计及优先级及电力平衡的新能源中长期交易电量分解方法

许彦平，黄越辉，李 湃，耿天翔，李 峰

（1.新能源与储能运行控制国家重点实验室（中国电力科学研究院有限公司），北京市 100192；2.国网宁夏电力有限公司，宁夏回族自治区银川市 750001；3.国网宁夏电力有限公司电力科学研究院，宁夏回族自治区银川市 750001）

0 引言

“30·60”双碳目标要求中国大力发展可再生能源，推动能源清洁低碳转型，未来中国新能源发电量占比将持续提高［1-2］，根据预测，2030年全国新能源发电量占比将达20%，2050年高达48%。高比例新能源大规模接入使得系统电力电量平衡难度加大，由于电力送出、调峰等原因造成的弃电将不可避免［3-4］。2020年6月，《电力中长期交易基本规则》［5］修订出台，进一步规范了各地电力中长期交易，各省电力中长期交易规模逐年增长，通过市场化交易措施促进新能源消纳的需求日益明显。据统计，2019年中国宁夏回族自治区新能源电力中长期直接交易电量约占其新能源发电量的80%以上。

现阶段，中国开展的电力中长期交易仍以电量为主，具有实物合同属性，需经“年度-月度-日”多时间尺度逐级分解到逐时段计划曲线，然后由调度机构执行完成。目前，国内各电网主要基于“电量平衡、典型日电力校核”原则，采用平均分配、按照负荷比例或机组容量比例等方法完成分解［6-8］。然而，上述方法难以充分考虑新能源随机波动性对系统运行以及功率平衡的影响，当新能源发电及交易规模发展到一定程度时，高比例新能源系统发生新能源弃电及电力不平衡将会导致分解结果难以与日调度计划合理衔接，调度实施难度大［9-10］。

目前，大部分文献针对传统计划调度模式，考虑机组运行能耗、负荷特性、检修计划等不确定性因素，开展满足“三公调度”及个体差异化的电力系统计划电量分解问题研究［11-12］；仅有少量文献针对市场模式下的中长期交易电量分解问题开展了研究，文献［13］在风电月度合同电量编制中计及风电预测误差、波动特性和负荷跟随特性等风电场运行特性指标，但没有综合考虑新能源与其他电源之间的协调优化，编制结果可能会超出电网消纳能力，难以实现合同电量的有效分解。文献［14-15］考虑中长期风电/光伏预测准确度不高的问题，建立了基于中长期风电/光伏电量预测的多能源合约电量分解模型。优化变量为各类机组发电量而非功率，由于新能源出力的不确定性，中长期时间尺度上仅考虑电量平衡约束，难以保证系统的电力平衡和安全运行。另外，在实际运行中，不同新能源场站参与中长期交易类型不同，执行的优先级不同，如中国西北省份调度机构在执行交易计划时，需优先执行政府下达的基数电量计划及跨省跨区外送电交易电量计划［9］。因此，在电量分解过程中，应根据交易执行的优先级从高到低逐层分解，但目前尚未有文献开展关于交易优先级的电量分解问题的研究。

鉴于此，本文将时序生产模拟方法［16-18］应用到交易电量分解中，提出了一种适应高比例新能源电力平衡需求的中长期交易电量分解方法。首先，从新能源长时间出力序列构建、月度交易电量初值分配、协调优化分解方法以及多场景模拟计算等方面提出中长期交易电量协调优化方案，解决新能源随机波动性导致年交易计划与日调度计划之间难以衔接的问题。然后，进一步详细介绍计及交易优先级的新能源中长期交易电量协调优化分解建模方法。以新能源消纳最大以及交易电量完成偏差最小为目标，综合考虑系统安全运行约束。引入以周为优化周期的反馈迭代机制，通过周迭代、月滚动的方式完成年度交易优化分解，保障分解结果的合理性和日调度层面的可执行性。最后，基于中国西北某省级电网的运行数据开展实例分析，并与传统分解方法进行对比，结果验证了模型的合理性和有效性。

1 新能源年度交易电量协调优化分解方法

1.1 方法框架

新能源年度交易电量分解到月是协调年度交易电量与日调度计划之间的关键环节。新能源年度交易电量协调优化分解方法的整体流程如图1所示。

图1 所提方法的流程图Fig.1 Flow chart of proposed method

首先，考虑到风电/光伏中长期时序出力曲线难以预测，基于区域风电/光伏出力波动和概率分布特征，构建符合实际运行的风电/光伏长时间出力序列。然后，考虑新能源与负荷之间月电量匹配性，将新能源年度交易电量粗分到各月，并作为新能源月度交易电量的优化初始值。再建立基于时序生产模拟的交易电量协调优化分解模型，并引入以周为周期的反馈迭代优化机制，通过周迭代、月滚动优化追踪月度交易电量执行偏差，确保月度交易电量是通过逐日电力电量平衡优化得到的，保障分解结果的合理性和日调度层面的可执行性。最后，以构建多条风电/光伏出力曲线作为输入进行多场景时序仿真模拟计算，并以收敛后的结果期望值作为最终结果，解决新能源的随机性导致单次计算随机性大的问题。

1.2 风电/光伏长时间出力序列构建

本文借鉴文献［19-20］以波动过程表征风电出力的随机性和波动性，采用自组织映射（selforganizing map，SOM）聚类算法对风电波动类别进行辨识。同时，考虑风电出力具有一定的季节性变化特征，按照各月风电出力波动特征将自然月分为高、中、低出力月3类。分别统计各类波动的概率特征及各类波动间转移概率，并按月序贯抽样风电波动类别与各统计参数，得到模拟风电出力时间序列。考虑光伏出力具有一定规律性又有很强的随机性，将实际光伏出力分解为净空出力和相对出力的乘积，建立了光伏出力基于净空模型的确定性和基于天气特征的不确定性分解模型。基于不同天气类型下光伏出力的统计参数，通过序列抽样生成模拟长时间光伏出力的时间序列［21-22］。

1.3 月度交易电量初值分配

基于新能源和负荷月电量的匹配性，考虑新能源理论电量和负荷电量在年内各月的分布情况，以各月新能源理论电量占比和负荷电量占比的均值作为分配比例，对新能源年度交易电量进行粗分，得到了各月新能源交易电量优化的初始值，并根据各月的执行情况按月进行滚动更新。若第1个月到第D-1个月已完成部分年度交易电量，那么第D个月新能源月度交易电量初值分配如下。

式中：QNE*(d)为第d个月的新能源理论电量，可通过逐时段累加新能源理论功率值得到；αNE(D)为第D个月的新能源理论电量占第D个月到第12个月新能源理论电量之和的比例；QL(d)为第d个月的负荷电量；αL(D)为第D个月的负荷电量占第D个月到第12个月负荷电量之和的比例；QNE，1R(D)为第D个月的新能源月度交易电量优化的初始值，其值不应超过第D个月的新能源理论电量；QNER表示新能源年度交易电量；QNER(d)表示新能源在第d个月已执行完成的交易电量。

1.4 基于时序模拟的年度交易电量协调优化分解方法

时序生产模拟方法通过逐时段模拟电力系统的中长期实际运行工况来保障系统全时段电力电量平衡，并可在各时间段添加约束条件确保系统运行的安全性，从而更精确地确定电网以及系统内各设备的运行方式。基于此，本文提出基于时序模拟的年度交易电量协调优化分解方法，如图2所示。

图2 新能源交易电量逐月分解方法Fig.2 Monthly decomposition method of trading electricity for renewable energy

一方面，考虑以月或年为周期进行优化，优化周期长，难以寻到最优解，影响计算效率。同时，考虑到实际生产运行中常规机组以周为周期的启停规律，因此，在月度电量优化和日电力平衡之间引入周电量优化作为过渡环节，并在各时间段设立系统安全运行约束。以月交易电量初始分配值作为待优化参量，以周为周期优化常规机组启停状态和新能源逐时段出力，将新能源周交易电量优化结果在月度交易电量初值中扣除，更新待优化参量，并进行下一周期优化；通过逐周滚动优化，建立月度交易电量与最新运行边界之间的联系，确保月度交易电量符合逐时段电力电量平衡，保障月交易计划安全性以及在日调度层面的可执行性。另一方面，可将已完成月份交易电量在年度总交易电量中扣除，得到剩余交易电量，并以此作为总交易电量进行滚动优化，通过月与月之间滚动计算完成年度电量分解的逐月分解和执行，保障年度交易电量顺利完成。

考虑到新能源场站参与年度交易的类型和优先级不同，在优化模型中引入表征不同交易优先级的优先等级因子，在保障系统新能源消纳最大的同时，完成不同类型交易电量的分解，满足新能源场站个性化交易需求。

1.5 多场景模拟计算

考虑新能源出力序列构造具有随机性的问题，单次计算具有一定随机性，因此构造多个新能源出力时间序列需进行多次时序仿真，并以年度新能源弃电率方差系数作为判断计算结果的收敛依据。统计计算结果收敛所需的场景数Mes，然后以Mes个场景优化得到的新能源月度交易电量的平均值作为最终月度交易电量值，如式（4）—式（6）所示。

2 计及交易优先级的新能源中长期交易电量协调优化分解模型

2.1 目标函数

计及交易优先级的新能源中长期交易电量协调优化分解模型的目标函数由2个部分构成：第1部分为各交易电量完成的偏差量之和最小，保障了各交易电量顺利完成，并且引入了优先等级因子和权系数来确定不同优先级交易的分解顺序；第2部分为新能源发电量与理论电量之间的偏差最小，保证了新能源最大化消纳。目标函数的具体表达式为：

2.2 约束条件

1）负荷平衡约束

2）常规机组/供热机组出力约束

3）常规机组/供热机组爬坡约束

4）机组启停机运行状态逻辑约束

式中：Xg(t)为第g台火电机组在t时刻的运行状态；Yg(t)和Zg(t)分别为第g台火电机组在t时刻的启动状态和停机状态，均为二进制变量。

对于Yg(t)，取值为0表示不在启动状态，为1表示正在启动；对于Zg(t)，取值为0表示不在停机状态，为1表示正在停机。式（13）为机组启停和运行状态的逻辑约束，其保证了在机组组合的过程中各状态变量是符合逻辑的。

5）常规火电/供热机组最小启停机时间约束

其中，参数k由机组最小启机或停机时间参数决定，其反映了最小启机或停机的时间步长，此约束主要是考虑受到机组物理特性、机组能耗和运行成本的制约，机组不能频繁启停。

6）电网线路传输容量约束［23-24］

7）系统备用容量约束

式（16）—式（18）为系统安全运行约束，保障月交易电量在日调度层面的可执行性。

8）新能源交易电量约束

该约束条件可以保证风电/光伏在全部优化时段内的发电量与偏差电量之和等于交易电量所要求的最低发电量。同时，通过偏差量能够将新能源交易电量约束变为优化模型中的软约束，进而避免因为调峰或断面限电造成无法达到保障电量时约束不可行的状况发生。

9）新能源发电出力成分约束

上述模型为混合整数线性规划问题，可调用Cplex求解器求解，通过逐周优化求解可以得到新能源月度交易电量分解结果。

3 算例分析

3.1 边界条件

本文基于中国西北某省级电网开展实例分析。根据该省级电网新能源实际的送出受限断面，将该电网分为6个区域电网，见附录A图A1。该电网电源装机容量及负荷规模见表A1，电源以火电和新能源为主，其中，火电装机容量为24.055 GW·h，新能源装机容量为18.549 GW·h，新能源装机容量占总电源装机容量的44%。新能源场站参与的年度交易电量合计为26.404 TW·h，约占新能源理论电量的87%。其中，新能源基数电量为11.728 TW·h，外送交易电量为7.712 TW·h，省内交易电量约为6.964 TW·h。各分区内新能源场站参与的年度交易类型及交易电量如表A2所示。其中，新能源基数电量优先级最高，外送交易电量次之，省内交易电量优先级最低。本文算例中同一优先级下新能源交易类型仅为一种，权系数均设置为1，优先级等级因子如表A3所示。基于该省历年风电/光伏历史数据的新能源年度/月度出力曲线通过本文2.1节所述方法构建。

3.2 结果分析

3.2.1中长期交易电量优化分解结果

1）年度交易电量逐月分解结果

利用本文所述方法可以优化得到不同交易类型的新能源月度交易电量及新能源月度消纳电量。新能源月度富余电量为新能源月度消纳电量与新能源月度交易电量之差，见附录B图B1和图B2。根据计算结果可知：该省级电网全年累计消纳新能源电量为29.553 TW·h时，新能源利用率为97.21%；新能源月交易电量占新能源月度消纳电量的比例为81%～99%，分解得到的新能源月交易电量均不超过电网消纳能力，各月均存在新能源富余电量。

2）不同方法分解效果的对比及分析

本文将新能源月交易电量是否超过电网接纳能力作为评判标准来对比不同方法的分解效果，而新能源富余电量是判断月度交易电量是否超过电网接纳能力的关键指标。其值为正值时，表示分解的新能源交易电量未超出电网接纳能力；其值为负值时，表示分解的新能源交易电量已超过电网接纳能力，交易电量将不能被有效执行。以2019年2月的月度交易电量分解到各周为例，本文方法和按负荷比例、按可发电量比例和平均分配方法的分解结果见附录B图B3。可以看出，采用按发电能力、负荷比例和平均分配的传统分解方法得到的第1周和第2周分解电量均超过新能源实际可发电量，未考虑电网消纳新能源水平，新能源富余电量为负值。而本文所提方法分解得到的周交易电量均小于消纳电量，富余电量均大于0，证明本文方法分解的有效性。

考虑到中国各省级电网的电力市场进程不一致、新能源中长期交易电量水平不同以及未来高比例新能源发展趋势，对比本文方法和传统方法（按负荷比例、新能源可发电量和平均分配分解方法）在不同新能源发电和交易电量占比场景下的适用性。本文在分区1的风电装机容量的基础上新增9.01 GW和18.01 GW风电装机容量，构造新能源发电场景1、场景2和场景3，如附录B表B1所示。

基于上述新能源发电场景，考虑新能源交易电量占比分别为45%、65%和87%，对比本文方法和传统方法的分解效果，以分解后第1周富余电量为比较项进行对比，结果如表1所示。

从表1中可以看出，当新能源发电占比和月度交易电量水平较低时，采用本文方法和传统方法均可实现中长期电量的有效分解。但随着新能源发电量占比提升，系统新能源弃电率增加，当新能源交易电量占比增加时，按负荷比例分解、按发电能力分解、平均分配分解等传统方法将难以适应高比例新能源电力系统，富余电量出现负值。分解得到的新能源交易电量超过系统可消纳的新能源电量，难以实现中长期交易电量的合理分配。而本文所提方法可以协调新能源与火电运行，在保障新能源最大化消纳的同时，保证了电量分解的有效性和可执行性。

表1 新能源富余电量对比Table 1 Comparison of renewable energy surplus electricity

3.2.2协调优化分解算法的有效性分析

以分区1为例，设置不同初始电量分配场景4和场景5，见附录B表B2。场景4中各月交易电量优化初值是根据1.3节月交易电量初值分配方法计算得到的；场景5为假设的极端场景，其中，2019年1月的交易电量优化初值为2.029 TW·h，2019年2月的交易电量优化初值为0，其余月度电量优化初值与场景4保持一致。

采用本文所述中长期电量协调优化方法，对上述场景年度交易电量进行优化分解，场景4和场景5的分解结果对比情况如图3和表2所示。

图3 不同初始分配电量场景下的优化分解结果Fig.3 Optimal decomposition results in different initial electricity distribution scenarios

表2 不同场景下的不同交易类型分解结果Table 2 Decomposition results of different trading types in different scenarios

场景4和场景5的各月交易分解结果及偏差量变化见图3。从图中可以看出，由于交易电量优化初值的差距，导致场景4和场景5在2019年1月至5月优化分解的月度电量存在偏差，但偏差量在逐月减少，总偏差量为0。2019年1月至2月新能源在不同优先级类型下交易分解的具体结果见表2。下面以场景5为例进行分析。在2019年1月，场景5首先完成了新能源场站基数电量的分配，同时考虑新能源消纳空间，完成了部分外送交易电量的分解。在2019年2月，虽然场景5的交易电量优化初值为0，但在电量协调优化分解时考虑到1月完成交易电量与交易电量初值之间的执行偏差，可调整2月交易电量初值，并基于调整后的电量进行优化分解，实现偏差的滚动调整及消减。综上，采用本文所提的考虑交易优先级和电力平衡约束的中长期电量协调优化分解方法，可以考虑到不同类型交易的优先级别，优先保障高优先级交易电量优先分解，并且可通过周迭代、月电量滚动优化计算有效跟踪月度电量执行偏差，确保年度电量的合理分解，同时保障分解电量在日调度层面的可执行性。

3.2.3多场景模拟计算结果

根据1.2节风电/光伏月度出力曲线构建方法构建1 000条风电和光伏曲线，并以此作为输入进行分析，结果如附录B图B4所示。从图中可以看出，1 000次生产模拟中新能源弃电率最小为2.64%，最大为3.2%；模拟53次后，满足收敛条件（β＜0.4%），此时弃电率的期望值约为2.95%。

统计53次月度交易电量分解结果，并计算各分区、各月、各类型交易电量分解结果的平均值。考虑到多场景下不同分区、不同类型交易电量的数据较多，仅以分区1的月度总交易电量数据进行展示，如附录B图B5所示。以多场景下各类型交易的月度电量的平均值作为年度交易电量分解的最终结果可解决中长期新能源随机性和难以预测导致单次计算随机性大的问题，保障了月度交易分解结果的有效性和可执行性。

4 结语

考虑高比例新能源不确定性带来的电力电量平衡的问题，针对中长期交易电量优化分解全时段模拟分析时涉及的关键点，本文从新能源长时间出力序列构建、协调优化分解和多场景模拟计算等方面开展了研究分析。以新能源消纳最大以及不同交易电量完成偏差最小为目标，综合考虑系统安全运行约束，建立计及考虑新能源交易优先级及电力平衡需求的新能源年度交易电量协调优化分解模型。最后基于中国西北某一省级电网进行实例分析，得出了以下结论。

1）所提方法适应未来高比例新能源渗透率下年度、月度电量优化分解，可以在保障新能源最大化消纳的同时，实现不同中长期交易电量从年度到月度、月度到周的有效分解，同时计及新能源中长交易类型及优先级，满足不同新能源场站个性化交易需求。

2）本文所提方法可通过周迭代、月度电量滚动协调优化有效跟踪月度电量执行偏差，确保年度交易电量和日调度计划的有效衔接，保障分解电量日调度层面的可执行性。

3）本文所提方法基于风电/光伏长时间出力序列构建方法，构建多场景仿真模拟计算，并用收敛后的各场景月度交易电量的平均值作为最终分解结果，可以有效解决新能源随机性带来单次计算结果不准确的问题，保证电量分解合理性。

目前，本文所提方法主要为电力市场过渡期下调度机构执行新能源中长期交易电量提供一种分解方法，在今后的研究中需根据中国市场化建设的程度，进一步梳理市场交易与电力调度之间的关系，并对本文所提方法在新市场环境下所遇到的实际应用问题展开探索。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。