基于极端场景分析的中长期交易校核方法

2021-02-23代江田年杰单克赵翔宇张德亮黄红伟

电力工程技术 2021年1期

代江，田年杰，单克，赵翔宇，张德亮，黄红伟

(1. 贵州电网有限责任公司电力调度控制中心,贵州贵阳 550002;2. 北京清大科越股份有限公司，北京 100084)

0 引言

中长期市场交易是我国当前电力市场化交易的主要形式。随着我国市场化改革的不断深入，中长期交易电量规模快速增长。以贵州省为例，近三年市场交易电量年均增长率近30%，目前交易电量已超过全省用电量的50%。交易规模的快速增长，对中长期交易校核的准确性提出了更高要求，调度机构亦面临着严峻挑战[1—3]。

中长期交易校核是指调度机构按照电网安全稳定运行控制要求，依据新能源预测等边界数据，判定各发电厂市场交易预出清结果可行性，并提出修正意见的过程[4—5]。根据我国中长期市场有关规定，调度机构不仅负责中长期交易校核，同时应保证交易结果执行[6]。电力市场建设之初，市场交易规模较小，调度机构对边界数据预测误差导致的执行偏差调控手段较为充足，因此多采用确定性校核方法。文献[4—5]介绍了电网现行的中长期市场交易校核模式，提出了基于“安全约束机组组合+安全约束经济调度”的双层校核体系，通过模拟调度运行过程分析交易结果的可行性。文献[7]对上述方法进一步简化，选取典型场景确定机组负荷率合理区间，并采用月度机组组合模型进行校核。文献[8]提出了针对双边交易的简化校核方法，通过评估交易双方联络通道的承载能力和系统调峰需求，得到校核结果。

随着市场发展，中长期交易电量规模快速增长。同时新能源快速发展下，燃煤电厂的发电空间受到挤压。交易校核环节的边界数据不确定性增大，传统确定性交易校核方法面临严峻挑战[9—11]。如何考虑边界数据不确定性，提升校核准确率已成为该领域研究的重点。目前该方向的研究尚处于起步阶段，部分文献借鉴传统机组组合领域研究，提出了基于多场景预测数据的校核方法[12]。然而由于交易校核与机组组合目标不同，上述方法中大量预测场景并非交易校核中所需研究的极端场景，容易出现关键场景被数据湮没的情况。

为此，文中提出一种基于极端场景分析的中长期交易校核方法。首先，介绍极端场景的基本概念，根据不同类型数据对交易校核结果的影响，将波动性边界数据划分为正向、负向数据；其次，考虑边界数据的组合情况，按照极端场景的筛选标准，选定需要重点考虑的极端场景；然后，在此基础上，利用多时序机组组合模型对极端场景下调度运行过程进行模拟，计算校核结果及其发生概率；最后，利用某省电网实际数据构造算例，对文中所提方法的有效性进行验证。

1 极端场景概念与筛选

文中研究的极端场景筛选是指中长期市场交易中考虑多场景边界数据，筛选得到最不利于交易结果执行的边界数据场景集合。首先研究中长期交易校核所依据的边界数据，根据对校核结果的影响对其进行分类；基于上述边界数据分类，结合边界数据多场景预测实际情况，提出极端场景筛选标准和实施流程。

1.1 边界数据特性分类

由于中长期交易校核时间跨度较长，所依据的新能源功率预测、负荷预测等边界数据均存在较大的不确定性[13—14]。依据边界数据的不确定性程度，可将中长期交易所依据的边界数据划分为确定性和波动性边界数据两大类，如图1所示。

图1 中长期交易校核边界数据分类Fig.1 Boundary data classification of long and medium-term trading check

所谓确定性边界数据是指该类数据波动概率较低，可不考虑其波动性对校核结果的影响，主要包括外送受电计划、设备检修计划等。而新能源功率预测、水电发电计划等波动性边界数据，受气象预报等因素影响较大，不确定性较高，中长期校核期间预测数据误差较大，须考虑预测误差对校核结果的影响[15—16]。

按照预测误差对交易校核的影响，可进一步将波动性边界数据划分为正向和负向数据两类。正向数据是指实际执行中该边界数据的正向波动，即实际数值高于预测值，有利于校核结果执行。而负向数据则与之相反，当其产生正向预测误差时，不利于校核结果的执行。以负荷预测和新能源预测为例进行说明，当系统负荷存在正向预测误差，即实际负荷高于预测值时，发电需求增加，有利于交易结果实际执行；若风电、光伏等新能源出现正向预测误差，为消纳新能源，必将调减其他类型电源发电，燃煤电厂的发电空间将受到挤压，影响其交易结果的执行。

1.2 极端场景筛选

传统确定性中长期交易校核中，主要采用发生概率最高的波动性边界数据场景。文中将传统确定性中长期交易校核依据的场景称为基态场景。为量化波动性边界数据预测误差对交易校核的影响，主要采用多场景预测模型。多场景预测结果如图2所示。对于正向数据，若高于基态场景下的预测数据，均有利于交易结果执行，不属于极端场景考虑范畴；而对于负向数据，若低于基态场景下的预测数据，也不属于极端场景的考虑范畴。

图2 多场景预测结果Fig.2 Multi-scenario forecast results

进一步考虑不同类型波动性边界数据的组合情况，文中中长期交易校核研究的极端场景为所有波动性边界数据均为不利于交易校核的场景组合。各波动性边界数据不同预测场景组合下的判定结果如表1所示。

表1 极端场景组合分析Table 1 Extreme scenario combination analysis

由表1可知，只有当新能源预测、水电发电计划高于基准场景预测值，而负荷预测低于基准场景预测值时，符合极端场景判定标准。相较于原场景组合，极端场景数量显著下降，校核结果判定准确率明显提升。表1中，基于风电、光伏、负荷的多场景预测数据，全网可能的运行场景组合共8项；而极端场景数仅1项。因此，考虑极端场景的校核方法将大幅减少需考虑的场景数量。但从校核目标来看，极端场景能够量化最恶劣的校核边界情况，直接对极端场景进行分析更有利于调度机构把握实际运行的极端状况。

调度机构开展中长期交易校核时，重视极端场景的根本原因在于调度机构不仅负责交易校核，还应保障交易结果执行。因此，在校核环节必须充分考虑极端场景下交易结果的执行风险，为实际执行预留足够的裕度。特别是新能源占比较高的地区，由于中长期预测准确率难以保证，新能源预测偏差导致交易结果执行困难的问题将更加突出，极端场景分析的需求更为迫切。

2 面向极端场景的交易校核流程与方法

2.1 实施流程

基于上述极端场景的定义与筛选，提出面向极端场景的交易校核实施方法，主要包括3个关键步骤。

(1) 极端场景筛选。

新能源、负荷、水电等多场景预测技术已较为成熟，可参考文献[17—20]计算得到多场景预测结果。对于正向数据，数值低于基准场景的所有场景均属于负向误差范畴；而对于负向数据，数值高于基准场景的所有场景均属于正向误差范畴。按照表1中的极端场景组合特性进行筛选组合即可得到极端场景列表。

需要特别注意的是，由于极端场景剔除了大量无效场景，组合后极端场景概率将小于1。为此，需要对极端场景概率进行还原，可表示为：

(1)

(2)

式中：NS为极端场景总数。

(2) 基于多时序机组组合的运行模拟。

根据各极端场景的波动性边界数据预测值，实施运行模拟即可得到该场景下的交易校核结果。为简化计算量，采用文献[7]提出的多时序机组组合模型对极端场景进行运行模拟分析。

(3) 基于极端场景运行模拟的交易校核分析。

汇总各极端场景下的校核结果，并进行统计分析，为调度运行人员交易校核提供决策参考。

2.2 基于多时序机组组合的运行模拟

极端场景下机组组合模型以极端场景的新能源预测、负荷预测、水电发电计划为边界。模型以期望交易电量执行偏差最小为优化目标，可表示为：

(3)

所需要考虑的约束条件包括电力平衡约束、断面传输能力约束、机组发电能力约束、机组爬坡能力约束、机组启停状态变量约束、机组最小持续运行时间约束、电厂交易电量偏差约束、水电站运行约束、偏差电量取值范围约束和机组状态变量取值范围约束。依次可表示为：

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

以式(3)为优化目标、式(4)—式(13)为约束条件，即可构建基于极端场景的中长期机组组合模型。该模型本质上为混合整数线性规划问题，可采用分支定界法等数学优化方法或直接调用Cplex等商用规划软件包求解，详细求解过程可参考文献[21—22]。通过求解该模型，不仅可以得到极端场景下交易电量执行偏差期望值，还能得到存在交易电量执行偏差的极端场景及对应的偏差电量。

2.3 基于极端场景运行模拟的交易校核分析

若某一极端场景下交易电量执行偏差不为0，则表明该场景交易校核不通过。当利用极端场景运行模拟进行分析，并制定交易校核结论时，为保证清洁能源消纳，需要综合考虑校核不通过的极端场景发生概率及其执行偏差电量水平。为此，规定当且仅当校核不通过的极端场景总发生概率及其期望交易电量执行偏差均在可控范围内时，交易校核通过。校核标准为：

(14)

(15)

3 算例分析

3.1 基础数据

以某省区电网实际数据构造算例验证所提方法的有效性。该省区电网共有燃煤电厂15座，总装机容量21 000 MW，总交易电量96亿kW·h，详细数据见表2。

表2 燃煤电厂基本信息Table 2 Basic information of coal-fired power plants

多场景负荷预测结果见图3。系统负荷预测包括高、中、低3个场景，其发生概率依次为20%，50%，30%，对应用电需求分别为125.8亿kW·h，132.5亿kW·h，139.1亿kW·h。

图3 多场景负荷预测Fig.3 Multi-scenario load prediction

多场景水电站发电计划见图4。水电站发电计划包括高、中、低3个场景，其月发电量计划分别为16.05亿kW·h，14.5亿kW·h，12亿kW·h，对应发生概率分别为20%，50%，30%。

图4 多场景水电站发电计划Fig.4 Multi-scenario hydropower station generation schedule

多场景新能源预测见图5。新能源功率预测包括5个场景，其发生概率依次为10%，20%，45%，15%，10%，对应月度发电量分别为8.11亿kW·h，9.13亿kW·h，10.14亿kW·h，11.15亿kW·h，12.17亿kW·h。

图5 多场景新能源预测Fig.5 Multi-scenario new energy prediction

需要说明的是，为简化计算分析过程，算例中各运行日的负荷曲线、水电发电曲线、新能源发电曲线均采用1 h为间隔的典型日曲线，其中新能源采用峰谷比为1.2的典型曲线。若需更细致地分析各运行日不同峰谷特性下的运行差异，可进一步细化场景划分，对文中所提方法的使用并无显著差异。

3.2 极端场景筛选

确定性交易校核方法以发生概率最高的场景作为边界开展校核分析。算例中的负荷预测方案、水电发电计划方案和新能源预测方案3共同构成确定性交易校核方法的边界数据。根据表1所述的极端场景组合方式，算例中需要研究的极端场景包括2个，详见表3。需要说明的是，根据极端场景对应的负荷、水电、新能源方案，可计算得到其发生概率分别为0.9%，0.6%，按照式(1)进行还原，得到对应的概率分别为60%，40%。

表3 极端场景Table 3 Extreme scenes

3.3 校核结果分析

进一步利用多时序机组组合算法对表3的极端场景进行运行模拟。各电厂机组开停计划下的运行情况如图6所示。

图6 电厂机组运行情况Fig.6 Operation of power plant units

在此基础上，可计算得到交易电量执行偏差累计1.74亿kW·h，各电厂电量偏差分布情况如表4所示。其中正偏差表示较交易计划需要增加发电量，负偏差表示较交易计划需要减少发电量，其中最大偏差电量为0.56亿kW·h。

表4 电厂偏差电量Table 4 Power plant deviation power

若更细致地分析不同场景下的交易电量偏差情况，可以发现基态场景和极端场景一均能满足运行要求，而极端场景二存在交易电量执行偏差，偏差电量为1.74亿kW·h。根据该省实际情况，在利用极端场景分析法实施交易校核时，设定的出现交易电量执行偏差极端场景发生概率及预期偏差电量分别为3%，0.5亿kW·h。尽管极端场景二发生概率仅为0.6%，低于发生概率限值，但其偏差电量期望为0.7亿kW·h，超过了偏差电量限值。该结果表明，尽管出现交易电量执行偏差的极端场景发生概率较低，但其产生偏差电量的期望较大，一旦出现极端场景，偏差电量难以通过调度优化调整消除，此时校核不通过。该情况下，应对上述存在偏差电量的发电厂预出清结果做适当调整，为实际执行预留足够的调整空间。基于极端场景分析得到的各发电厂机组组合方式及偏差电量情况，对预期执行偏差进行统计。存在预期执行偏差的发电厂交易校核不通过，应对其交易电量进行调整。若执行偏差为正向电量偏差，则表明该发电厂交易电量计划不足，需要匹配基数电量，保证电网运行控制要求；若执行偏差为负向电量偏差，则表明该发电厂交易电量计划超出电网承载能力，需要调减其交易计划。