用函数进行风险评估，基于CVaR（conditional value-at-risk）方法研究风电商竞拍决策，在优化利润的同时规避出力随机性风险。在假设电价及风机出力服从特定分布的前提下，文献[11-13]采用CVaR方法分别评估了竞拍方案被接受的概率风险及风电商实际利润小于目标利润的概率风险，基于机会约束规划模型对风电商竞拍决策进行优化。文献[14]采用CVaR方法研究不同风险偏好下风速波动对风电商并网容量及其经济效益的影响。

本文建立了考虑风机出力及电价多风险的风电商动态决策优化模型，研究了风电商各时段决策对后续时段竞拍环境的时间轴动态响应，通过算例仿真以及与静态决策优化模型的对比，验证了该模型的有效性和实用性。

1 风力发电参与的市场结构分析

1.1 市场结构

风力发电75%的成本都属于投资建设成本，随着运营时间的积累，其成本不断减小，大致可分为3个阶段：①投资初期，发电成本大于常规机组，需在政策引导和特殊并网机制下运营，无市场竞争力；②投资中期，发电成本与常规机组接近，参与竞价上网，具有较强的市场竞争力；③投资后期，发电成本忽略不计，风电成为主导发电能源，常规机组作为保障性容量并网。

实时市场的实时交易形式，具有电能交易与平衡市场的双重作用，能有效降低新能源对系统安全稳定运行的冲击。本文将针对投资中期，风电商参与实时市场所面临的风险及竞拍决策进行分析，具有一定的前瞻性和现实意义。

1.2 发电商报价模型

实时市场采用价格出清机制，常规发电商不存在出力随机波动，假设其均按在实时市场的剩余电量PGi参与竞价。各电商不了解市场其他参与者的成本及竞价偏好，只能通过某些途径获得它们的概率分布；风电商决策者完全了解自身的概率性报价数据并具有可认知的理性风险偏好。常规发电商i的成本函数为

式中：ai、bi、ci为成本系数；ρi为发电商i根据自身竞价偏好λi所定报价；其报价为

2 市场出清电价的不确定性分析

设发电商i有A种成本系数aji、bji、cji，B种竞价偏好λki，相互独立且概率分别为θij与ωki，即

发电商i的可能报价ρjki对应概率为

因此发电商i的期望报价ρexi为

发电商i对风电商报价ρwind的概率性估计为式中：

ρ为对应的概率值；l=1，2，…，L，设电力市场中所有可能出现的报价为ρs；其个数为S；ρs∈借助序列运算理论[11]得到出清电价ρMCP恰为ρs时不同离散负荷需求m，m=1，2，…，M下市场出清电价的概率分布；如表1所示。

表1 市场电价-需求概率分布Tab.1Probability distributions of market price

通过表1求取各常规发电商的不确定竞价结果，是将市场发布的信息与自身信息相结合，进而估计合成竞价结果的策略过程[15]。具体步骤如下。

设出清电价为ρs的电价序列为ws（m），小于的电价分布均不受影响，其余电价如下。

1）属于风电商的可能报价与相等，将ρlwind修改为ρ′s，其他发电商报价改为ρ″s，且令ρ′s＜ρ″s，修改后市场电价序列w（sm）为

为求取仅含常规发电商的市场电价序列W～s（m），对ρ″s进行分析时，此时风电商被视为拟边际内发电商，设此时拟边际内发电商集合为Q1，定义Q′1为Q1中除去风电商的集合[16]，得式中：U″s，（im）与V″s，（im）分别为拟边际内发电商和拟边际发电商出力概率分布离散化序列；U″s，wind（m）为拟边际内风电商的出力概率分布离散化序列；EU″s，win（dm）与EV″s，win（dm）分别为等效拟边际内发电商和等效拟边际发电商出力状况序列[16]。

2）不属于风发电商的可能报价

ρs＞ρlwind，ρs≠ρl

wind，此时风电商被视为拟边际内发电商，令此时拟边际内发电商集合为Q2，与式（10）的推导类似，即

3 风电商的收益模型

3.1 出力偏差成本

风电商出力与发电计划之间存在偏差时，系统要通过经济手段对其进行调控。作为决策者，风电商可通过出力预测对出力偏差风险进行评估。风机出力取决于风速为

式中：pf为风机的出力；sN为额定风速；sci为切入风速；sco为切出风速；s为风速；pN为风机的额定输出功率。

设t时段出力及风速在过去第r天的样本值分别为pr和sr，r=1，…，R，t时段出力概率密度函数由二维自适应核密度估计KDE（kernel density estimation）[17]为 ξ为指代变量，Kξ、hξ为式（13）～（15）中各对应函数的计算公式。风电商的竞价决策为报价ρwind及电量Pwind，在同式（6）中各发电商期望报价竞价后，得到各自发电计划期望值Pi，pro及Pwind，pro，出力偏差[18]为

偏差调控因子为

偏差调控电价为

式中：P为风电商出力核密度预测值；τ为调控电价基准值；ε1与ε2分别为奖罚力度系数，偏差奖罚电量为

3.2 投资运营成本

在投资中期，风电商投资运营成本为

式中：Waverage为风电商年平均发电量；PVC为年费用现值；Cb为初期建设成本；n为运营年限；CA为运营及维护成本；Cf为风机的折损率；r为折现率；i为利率系数。

3.3 单时段收益模型

（1）ρwin＜ρs，风电商竞价失败，收益为0；

（2）ρwin≥ρs，风电商竞价成功，收益为

单时段风电商的总收益模型为

4 多时段动态决策优化模型

4.1 多时段决策响应

在电力市场交易过程中，风电商不能完全规避市场风险，这些风险部分或者全部通过决策的影响积累到下一时段的交易中，继续以相同的形式影响风电商的收益——称之为风险积累。因此，风电商在市场中各时段的竞拍决策并非独立的，而是与其他发电商决策相互作用，相互影响。

本文借鉴文献[19]，利用贝叶斯参数修正法，通过概率修正的形式描述风电商决策在时间轴上对后续时段各发电商竞价偏好的影响，从而体现决策的动态响应。

对发电商i在t时段不同竞价偏好下的竞价满意度进行历史数据统计，如表2所示，统计概率为

发电商i的期望收益为

则模拟交易后的实际收益为πexi=max（ρi， ρwind）Pi，pro，定义发电商对决策的满意度函数为

表2 竞价满意度统计Tab.2Statistics of suppliers′satisfaction under different bidding preferences

根据式（27）风电商可预测发电商i对其t时段决策的满意程度，得到t+1时段发电商i的竞价偏好概率修正值为

以T=24时段进行分析，t对后续各时段的概率响应成衰减过程，t时刻决策对T内任意时段的概率响应为

4.2 动态决策优化模型

作为生产单位，风电商关注的是全局各时段的总收益及承担的总风险，因此收益-风险决策过程的数学模型如下。

决策变量分别为风电商报价决策ρwind，t及报发电量决策Pwind，t。

目标函数为

式中：φ为风险厌恶系数，φ∈[0，1]；β为置信度水平；αt为置信度为β时的VaR值。

约束条件如下。

（1）出力约束为

（2）报价约束为

（3）负荷弹性约束为

（4）功率平衡约束为

5 算例仿真

5.1 仿真参数

本文以河北省某风电厂2013年全年每天24 h风速及出力作为样本数据，N=365 d。设3家常规发电商与风电商参与实时市场竞争，各电商均有3种成本系数及竞价偏好，即A=B=3。本文全部概率均由计算机随机生成，在实际市场的分析中，以上数据应通过对市场历史数据的统计以及机组成本分析等手段得到。奖惩系数分别为ε1=ε2=6.5，φ=0.3，β=0.8，τ=10$/MW

表3 各发电商竞价成本参数Tab.3Bidding parameters of each supplier

5.2 仿真结果分析

1）出力预测情况

如图1所示，每一条垂直于风速轴的轮廓线即表示不同风速下风电商出力的条件概率密度分布情况。

图1 出力概率密度分布Fig.1Output probability density distribution

2）决策优化结果

本文将动态决策优化模型的仿真结果与单时段静态模型（不考虑决策的时间轴响应，目标函数为单时段收益最大）进行对比分析。在图2的对比中发现：为追求24时段总体利益，动态模型会牺牲其中某几个时段的收益值，以保证总收益的最大化；风电商各时段决策影响会不断向后积累，因此在时间轴尾部表现的更为突出，呈现出动态收益高于静态收益的特点。

图2 收益结果对比Fig.2Profits under different optimal model

在图3的决策风险对比中，动态模型的整体风险水平低于于静态模型，由于决策的影响是向后不断积累的，因此初期效果并不明显，但随着时间的积累，决策影响累加效应逐渐显现，在中后期呈现出明显的优势。

图4是最优决策的对比情况，上半部是报发电量决策，下半部是报价决策。静态模型追求单时段最大收益，决策独立且不具有全局性，因此其决策波动也较大，个别时段出现了恶性竞争的趋势。动态模型无论是报价决策还是报发电量决策的优化结果，相对变化都比较平缓，且决策数据较为集中，从电力市场的良性发展以及风电商的长远利益考虑，动态模型的决策优化结果更适合大规模并网的风力发电商。

图3 风险结果对比Fig.3Risks under different optimal model

图4 最优决策对比Fig.4Strategies under different optimal model

表4是不同置信度水平下，24时段收益及风险总和的对比情况。在不同的置信度水平下，相对于静态模型，动态模型表现出高收益低风险的优势，因为本文讨论的是24时段的情况，收益差并不是很显著，但是一个月或者一个季度乃至一年的累计效应将是十分可观的。

表4 不同置信度水平下的优化结果对比Tab.4Results under different optimal model

此外，随着置信度水平的增大，风电商对风险更加敏感，CVaR值随之增大，为规避风险，风电商决策偏于理性，收益因此减小。表4中无论是静态还是动态模型均反映了高收益高风险、低收益低风险的市场规律，验证了动态决策模型的优越性和可行性。

6 结语

针对风电出力随机性的特点，分析了风电发展进入优势期参与实时市场并网交易的市场结构，建立了考虑风险的动态决策优化模型，该模型以风电商报价决策和报发电量决策作为优化变量，同时考虑了风电商各时段决策对后续时段竞拍环境的动态响应。作为决策者，风电商通过调整竞价策略来获得全时段总收益最大化目标，由算例仿真以及与静态决策优化模型的对比，验证了该模型的有效性和实用性。

值得指出的是，本文建立的动态决策优化模型，主要针对实时市场的风险分析。随着风电能源技术的发展，风机出力可控性将不断提高，风电商可以参与包括期货市场、合约市场、备用市场在内的多个市场。如何将有限的出力合理地分配到多个市场，既能增加风电商总体收益又能降低投资风险是一个重要的课题。这些市场中同样也蕴含着种种不确定性，后续工作将进一步研究这一更为广泛意义上的风险决策问题。

[1]尹明，王成山，葛旭波（Yin Ming，Wang Chengshan，Ge Xubo）．风电并网经济技术评价研究综述（Review of economic-technical assessment of wind power integration）[J]．电力系统及其自动化学报（Proceedings of the CSUEPSA），2010，22（5）：102-108．

[2]袁建党，袁铁江，晁勤，等（Yuan Jiandang，Yuan Tiejiang，Chao Qin，et al）．电力市场环境下大规模风电并网系统电源规划研究（Study of generation expansion planning of the power system incorporation large-scale wind power in the environment of electricity market）[J]．电力系统保护与控制（Power System Protection and Control），2011，39（5）：22-26．

[3]袁小明，程时杰，文劲宇（Yuan Xiaoming，Cheng Shijie，Wen Jinyu）．储能技术在解决大规模风电并网问题中的应用前景分析（Prospects analysis of energy storage application in grid integration of large-scale wind power）[J]．电力系统自动化（Automation of Electric Power Systems），2013，37（1）：14-18．

[4]朱星阳，刘文霞，张建华（Zhu Xingyang，Liu Wenxia，Zhang Jianhua）．考虑大规模风电并网的电力系统随机潮流（Probabilisticloadflowmethodconsideringlarge scale wind power integration）[J]．中国电机工程学报（Proceedings of the CSEE），2013，33（7）：77-85．

[5]尹明，王成山，葛旭波，等（Yin Ming，Wang Chengshan， Ge Xubo，et al）．中德风电发展的比较与分析（Comparison and analysis of wind power development between China and Germany）[J]．电工技术学报（Transactions of China Electrotechnical Society），2010，25（9）：157-162，182．

[6]熊尚飞，邹小燕（Xiong Shangfei，Zou Xiaoyan）．电力市场价格风险价值与波动预测研究综述（Value at risk and price volatility forecasting in electricity market：a lit-erature review）[J]．电力系统及其自动化学报（Proceedings of the CSU-EPSA），2014，42（2）：146-153．

[7]张放，刘继春，高红均，等（Zhang Fang，Liu Jichun，Gao Hongjun，et al）．基于风电不确定性的电力系统备用容量获取（Reserve capacity model based on the uncertainty of wind power in the power system）[J]．电力系统保护与控制（Power System Protection and Control），2013，41（13）：14-19．

[8]刘岱，庞松岭（Liu Dai，Pang Songling）．风电集中接入对电网影响分析（System impacts analysis for interconnection of wind farm and power grid）[J]．电力系统及其自动化学报（Proceedings of the CSU-EPSA），2011，23（3）：156-160．

[9]Botterud A，Wang J，Bessa R J，et al．Risk management and optimal bidding for a wind power producer[C]//IEEE Power and Energy Society General Meeting.Minneapolis，USA，2010．

[10]陈泉，严正，罗谌持（Chen Quan，Yan Zheng，Luo Chenchi）．电价α-稳定分布模型及其计及风险的报价策略（α-stable statistical modeling of electricity price and its risk-constrained optimal bidding strategies）[J]．电力系统自动化（Automation of Electric Power Systems），2010，22（2）：124-128．

[11]Wang Qianfan，Wang Jianhui，Guan Yongpei．Wind power bidding based on chance-constrained optimization[C]// IEEEPowerandEnergySociety General Meeting.Detroit，USA，2011．

[12]张海峰，吴江，高峰，等（Zhang Haifeng，Wu Jiang，Gao Feng，et al）．基于机会约束规划的风电商日前市场竞标策略（Bidding strategy based on chance-constrained programming for wind power producers）[J]．电力系统自动化（Automation of Electric Power Systems），2012，36（13）：67-71．

[13]谢俊，陈星莺，廖迎晨，等（Xie Jun，Chen Xingying，Liao Yingchen，et al）．基于机会约束规划的供电公司最优报价策略（Optimal bidding strategies for distribution companies based on chance constrained programming）[J]．电力系统及其自动化学报（Proceedings of the CSU-EPSA），2007，19（2）：39-43．

[14]玉华，周任军，韩磊，等（Yu Hua，Zhou Renjun，Han Lei，et al）．基于CVaR的风电并网发电风险效益分析（Analysis on risk and economic benefits of grid-connected wind farm based on CVaR）[J]．电力系统保护与控制（Power System Protection and Control），2012，40（4）：43-47．

[15]王娜，彭建春，代红才，等（Wang Na，Peng Jianchun，Dai Hongcai，et al）．不确定多市场环境下基于序列运算的发电商容量分配策略（A sequence operation theory based capacity allocation strategy for generation companies in uncertain and multi electricity markets）[J]．电网技术（Power System Technology），2006，30（23）：77-82．

[16]康重庆，白利超，夏清，等（Kang Chongqing，Bai Lichao，Xia Qing，et al）．电力市场中发电商的风险决策（Risk decision-making of generators in electricity market）[J]．中国电机工程学报（Proceedings of the CSEE），2004，24（8）：1-6．

[17]Bessa R J，Miranda V，Botterud A．Time adaptive conditionalkerneldensityestimationforwindpowerforecasting[J]. IEEE Trans on Sustainable Energy，2012，3（4）：660-669．

[18]Zhang Yuhong，Zhou Ming，Li Gengyin.Wind power price regulation consider wind power fluctuation[C]//5th International Conference on Critical Infrastructure.Beijing，China，2010．

[19]谭忠富，李莉，王建军，等（Tan Zhongfu，Li Li，Wang Jianjun，et al）．多智能体代理下电力双边谈判中的模糊贝叶斯学习模型（A fuzzy Bayesian learning model in agentbased electric power bilateral negotiation）[J]．中国电机工程学报（Proceedings of the CSEE），2009，29（7）：106-113．

Analysis of Dynamic Decision Optimization Model of Wind Power Supplier Based on Multi-risk

YE Tao，LEI Xia，YANG Yi，DAI Shirong
（School of Electrical&information，Xihua University，Chengdu 610039，China）

This article makes use of conditional value-at-risk（CVaR）as the risk measurements indicator，analyzes the real-time market mechanism which involved the wind power development into advantages on account of the multi-risk results from the randomization of output and market price，and establishes the dynamic decision optimization model based on risks.This model takes into consideration the dynamic response of subsequent bidding environment caused by the decision of wind power supplier with different time.By using the sequence operation theory on market price uncertainty and the kernel density estimation（KDE）method on output prediction，this model adjusts bidding decision-making to maximize the total profit on the whole period.The calculation results and comparison with static decision optimization model make a best illustration on the validity and practicability of the proposed mode.

multi-risk；sequence operation theory；kernel density estimation（KDE）；multi-period optimization；dynamic response；bidding strategy

TM614

1003-8930（2015）12-0030-06

10.3969/j.issn.1003-8930.2015.12.06

叶涛（1988—），男，硕士研究生，主要从事风电并网优化

及电力市场研究。Email：yeshiro2013@163.com

雷霞（1973—），女，博士，教授，主要从事配电自动化和电

力市场研究。Email：snow_lei246@sina.com

杨毅（1989—），男，硕士研究生，主要从事含分布式能源

的配电网优化研究。Email：348122460@qq.com

2014-04-14；

2015-04-15