考虑可再生能源消纳责任权重的年度合同电量月度分解方法

姜 曼，司马琪，鲍玉昆，刘定宜

（1.国家电网公司华中分部，湖北省武汉市 430077；2.华中科技大学管理学院，湖北省武汉市 430074）

0 引言

电力系统电能计划根据计划周期和时间提前量可分为长期计划（一般为一年）、中期计划（一般为季度或月）和短期计划（一般为天）。省级电力交易中心按照“年度合同电量计划-月度电能交易计划-日调度计划-96点调电曲线”的流程制定发电计划，指挥电能有序生产［1］。其中，月度电能交易计划不仅可以为年度合同电量计划提供有序的电量完成方式，还能为日调度计划提供经济、可靠的机组中期运行方式。因此，编制合理的月度电能交易计划是电力交易中心的主要工作，也是保障电力系统平稳运行的关键。

当前，已有很多文献对月度电能交易计划的编制方法进行研究，但往往仅考虑常规机组参与的电力系统电量分解［2-7］。随着可再生能源大规模并网，单一类型机组的合同电量分解方法已不再适用。为此，学者们分别从机组运行经济性、电力市场环境、执行进度公平性、运行方式优先级等角度出发，对含多类型能源、多类型机组的电力系统的合同电量分解模型和算法进行研究。文献［8-10］分别基于可再生能源发电机组的运行特性，从机组运行经济性角度提出含多类型机组的电力系统电量分解方法。文献［11］从电力市场的角度出发，提出了中长期交易电量的分解方法。文献［12］考虑执行进度的公平性，基于时序仿真法，提出了“分段建模、前细后粗”的四阶段建模思路。文献［13］考虑不同机组运行方式优先级，设计了面向多类型机组的分解原则。

2019年5月，为进一步促进可再生能源电力消纳，缓解“弃风”、“弃水”等问题，国家发展改革委、国家能源局正式发布了《关于建立健全可再生能源电力消纳保障机制的通知》（发改能源〔2019〕807号，以下简称807号文件）［14］，文件指出“将按照省级行政区域设定可再生能源电力消纳责任权重，即可再生能源电力消费应达到其电力消费设定的比重”。由于807号文件中所设定的可再生能源电力消纳责任权重为年度指标，且可再生能源出力具有不确定性和一定的季节性，比如水电存在枯水期和丰水期等。因此，作为可再生能源电力消纳责任权重的义务承担者，如何制定协同常规能源机组和可再生能源机组的月度电能交易计划以完成消纳任务，达到考核要求，成为省级电力交易中心亟待解决的问题。但是，鲜有文献关注这一因素，并从可再生能源消纳的角度对月度电能交易计划的编制方法进行研究。

此外，火电机组在发电过程中会排放SO2、NOx等气体，对地区空气造成污染，从而影响地区居民身体健康，甚至导致某些疾病高发。因此，在制定电能交易计划时有必要考虑火电污染物排放对环境空气质量和区域居民健康造成的影响。

本文提出了一种考虑可再生能源电力消纳责任权重的年度合同月度滚动分解方法，基于决策理论和优化理论，建立了考虑可再生能源电力消纳责任权重指标完成难度和空气污染指数（API）的双目标优化模型，并采用非支配排序遗传算法Ⅱ（NSGA-Ⅱ）进行求解。

1 建模思路与方法

在将年度合同总电能分解到月度电能交易计划的过程中，考虑807号文件和节能减排要求，为保证月度电能交易计划的合理性、可行性和有效性，需要使分解结果满足以下要求。

1）尽量为电力交易中心提供能完成可再生能源电力消纳责任权重指标（年度指标）且完成难度较低的月度电能交易方案，从实际执行层面促进807号文件落地，协助电力交易中心完成消纳目标，并通过考核。使电力交易中心在可再生能源电量资源较为丰富的月份尽量多消纳可再生能源，在较为匮乏的月份转而更多消纳传统能源，避免出现资源丰富月份（如丰水期）“弃风”、“弃水”，资源匮乏月份（如枯水期）无力消纳，甚至年底无法完成全年强制性考核指标的情况，导致高价购买绿证的现象出现。

2）尽量使该地区各月的环境质量维持稳定，API趋于均衡化。虽然年度合同电量确定了全年总排污量，但由于环境空气质量状况受当前空气中的污染物浓度影响，在时间维度上不可累加，因此可以通过优化排污量的月度分布，使按分解结果执行月度电能交易计划后，各月传统电能综合排放指标与当月API呈反向关系，即在空气质量较差的月份较少消纳传统能源以减少污染物排放，在空气质量较好的月份较多消纳传统能源以保证完成年度合同电量，在一定程度上降低电力系统对环境质量的影响，避免出现极端污染天气，影响地区人民生活。

3）保证提供的月度电能交易计划满足电能平衡约束，使电力系统正常运行。同时，尽可能保证与电力交易中心签订年度电量合同的单位均完成年度合同电量计划，减少“弃风”、“弃水”等情况，充分利用各单位的发电能力。

综上所述，在考虑可再生能源电力消纳责任权重指标完成难度和API的情况下，基于决策理论和优化理论，本文建立双目标优化分解模型，并采用滚动分解的方法对年度合同电量进行分解，保障年度合同电量计划和消纳责任权重指标的顺利完成，分解方法如附录A图A1所示。在任意一个计划月月初，首先进行统计（包括各机组已完成年度合同电量和省内已消纳可再生能源电量等）和预测（包括各机组未来各月的最大发电量情况、未来各月省内总消纳量等）工作。然后，基于统计和预测数据，采用所提模型将剩余未完成的合同电量分解到未来各月（包括计划月），以获得未来各月月度电能交易计划，并对上个计划月所制定未来各月月度电能交易计划进行修正，该月则按修正后的计划执行交易。类似地，下个计划月月初重复上述过程，从而实现年度电能交易计划的月度滚动修正，对预测误差所造成的影响进行控制。

根据807号文件，可再生能源电力消纳责任权重分为“非水电消纳责任权重”和“总量消纳责任权重”，各省级行政区域年度整体完成的消纳责任权重＝（区域内生产且消纳的可再生能源电量＋区域外输入的可再生能源电量＋市场主体消纳量净受让量之和＋绿证认购量之和－免于考核电量对应的可再生能源电量）/（区域全社会用电量－免于考核电量）。为了聚焦研究内容，本文假定免于考核电量和市场主体消纳量净受让量之和均为0，且由于绿证交易不影响每月可再生能源电量的实际消纳，因此在进行年度合同电量分解时，不考虑绿证交易。

1.1 可再生能源电力消纳责任权重指标完成难度

除了发展时间较长且应用较早、较广泛的水电之外，随着对风、光等可再生能源研究的逐渐深入，相应的发电和输电技术也逐渐提高，风电、光电等机组与水电机组一样，也进入省级电力交易中心年度交易范畴。与传统电能不同，这些可再生能源可控性较差，在时间维度上，资源丰富度与电网消纳能力相互独立分离，缺乏一致性，导致可再生能源电力资源丰富而消纳能力弱，或可再生能源电力资源贫乏而消纳能力强的情况经常出现。因此，为了降低完成消纳责任权重指标的难度，保证月度交易计划的合理性和可行性，在进行年度合同电量分解时，需要从供需角度出发，综合考虑各月对可再生能源电力的消纳难度和获取难度。

1）可再生能源电力消纳难度

一般来说，省内当月消纳总量相比其他月份越大，则当月消纳可再生能源电力的难度就相对越低。因此，本文采用消纳总量的相对大小来衡量当月消纳可再生能源电力的难度，计算方法如下。

式中：γdiff，use，m为第m月可再生能源电力消纳难度；M为制定计划时所处月份；［M，12］为待分配月份的集合；Wi，load为第i月预 计消纳总 量。

2）可再生能源电力获取难度

一般来说，省内当月各可再生能源机组预测发电总量越大，则当月可再生能源电力资源越丰富，获取难度就越低。因此，本文采用各可再生能源机组预测发电总量的相对大小来衡量当月获取可再生能源电力的难度，计算方法如下。

第m月含水可再生能源电力获取难度γdiff，get1，m为：

式中：r为签订年度电量合同的水电发电机组序号；f为签订年度电量合同的风电发电机组序号；g为签订年度电量合同的光电发电机组序号；SR、SF、SG分别为与电力交易中心签订年度电量合同的水电发电机组集合、风电发电机组集合和光电发电机组集合；Wm，r、Wm，f、Wm，g分 别 为 第m月 与 电 力 交 易 中 心 签订年度电量合同的水电发电机组r、风电发电机组f和光电发电机组g的预测最大发电量。

第m月非水可再生能源电力获取难度γdiff，get2，m为：

3）可再生能源电力消纳责任权重指标完成难度

从供需角度出发，各月每单位分配电量的完成难度是不同的，完成的难度包括消纳难度和获取难度，且由于不同地区电网特点不同，消纳难度和获取难度对完成单位分配电量难度的影响不同。对于可再生能源电力资源相对丰富的地区，比如四川、云南等，消纳难度是主要影响因素；对可再生能源电力资源相对匮乏的地区，比如北京等，获取难度是主要影响因素。因此，本文用某月消纳难度与获取难度的加权衡量该月完成单位分配电量的难度，则可再生能源电力消纳责任权重指标完成难度即为所有待计划月份完成分配电量的难度之和，计算方法如下。

含水可再生能源电力消纳责任权重指标完成难度γdiff1为：

式 中：Wd，m，r、Wd，m，f、Wd，m，g分 别 为 水 电 发 电 机 组r、风电发电机组f和光电发电机组g第m月的电量分解值；ω1(0≤ω1≤1)为含水可再生能源电力获取难度对完成单位分配电量（含水）难度的影响系数，ω1越接近1表示含水可再生能源电力获取难度对完成单位分配电量（含水）难度的影响越大。

非水可再生能源电力消纳责任权重指标完成难度γdiff2为：

式中：ω2(0≤ω2≤1)为非水可再生能源电力获取难度对完成单位分配电量（非水）难度的影响系数，ω2越接近1表示非水可再生能源电力获取难度对完成单位分配电量（非水）难度的影响越大。

1.2 API

火电机组一般采用燃煤等方式进行发电，在发电过程中，会排放SO2、NOx、CO2、CO等污染物，是对空气质量造成严重影响的主要原因之一。API是评估空气质量状况的常用指标之一，将常规监测的几种空气污染物浓度简化为单一的概念性指数值形式，并分级表征空气污染程度和空气质量状况［7］。

式中：γAPI，m为考虑火电污染排放时第m月该地区的API；γAPI，base，m为第m月未考虑火电污染排放时该地区API预测值；t为与电力交易中心签订年度电量合同的火电发电机组序号；ST为与电力交易中心签订年 度 电 量 合 同 的 火 电 发 电 机 组 集 合；Wd，m，t为 火 电发 电 机 组t第m月的电量分 解 值；γPRI，t为 火 电机组t的单位电能加权综合排放系数；β为该地区API关于单位电能加权综合排放系数的特性调节系数；a、b、c、d分 别 为SO2、NOx、CO2、CO的 相 对 权 重；ESO2，t、ENOx，t、ECO2，t、ECO，t分别为火电机组t单 位发电量SO2、NOx、CO2、CO的排放量。

2 合同电量分解模型及求解方法

2.1 目标函数

1）最小化可再生能源电力消纳责任权重指标完成难度，协助电力交易中心通过考核，从实际执行层面促进807号文件落地。807号文件中考核指标包含含水可再生能源电力消纳责任权重和非水可再生能源电力消纳责任权重，因此，通过考核完成消纳责任权重指标的难度为：

式中：γdiff为完成可再生能源电力消纳责任权重指标和通过考核的难度。

2）最小化API波动，保证空气质量稳定。

2.2 约束条件

1）系统（供需）平衡约束

2）含水可再生能源电力消纳责任权重约束

3）非水可再生能源电力消纳责任权重约束

式中：γRES2为非水可再生能源电力消纳责任权重。

4）发电能力约束

式 中：Wd，m，k为机组k第m月 的 电 量分解 值；Wm，k为第m月与电力交易中心签订年度电量合同的机组k的预测最大发电量。

5）年度合同电量约束

2.3 求解方法

分解模型为双目标模型，因此，本文采用NSGA-Ⅱ［15］对模型进行求解。相比于传统的NSGA，NSGA-Ⅱ主要优势为：①采用快速非支配排序算法，极大降低了计算的复杂度；②引入精英策略，提高了优化结果的精度；③采用拥挤度和拥挤度比较算子，不仅克服了NSGA中需要人为指定共享参数的缺陷，而且保证了种群的多样性。

通过NSGA-Ⅱ计算得到的结果并非是一个单独的最优解，往往是多个互不支配（占优）的解构成的解集，但决策者在进行决策时只能选择一个最优解执行。因此，本文基于“多属性决策原理”为决策者选出最优折中解［16］作为最终的月度电能交易计划方法。在实际的执行过程中，决策者可综合实际情况，根据对2个决策目标的偏好程度从多个方案中选择适合的方案执行。

3 算例分析

3.1 计算条件

为了验证模型的效果，本文采用2组算例数据进行实验分析。算例1为含6台火电机组、2台水电机组、2台风电机组和2台光电机组的电力系统，即12台机组参与某年度（非闰年）合同电能分解。该算例用以验证所提分解方法的必要性、合理性、公平性和有效性。各机组详细参数和数据描述见附录A表A1至 表A5，5至12月API预 测 值 见 附 录A图A2。算例2为含60台火电机组、20台水电机组、20台风电机组和20台光电机组的电力系统，即120台机组参与某年度（非闰年）合同电能分解。该算例用以验证所提分解方法的实用性和可操作性。各机组详细参数和数据描述见附录B表B1至表B8。

3.2 算例1数据计算及分析

假定当前处于当年5月初，先前已执行该分解方法4个月，后期须将剩余电能滚动分解到5至12月，且该地区空气质量受电力系统影响较大，污染物加权综合排放量每增加1 g将导致API上升4×10－10，即β＝4×10－10，年度合同电量允许偏差为±5%，含水可再生能源电力获取难度的影响系数、非水可再生能源电力获取难度的影响系数均为0.5。根据807号文件，该地区当年含水可再生能源电力消纳责任权重为40%，非水可再生能源电力消纳责任权重为10%。

3.2.1 基础数据计算

根据式（6）可计算出各火电机组单位发电量所对应的污染物综合排放系数，计算结果如表1所示。在所有火电机组中，火电机组1单位发电量对环境的影响最小，火电机组5和6单位发电量对环境的影响最大。

表1 火电机组单位电能加权综合排放系数Table 1 Weighted comprehensive emission coefficient of per unit electric energy of thermal power unit

根据式（1）至式（3）可计算出5至12月各月可再生能源电力消纳难度和获取难度，计算结果如表2所示。由表2可知，7、8月份属于夏季用电高峰，11、12月份属于冬季用电高峰，这几个月整体电能需求量较大，因此可再生能源电力的消纳难度较小。7、8月份风力不强，光照时长较短，非水可再生能源电力获取难度整体较高，但属于丰水期，水电丰富，因此含水可再生能源电力获取难度整体较低，应多消纳水电；同样地，10、11月份来水较少，含水可再生能源电力获取难度整体较高，但风力较强，非水可再生能源电力获取难度整体较低，因此应多消纳非水可再生能源电力。综上所述，综合考虑消纳难度和可再生能源电力获取难度是十分必要的。

表2 5至12月可再生能源电力消纳和获取难度Table 2 Difficulties in accommodation and obtaining of renewable energy power from May to December

3.2.2 算法有效性分析

设置NSGA-Ⅱ中种群数量为50，迭代次数为500，交叉概率为0.2，变异概率为0.05。作为遗传算法的一种发展算法，NSGA-Ⅱ本质上仍基于随机搜索过程对目标进行优化，因此每次优化结果都不尽相同。为了避免随机性对求解结果的影响，本文基于算例进行了10次重复计算，对结果的稳定性进行分析，统计结果如表3所示。结果表明，在基于NSGA-Ⅱ对模型进行求解时，模型求解结果的稳定性较好，且求解速率较快。

表3 重复计算的结果统计Table 3 Statistics of repeated calculations

3.2.3 计算结果分析

从多次模拟中任选一次结果进行分析，可得各机组5至12月各月电能分解结果，如附录A表A6所示。可再生能源电力消纳责任权重指标完成情况以及各机组年合同电量完成比例见附录A表A7和表A8，各机组利用率见附录A图A3。5至12月电力系统对API影响、可再生能源机组电能分配情况见图1至图4。

图1 5至12月电力系统对API影响Fig.1 Impact of power system on API from May to December

图2 5至12月非水可再生能源电量Fig.2 Non-hydropower renewable energy electricity from May to December

图3 5至12月含水可再生能源电量Fig.3 Renewable energy electricity containing hydropower from May to December

图4 5至12月可再生能源交易电量Fig.4 Renewable energy trading electricity from May to December

由附录A表A6至表A8可知，通过该方法计算得到的月度电能交易计划满足机组各月的发电量约束，使电力交易中心较好地完成了可再生能源电力消纳责任权重指标，促进了可再生能源电力消纳，同时也保证了各机组按要求履行合同要求，年度实际交易电量在允许的偏差范围内波动，且整体标准差较小，各机组年度合同电量完成率相对均衡，交易计划公平、合理、可行，符合决策要求。

由附录A图A2和图1可知，11、12月由火电机组发电排放污染物使得API的增加值与当月API预测值整体呈正向关系，而在5至10月火电机组发电导致API增加值与当月API预测值整体呈反向关系。这是因为在11、12月，可再生能源可发电量减少，且属于冬季用电高峰，尽管API很高，但为了维持电力系统正常运行，必须较多消纳火电。因此可知，该方法很好地考虑到了电力系统对环境的影响，通过调整月度电能交易计划对所在地区的空气质量起到了一定的调控作用，维持了该地区空气质量的稳定。

从图2至图4可以看出，通过该方法计算得到的月度电能交易计划较好地综合了可再生能源电力获取难度和消纳难度，各月含水可再生能源电能交易量和非水可再生能源电能交易量不仅与可获取总量的变化趋势一致（在可再生能源电力较丰富、易获取的月份设立较多的交易量，在可再生能源电力较贫乏、难获取的月份设立较少的交易量），还与消纳能力的变化趋势一致（为消纳能力强的月份设立较多交易量，为消纳能力弱的月份制定较少交易量），可操作性强，很好地降低了完成可再生能源电力消纳责任权重指标的难度，促进了可再生能源电力消纳，结果合理可行，较好地满足了决策要求。

此外，通过该方法计算得到的月度电能交易计划，各机组各月的利用率相对均衡，且大多数月份均在90%以上，如附录A图A3所示，能充分利用各单位的发电能力。

3.2 .4滚动修正后的全年各月月度电能交易计划

基于附录A图A1所示的滚动修正的方法，将1月选为计划月对1至12月度电能交易计划进行优化，逐月向后滚动，可得滚动修正后的全年各机组月度电能交易计划和1至12月电力系统对API的影响，如附录A表A9和附录A图A4、图A5所示。从结果可知，所得月度电能交易计划满足机组各月的发电量约束，且对环境的影响较小。

3.3 算例2数据计算及分析

假定当前处于当年1月初，需将年度合同电能分解至12个月，且β＝4×10－10，年度合同电量允许偏差为±10%。根据807号文件，该地区当年含水可再生能源电力消纳责任权重为40%，非水可再生能源电力消纳责任权重为10%。经过2 487 s的计算后，得到1至12月的月度电能交易计划，见附录B表B9至表B13。虽然数据量增大10倍，但是求解速度相对较快，且得到的月度电能交易计划满足机组各月的发电量约束，使电力交易中心较好地完成了可再生能源电力消纳责任权重指标，证明了所提分解方法的实用性和可操作性。

4 结语

随着可再生能源电力消纳保障机制的不断推进，电力交易中心在编制月度电能交易计划时需要综合考虑可再生能源电力消纳的特点，协调多种能源发电，完成消纳指标并保障电量执行的可行性和分配的公平性。本文所提出的考虑可再生能源电力消纳责任权重的年度合同月度滚动分解方法，基于优化和决策理论，对剩余月份电能交易计划进行整体优化，很好地满足了上述要求。

1）该方法考虑到可再生能源电力消纳的特点，提出了可再生能源电力消纳责任权重指标完成难度的概念，通过建立优化模型，为省级电力交易中心提供了能完成可再生能源电力消纳责任权重指标（年度指标）且完成难度较低的月度电能交易计划，协助省级电力交易中心通过考核，从实际执行的层面促进了807号文件的落地和可再生能源电力的消纳。

2）该方法考虑了电力系统对环境的影响，通过对月度电能交易计划进行调整，对所在地区的空气质量起到了一定的调控作用，维持了该地区空气质量的稳定。

3）该方法将滚动分解和整体优化方法相结合，月度间数据滚动，剩余月份整体优化，保证了电量执行的可行性和分配的公平性，以及机组利用的均衡性。

本文在研究过程中，为聚焦可再生能源电力消纳责任权重对月度电能交易计划的影响，忽略了绿证交易等履责形式及区域内外发电单位电能交易分解的差别。下一步将放松模型中的假设条件，使其更符合实践。除此之外，由于各月预测数据（如月消纳量等）是本文模型的一类重要前置参数，而本文仅采用滚动修正的方法对误差影响进行控制，后续将对如何进一步评估预测准确率进行深入研究。