两级电力市场环境下计及风险的省间交易商最优购电模型

4 算例仿真

4.1 算例说明

本文以我国某省电力公司作为省间交易商进行算例仿真。该省与他省的省间联络线拓扑及参数如图3所示。各类机组运行技术参数,省内各类发电机组装机容量、联络线送端各类机组的参与省间交易的容量及机组报价等参数见附录B。

在日前预测得到的省内新能源出力情况以及各时段参考负荷需求如图4所示。

本文假设日前新能源出力与负荷需求预测误

图3 某省电网省间联络线拓扑及参数Fig. 3 Topology and parameters of inter-provincial tie-lines

图4 省内新能源出力及参考负荷需求预测情况Fig. 4 Fore output of renewables and reference demand

差满足方差为0.2的正态分布,通过蒙特卡洛模拟抽样生成大量场景,再运用K-means聚类方法进行场景缩减[24],得到10个典型场景及其概率值如表1所示。

表1 典型预测场景及概率Tab. 1 Typical foreing scenarios and probability

4.2 仿真结果

在风险中性(δ=0δ=0)情况下各场景下的省内市场运行成本优化结果如表2所示。从各场景的概率来看,场景1的概率最大,因此本文展示了场景1下省间交易商的具体优化结果。场景1下省内各类机组出清电能、省间联络线潮流变化情况及省间市场出清电价变化情况分别如图5、图6所示。

从省内各类机组的出清电能可以看出,省内市

表2 各场景下省内市场运行成本优化结果Tab. 2 Results of operational cost under each scenario

图5 省内各类机组出清电能Fig. 5 Cleared power of different types of units inside the province

图6 省间联络线潮流变化情况Fig. 6 Power flow of the inter-provincial tie-lines

场总出清电能的变化情况基本与省内负荷需求的变化情况一致,约占到省内总负荷需求的70%到80%。在各类机组中,煤电机组出清电能占比最大,占到总出清电能的50%到80%,水电和天然气机组的出清电能较为稳定,而风电和光伏机组作为间歇性新能源,其出清电能变化情况与其日前预测出力的变化情况基本一致。

省间联络线的潮流变化能直接反应各时段各送端省份在省间交易的出清电能变化情况。A省可再生能源机组占比较多,因此除1:00—7:00省内负荷位于低谷时较小外,省间联络线1的潮流一直稳定在6500 MW左右。由于B省低成本的水电资源较为丰富,省间联络线2上的潮流一直稳定在7200 MW左右。相较而言,由于C省的清洁能源较A省、B省占比较低,C省的省间购电出清电能较小。因此省间联络线3的潮流在大多数时刻维持在3500 MW左右,只有在18:00—20:00负荷高峰时段,由于省内新能源出力较小而省间联络线1、2接近满载时,C省出清电能才有明显增加。

为验证方法的有效性,本文将两级市场环境下的最优购电模型与单一省级电力市场环境下的最优购电模型得到的出清价格进行了对比,如图7所示。相比单一的省级电力市场运行模式,本文提出的两级电力市场模式下的购电优化结果大幅降低了市场的出清价格,从而有效降低了省间交易商的

图7 不同市场模式下出清电价变化情况Fig. 7 Market clearing price under different market model

购电成本。采用本文提出的购电模型后,在负荷高峰期的12:00—14:00以及18:00—22:00,省间交易商的购电价格从约730元/(MW·h)下降到了420元/ (MW·h)左右。在2:00—7:00负荷低谷时段,省间交易商的购电价格下降到了420元/(MW·h)以下,此时出清电能都来自于联络线送端的低成本清洁能源机组。

为了分析购电模型的风险控制能力,设定置信水平εε为70%,则有30%的场景被设定为省内市场运行成本大于VaR的风险场景(场景2、6、8)。图8展示了在不同δδ下各场景的省内市场运行成本的优化结果。可以观察到,随着风险厌恶水平的提高,风险场景下的市场运行成本明显降低而非风险场景下的市场运行成本有所增加。其中,运行成本最小的场景1与最大的场景8之间的运行成本差从δ=0δ=0时的447.3万元下降到δ=1δ=1时的218.8万元以及δ=50δ=50时的141.9万元。由此可见,采用CVaR方法有效提高了省间交易商控制不确定性对其购电决策影响的能力。

图8 不同风险厌恶水平下各场景省内运行成本优化结果Fig. 8 Optimization results of operational cost under each scenarios with different risk-aversion levels

不同风险厌恶水平下的省间购电优化结果如表3。当风险厌恶因子δδ从0增加到50时,省间交易商对于不确定性进行控制的水平不断增强,省间交易商的省间购电需求也随之增加。在2:00—3:00、6:00—11:00和17:00—19:00,省间出清电价和省间出清电能都随着省间交易商的风险厌恶水平的增加而增加。以6:00为例,省间出清电能从δ=0δ=0时的13 800 MW·h增加到了δ=1δ=1时的15 101 MW·h,再到δ=50δ=50时的15 865 MW·h,省间出清电价也相应从δ=0δ=0时的263.5元/(MW·h)增加到了δ=50δ=50时的333.5元/(MW·h)。由此可见,风险厌恶因子会对省间交易商的购电决策产生重大影响,并影响省间市场的出清结果。

5 结论

在省间-省内两级电力市场模式下,本文提出

表3 不同风险厌恶水平下省间购电优化结果Tab. 3 Optimal results of inter-provincial power purchase under different risk-aversion levels

了一种计及新能源出力与负荷需求不确定风险的省间交易商最优购电模型。该模型在上层以省内市场运行成本期望最小化为目标优化省间购电需求,并引入CVaR方法对不确定性进行风险管理,在下层优化省间市场的运行成本,从而在综合潜在风险的情况下实现对省间交易商购电需求的最优决策。

通过最优购电模型,省间交易商能在两级电力市场模式下充分利用省间与省内机组的发电资源,在降低省间交易商购电成本的同时促进电力资源的跨区域优化配置。同时,采用CVaR方法能有效降低不同预测场景间省内市场运行成本的差异,从而帮助省间交易商在不确定环境下有效进行风险控制。此外,随着风险厌恶程度的提高,省间交易商将加大对省间市场购电资源的依赖,省间出清电能与电价也会相应提升。

本文所做研究将为今后我国两级电力市场模式下省间交易商,特别是位于省间联络线受端的省间交易商的购电决策提供了优化模型借鉴,并为省间交易商的风险控制提供了有效指导。但在优化模型中尚未考虑省级电网内部的具体网络拓扑,后续研究中将建立更贴近实际的省级电网模型。