考虑清洁能源消纳的售电商滚动修正月度市场交易策略
2021-09-14张彤彤涂孟夫曹荣章
喻 洁,张彤彤,丁 恰,涂孟夫,曹荣章
(1. 东南大学 电气工程学院,江苏 南京 210096;2. 南瑞集团有限公司 智能电网保护和运行控制国家重点实验室,江苏 南京 211106)
0 引言
在新一轮电力市场改革的背景下,售电商代理电力用户在电力交易中心开展交易,按照省电力交易中心公布的竞价规则,在年度合同电量的基础上进行月度市场交易策略[1-2]。基于用户年度用电量的预测结果,售电商与发电企业签订年度合同购买电量,此外,售电商还需要根据实际用户月度用电量需求再次购买电量,从而在满足月度市场供需平衡的同时,降低购电费用[3-4]。随着市场份额竞争愈发激烈,充分考虑月度市场电价波动风险、用户用电量偏差成为售电商利润增长的突破点[5-6]。此外,清洁能源大规模发展,售电商需承担与其年售电量相对应的消纳权责[7]。因此,计及月度市场电价的不确定性和用电量预测偏差,考虑火电年度合同电量及清洁能源消纳年度合同电量的分解,对售电商月度市场竞价策略具有重要的现实意义。
我国现阶段电力交易中,中长期签约电量基本达到90%~95%[8]。售电商的大部分购电量在年度合同中签订,因此在月度市场交易策略中需综合考虑各方面不确定性因素将年度合同电量进行合理分解,从而获得最优的月度市场交易策略,使得年度总购电费用最少。目前,年度合同电量分解策略一般以发电商为研究对象,分析发电机组年度计划的年分月策略,鲜有从售电商角度出发,研究其月度市场交易策略中如何进行年度合同电量分解。文献[2]引入基尼系数,根据各火电机组已完成的电量数据,对计划月和后续月发电量进行约束,保证发电机组完成年电量公平性。文献[9-10]以各机组合同电量完成进度偏差最小为目标,将竞价机组的中长期合同电量分解到日。目前关于售电商对年度合同电量分解方式以及需重点考虑的因素方面的相关研究较少。
月度市场电价波动对售电商的月度市场购电策略及年度合同电量分解都将产生影响。文献[11-12]基于中长期市场及现货市场交易,研究售电公司在不同能量市场的购售电策略,采用条件风险价值评估交易策略风险。文献[13]提出需求响应项目参与的平衡市场优化交易策略,并采用条件风险价值度量交易策略风险。当前在售电商月度市场竞价策略的研究中尚缺乏对月度电价不确定性引起的月度市场竞价策略、年分月计划方面的风险损失影响分析。
本文从售电商角度出发,在分解火电年度合同电量以及清洁能源消纳年度合同电量的基础上,对其优化月度市场交易策略进行研究。首先基于电量偏差提出售电商月度购电滚动修正优化策略框架;其次考虑年度合同电量分解进度均衡性,提出年分月电量分解进度系数,并考虑电价波动风险,建立售电商月度购电滚动修正优化策略模型,将求解得到的月度市场交易电量作为初始交易策略,以新的用电量预测偏差信息作为反馈信息进行滚动优化策略设计,实现对月度市场交易策略的修正;最后通过算例对比表明所提出的考虑清洁能源消纳的售电商滚动修正月度市场交易模型能随着月度市场电价波动、用电量预测偏差而进行购电策略的相应调整,从而减少购电风险,降低售电商年度总购电费用,并且完成清洁能源消纳权责。
1 售电商月度购电滚动修正优化策略框架
本文建立的售电商月度购电滚动修正优化策略框架考虑了多个时间尺度的用电量预测偏差修正、年分月电量修正以及购、用电量偏差控制,在年度总购电费用最低的目标下,基本可以达到各月的用电量偏差考核要求。售电商月度购电滚动修正优化策略时间进度如附录A 图A1 所示。售电商在上一年底对次年1—12 月进行各月用电量预测,并对已签订的年度合同电量进行分解,做出年度合同电量分解至各月的初步方案,以此为基础制订1—12 月的初步月度市场竞价购电策略。m-1 月的中下旬,对m—12 月用电量进行预测修正,并按照本文提出的年度合同电量分解进度系数方法对m—12 月的年分月方案进行修正,获得滚动修正后的m—12 月月度市场竞价购电策略。m月中下旬,将该月实际用电量与购电量进行校核,通过挂牌或合同转让方式再次修正当月购电量,以满足本月用电量预测偏差考核。
本文构建了售电商月度购电滚动修正优化策略,充分考虑了各个时间尺度用电量信息更新修正,适用于售电商月度用电量预测偏差,以及应对复杂的市场交易情况。
2 考虑电价波动风险和年度合同电量分解进度的售电商月度购电滚动修正优化策略模型
电价波动是售电商参与月度市场竞价集中交易必然面临的风险,对月度市场电价波动进行分析有助于售电商更好地了解月度市场交易的行情,准确把握购电时机。同时,月度市场竞价购电策略与年分月电量具有强耦合关系,年分月电量是一个强时序相关的年度合同电量分解量,因此各月的月度市场竞价购电策略若仅考虑单独1 个月的最优化,则不可能达到年度总购电费用最优的目标。本文构建了考虑电价波动风险和年度合同电量分解进度的售电商月度购电滚动修正优化策略模型,以达到年度总购电费用最优化,并保证各月满足用电量预测偏差的考核指标。
2.1 月度市场电价波动风险分析
月度市场电价会随着供求双方关系的变化而表现出波动性。本文参考文献[14],设第m月月度市场预测电价pm服从正态分布N(μm,)(μm、分别为第m月电价期望值、电价方差),其函数表达式为:
2.2 滚动修正优化购电策略
基于月度市场电价波动风险分析,本文对各月用电量预测偏差进行修正,建立以售电商年度总购电费用最优为目标的购电优化模型,对售电商的火电和清洁能源消纳年度合同电量进行年分月滚动修正。目标函数包含售电商月度购电费用、火电年度合同电量分解量、清洁能源消纳年度合同电量分解量以及售电商承受的电价波动风险成本4 个部分,其表达式为:
式中:ftotal为售电商年度总购电费用;M=12,为月份总数;Qy为火电年度合同的购电量;Qyc为清洁能源
清洁能源年度合同电量分解进度系数αmc考虑到清洁能源出力具有波动性,需要对各月的清洁能源消纳合同电量分解进度系数加以修正,如式(10)所示。
当该月电价低于各月平均值时,该月月度市场的购电成本较低,年度合同分解电量占比应有所减少,从而达到目标函数中该月清洁能源分解进度系数αmc最小。此外,式(10)中λm反映了各月可利用的清洁能源发电量,当第m月可利用清洁能源发电量较小时,清洁能源消纳年度合同分解电量应相对其他月份较少,从而达到目标函数中该月清洁能源消纳分解进度系数αmc最小。这有效避免了清洁能源发电能力受到当月自然资源影响而与年度合同分解电量不匹配的矛盾。滚动修正优化购电策略的约束条件包括风险函数约束、考虑偏差考核的月用电量约束、年度市场购电量约束以及最大分解电量约束这4种,分别如式(11)—(14)所示。
式中:δ为用户用电量偏差考核量,其取值为3%[18];、分别为第m月火电年度合同、清洁能源消纳年度合同的最大可分解电量。
3 售电商月度购电滚动修正优化策略求解算法
基于售电商在各时间尺度(上一年底、月前)下月度市场的购电策略,设计售电商月度购电滚动修正优化策略求解流程。上一年底进行次年月度用电量预测,并以各月总购电费用之和最小化为目标求得各月度市场交易初步策略;1 月购电策略按此执行,在1 月中下旬时对该月预测用电量与实际用电量进行校核,以挂牌和合同转让方式进行用电量预测偏差控制;同时根据实际情况预测2 月用电量,将更新的预测用电量输入滚动修正优化模型,并以2—12 月的总购电费用之和最小化为目标,修正2—12 月购电策略,2 月中下旬时,仍需要进行用电量预测偏差控制以及预测3 月用电量;依此类推,m-1 月中下旬预测m月用电量,将更新的预测用电量输入滚动修正优化模型,以m—12 月的总购电费用之和最小化为目标,修正各月度市场购电策略,m月中下旬时,进行用电量预测偏差控制以及预测m+1 月用电量。所建立模型的求解流程如附录A 图A2所示。
4 算例分析
本文建立考虑清洁能源消纳的售电商滚动修正月度市场交易模型,考虑了电价波动、用电量预测偏差,将火电年度合同电量、清洁能源消纳年度合同电量分解到各月,从而形成各月优化购电策略。设是否考虑滚动修正优化购电策略与是否考虑滚动修正优化策略下火电年度合同、清洁能源消纳年度合同费用均相同,火电年度合同、清洁能源消纳年度合同费用分别为19 439.0、10 163.8 万元。设置算例1、2来验证本文所构建的模型和算法的有效性,具体如下:
1)算例1 将考虑滚动修正优化购电策略与未考虑滚动修正优化策略进行对比,分析各月度市场电价概率分布不同对售电商交易策略的影响;
2)算例2 将考虑清洁能源出力波动的修正优化购电策略与未考虑清洁能源出力波动的修正优化购电策略进行对比,并分析在清洁能源消纳年度合同电量电价不同时,不同的清洁能源消纳年度合同电量占年用电量百分比对售电商交易策略的影响。
4.1 月度市场电价概率分布
本文依据附录B 图B1 所示的2018—2020 年江苏省交易中心公布的月度集中竞价结果,根据这3年电价数据推演未来9 年的月度市场电价,并计算其期望和方差。为了在算例1 中进一步分析月度市场电价概率分布对购电策略的影响,本文将1 月的月度市场电价方差修改为5.88[元/(MW·h)]2。2018—2020 年各月江苏月度市场电价如附录B 表B1 所示,推演所得未来9 年的月度市场电价如附录B 表B2 所示。进一步进行正态概率分布拟合,得到各月度市场电价概率分布如附录C图C1所示。
4.2 月度市场用电量预测参数
售电商在上一年度的年底进行次年12 个月的月度用电量预测,然后在每个月的中下旬统计分析该月的实际用电量,并对下一个月的用电量预测值进行修正,各月的滚动预测用电量如附录C 图C2所示。
4.2.1 算例1的仿真分析
根据售电商月度购电滚动修正优化策略模型,通过对售电商总购电费用最小化模型的求解,可得表1 所示售电商购电费用和图1 所示售电商月度市场购电策略。
表1 是否考虑滚动修正优化策略下售电商购电费用对比Table 1 Comparison of electricity purchase costs of power retailers between with and without considering rolling correction optimization strategy单位:万元
图1 月度市场购电策略Fig.1 Power purchase strategy of power retailers in monthly market
当考虑滚动修正优化购电策略时,在各月中下旬对该月总用电量进行统计评估,校核本月实际用电量加上未发生的用电量是否等于月度市场购买量与年度合同分解到该月的电量之和,若有预测偏差则进行用电量预测偏差控制,从而满足每月的偏差考核要求;并对下一个月的用电量预测偏差进行修正,结合月度市场电价分析,修正年初的月度购电计划。此时各月的偏差考核费用可以被极好地控制,基本满足偏差考核要求。
当未考虑滚动修正优化购电策略时,售电商按上一年底的用电量预测值进行各月购电,缺少修正和用电量预测偏差控制手段,因此不能做到各月都满足偏差考核要求。其中超出用电量预测值103%的部分按照当期燃煤机组标杆电价的10%征收偏差调整费用,故此时用电量偏差考核费用为3 000.9万元。
年度合同分解电量在当月用电量的占比如附录C 图C3 所示,月度市场购电策略如附录C 表C1 所示。结合图1、图C3 和表C1,比较各月电价概率分布中的期望值,1 月的月度市场电价的期望值在12个月中最低,为343.67 元/(MW·h),其月度市场购电量为90 220 MW·h,火电年度合同分解电量为18 892 MW·h,清洁能源消纳年度合同分解电量为9 288 MW·h,其月度市场购电量占当月用电量的76.20%,在各月度市场购电量的占比中最高。7、8月的月度市场电价期望值在12 个月中较高,其月度市场购电量分别为28 313.6、25 252.5 MW·h,月度市场购电量占比分别为17.42%、16.40%,在各月度市场购电量的占比中较低。这说明当该月的月度市场价格期望值较高时,售电商月度市场竞价购电量在当月用电量的占比将较小,年度合同分解电量占比较高。
由附录C 表C1 可知,为了实现总购电费用最小化的目标,售电商需要在年度合同分解电量和月度市场竞价购电量两者之间进行权衡。当月度市场电价较高时,售电商更多地将年度合同电量分解到月度,从而降低购电总费用。
4.2.2 算例2的仿真分析
清洁能源出力根据各月的自然资源变化而具有波动性,故有可能出现某些月份由于自然资源不足而不能满足该月的清洁能源消纳年度合同分解电量的情况。未考虑清洁能源出力波动的合同分解电量与实际可利用风资源发电量对比如附录C 图C4 所示。由图可知,7、8、12 月可利用的风资源较少,而7、8、12 月是全年用电量最大的月份,清洁能源消纳年度合同分解电量也较大,从而出现了清洁能源发电出力不能满足该月清洁能源消纳年度合同分解电量的情况。故需根据式(10)对清洁能源消纳年度合同分解系数加以修正。
通过对式(10)求解,可得图2 所示未考虑清洁能源出力波动和考虑清洁能源出力波动的售电商清洁能源消纳年度合同电量分解策略对比。
图2 售电商清洁能源消纳年度合同电量分解策略Fig.2 Strategy of clean energy accommodation annual contract electricity decomposition of power retailers
由于7、8、12 月清洁能源出力较少,出现由于清洁能源发电资源受限而不能完成年分月电量导致的用电量偏差情况,针对该部分用电量偏差值,售电商所需缴纳的用电量偏差考核费用为646.2 万元。考虑清洁能源出力波动,增加季节性分解修正因子,根据该部分用电量偏差对清洁能源消纳年度合同电量分解进度系数加以修正,重新计算年分月电量和售电商月度市场竞价购电策略,结果如表2 和附录C图C5所示。由表2及图C5可知,考虑清洁能源出力波动的修正优化购电策略能够更好地适应清洁能源的发电波动性,不会出现由于清洁能源发电资源受限而不能完成年分月电量导致的用电量偏差情况。与此同时,由于清洁能源出力的波动,售电商承受的电价波动风险成本略有上升。
表2 是否考虑清洁能源出力波动的修正优化购电策略下售电商的购电费用对比Table 2 Comparison of electricity purchase costs of power retailers between with and without considering clean energy power fluctuation单位:万元
我国各省清洁能源上网电价不同,电价补贴也不同。目前国家对清洁能源上网电价的补贴逐步下降,未来将推动清洁能源进入市场竞争,逐渐取消补贴[19]。为了分析清洁能源逐步走向市场化的过程中售电商的购电策略,本文分析了3 个价格级别下清洁能源消纳年度合同电量的签订情况。
1)清洁能源消纳年度合同电价为380元/(MW·h)(高补贴阶段)。
在对清洁能源上网电价进行高补贴阶段,其年度合同电价往往高于月度市场购电电价均值。图3为高补贴阶段售电商购电费用随清洁能源消纳年度合同电量占比不同的变化情况。随着清洁能源消纳年度合同电量在总电量中占比量ε的增加,清洁能源的出力不确定性将增加售电商承受的月度市场电价波动风险成本。这说明此时清洁能源消纳年度合同电量对售电商承受的月度市场电价波动风险成本影响很大。在售电商满足清洁能源年度合同消纳权责要求的情况下,应控制所签订的清洁能源消纳年度合同电量占比。
图3 高补贴阶段售电商购电费用随清洁能源消纳年度合同电量占比不同的变化情况Fig.3 Electricity purchase costs of power retailers with different proportions of annual contract electricity of clean energy accommodation at high subsidy stage
2)清洁能源消纳年度合同电价为350元/(MW·h)(低补贴阶段)。
在清洁能源上网电价进行低补贴阶段,其年度合同电价与月度市场电价均值相当。图4 为低补贴阶段售电商购电费用随清洁能源消纳年度合同电量占比不同的变化情况。由图可知,清洁能源消纳年度合同电量占比的变化对售电商承受的月度电价波动风险成本影响不大。此时,售电商可以在满足清洁能源消纳权责的要求前提下,根据月度市场电价的波动,合理签订清洁能源消纳年度合同电量占比,并对清洁能源消纳年度合同电量进行分解。
3)清洁能源消纳年度合同电价为335元/(MW·h)(取消补贴阶段)。
在清洁能源上网电价取消补贴阶段,由于清洁能源发电成本较低,其年度合同电价将低于月度市场电价均值。图5 为取消补贴阶段售电商购电费用随清洁能源消纳年度合同电量占比不同的变化情况。由图可知,随着清洁能源消纳年度合同电量占比的增加,售电商承受的电价波动风险成本反而大幅下降。这说明此时签订的清洁能源消纳年度合同电量对售电商承受的月度电价波动风险有很好的控制效果。售电商可以通过提高所签订的清洁能源消纳年度合同电量占比,主动完成并超过消纳权责的要求。
图5 取消补贴阶段售电商购电费用随清洁能源消纳年度合同电量占比不同的变化情况Fig.5 Electricity purchase costs of power retailers with different proportions of annual contract electricity of clean energy accommodation at concealed subsidy stage
5 结论
售电侧放开是我国新一轮电力体制改革的关键,售电商通过双边交易、集中竞价等多种途径购买电力,如何权衡年度合同电量与月度市场竞价购电量,如何考虑市场价格波动风险,是售电商面临的关键问题。当面临清洁能源消纳权责的要求时,售电商如何科学合理地进行年度合同电量分解,不仅影响售电商购电费用,也关系到是否能够完成清洁能源消纳权责。
本文考虑月度市场电价不确定性及售电商因此面临的风险成本问题,针对年分月电量的强时序相关性,提出了年度合同电量分解系数,建立了满足月度用电量偏差考核的售电商滚动修正优化购电策略模型。进一步考虑清洁能源出力的季节性波动因素,对清洁能源年度分解进行了季节性修正,经过算例分析得到如下结论:
1)售电商的月度市场最优购电策略是涉及多时间尺度交易耦合的优化决策问题,需要考虑月度市场电价波动风险并对用电量预测、年分月计划等进行多次滚动修正,难以通过1 次优化计算获得年度总购电费用最优的计划,本文提出的滚动优化修正模型适用于求解这类问题;
2)当进行清洁能源消纳年度合约电量签订时,需要充分考虑清洁能源出力的季节性波动特点,增加季节性分解修正因子,否则有可能在某些月份不能完成清洁能源消纳的分解电量,从而造成偏差考核;
3)在电力零售市场开放的环境下,清洁能源逐步取消补贴,清洁能源上方电价将达到月度市场电价水平甚至低于月度市场电价,激励售电商主动消纳新能源,完成并超过消纳权责。
随着电力体制改革的推进,电力交易品种逐步完善,售电商面临更多市场机遇的同时,也面临着更多的挑战和风险,并且未来需要承担清洁能源消纳、碳减排等责任和义务。本文对此进行初步的探索分析,后续还将在电价推演、多类型交易耦合、碳减排措施等方面继续进行深入研究。
附录见本刊网络版(http://www.epae.cn)。